复合材料带缠绕成型过程建模及工艺参数优化

复合材料带缠绕成型过程中,成型工艺参数的选取决定了缠绕制品的性能。采用正交实验法研究各工艺参数对缠绕制品层间剪切强度的影响规律和敏感度,并将正交试验数据与神经网络理论相结合,对带缠绕成型过程进行建模,得到缠绕成型工艺参数与层间剪切强度之间的非线性映射关系,并通过实验验证了模型的可靠性。在此基础上,利用粒子群优化方法在可行工艺参数域内对缠绕成型工艺参数进行优化。仿真与实验结果表明,基于神经网络模型的工艺参数粒子群优化算法能够快速、准确的得到带缠绕成型的全局最优工艺参数组合。使得缠绕制品层间剪切强度达到最优的工艺参数组合为:加热温度115℃,缠绕张力357 N,压辊压力1006 N和缠绕速度0.28 m/s,在最优工艺参数作用下,缠绕制品的层间剪切强度达到102.2 MPa。     

基于CenterNet的航空遥感图像目标检测

为实现高精度的航空图像目标检测,将Anchor free的目标检测算法CenterNet应用到检测中,同时使用Resnet50主干网络,并引入CIoU损失替代原有损失函数对网络模型做出了改进。改进后的算法在RSOD与DIOR数据集上进行测试,结果显示在保证网络轻量化的前提下检测精度有明显的提高,证明了算法在航空目标检测方面的可行性与准确性。     

基于DSP的飞机全电刹车模糊神经网络控制系统

介绍了一种基于DSP的飞机全电刹车模糊神经网络控制系统 ,此系统以电作动器取代液压机构。由于不使用液压机构使得系统更加安全 ,同时刹车效率也有所提高。仿真及试验结果显示该系统具有良好的性能 ,达到了设计要求。     

BP神经网络用于火箭增压输送系统故障检测

增压输送系统是火箭产生推力的核心系统,其工作可靠性直接关系到运载火箭安全性.以某型号运载火箭第三级作为故障检测对象,将遥测数据抽样和预处理,降低数据规模和提高故障检测效率,模拟常见故障和偶发故障扩大故障数据规模,使得故障数据和正常数据均衡,通过添加归一化时间序列区分火箭工况.经处理后的遥测数据用于训练BP神经网络,故障...     

基于集成学习的航空发动机排气温度预测

准确预测排气温度对预知航空发动机未来的工作状态至关重要。然而,传统航空发动机排气温度预测模型存在预测精度有限、对时间序列数据的信息利用率不足等问题。提出了一种多模型集成的航空发动机排气温度预测方法,被集成的子模型包括差分整合移动平均自回归模型、一次指数平滑模型和门控循环单元。对所有子模型的预测序列进行加权集成处理,提出了一种在历史发动机性能参数数据上学习最优权重系数的方法,避免了传统优化算法依赖于初始点的选取且其适用性局限于可微函数等问题。在Cessna-172R型飞机发动机排气温度预测问题中相较子模型准确性更高。     

应用BP神经网络针对高通量质子事件的通量数值预报

质子事件的爆发与太阳软X射线辐射有着很强的相关性,利用GOES卫星的1～8 (A)波段和0.5～4 (A)波段的软X射线数据,选取一些特征参量验证该相关性并应用到质子事件短期预报中.在当前质子事件传输物理机制不完全明确的情况下,在现有的预报质子事件有无的模型基础上,利用BP神经网络,根据软X射线通量水平等预测事件质子峰值通量水平,再对训练后的网络进行检验,检验预测所得结果与实际探测值误差小于一个量级,具备一定实用意义.      

基于无迹卡尔曼滤波的柔性自由翻滚目标姿态估计

在进行在轨维修以及清除等任务时,需要确定航天器的姿态四元数和角速度。失效卫星常处于自由翻滚状态,通常带有柔性帆板,其运动规律相较于刚性帆板更为复杂。一方面,空间失效卫星的姿态确定常使用激光雷达、双目相机作为测量装备,其测量精度常受到光照、磁场等的影响,会对识别精度产生较大干扰。另一方面,柔性航天器的质量特性容易发生变化,导致很难对其动力学模型进行精确描述。针对柔性自由翻滚目标的状态难以获取的问题,本文提出基于无迹卡尔曼滤波的姿态估计方法,并采用神经网络补偿柔性航天器模型误差。仿真结果显示：无损卡尔曼滤波器(Unscented Kalman filter,UKF)算法对柔性航天器的姿态四元数预测误差值在10^-3范围内,角速度误差值最高0.08 rad/s,采用神经网络补偿动力学模型后对四元数的预测误差稳定在9×10^-4范围内,角速度误差稳定在1.5×10^-3范围内。结果表明,使用神经网络补偿柔性航天器动力学模型的不确定项之后,UKF对柔性自由翻滚目标的姿态估计精度满足工程要求。     

基于遗传神经网络的高能固体推进剂高压燃烧性能计算

建立并利用遗传(GA-BP)神经网络对NEPE类高能固体推进剂高压燃烧性能进行了模拟计算。针对计算需求,对NEPE类高能固体推进剂配方进行了全新表征,提出了13个表征参数。燃速预示结果表明,该方法计算误差小于10%,精度较高,能指导高能固体推进剂高压燃烧性能研究及配方设计;同时,也说明该表征方法能反映出此类配方的本质特征。该研究为高能固体推进剂燃速预估提供了新方法。     

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.     

基于神经网络的电磁干扰的预测

提出了一种应用神经网络预测电磁干扰的方法.针对遗传算法总体搜索能力较强但容易陷入局部最优,而模拟退火算法具有较强的局部搜索能力,又能避免搜索陷入局部最优解的特点,将模拟退火算法与遗传算法相结合,优化多层前馈(BP,Back Propagation)神经网络,获取最优的权值和阈值,并采用模拟退火的思想确定隐含层神经元的个数,进而建立基于神经网络的电磁干扰预测模型.以双平行导线间的电磁干扰问题为实例,明确干扰要素,建立训练样本和测试样本,对比期望输出和预测输出之间的误差,结果表明该方法可以准确有效地进行电磁干扰预测.