排序方式: 共有5条查询结果,搜索用时 31 毫秒
1
1.
非全姿态惯性平台小角度射前自标定方法 总被引:1,自引:0,他引:1
为实现非全姿态惯性平台全装弹状态下的射前自标定,提高导弹射击精度,提出了非全姿态惯性平台在小角度状态下射前自标定方法。通过对导弹飞行过程中平台的受力分析,确定了平台误差模型中产生漂移最主要的六项误差系数,设计了使平台转动到预设角度并自动锁定的控制电路,控制平台在初始和小角度倾斜两位置处锁定,使六项误差系数受到重力加速度的有效激励,最后利用构建的闭环力矩反馈回路进行测漂,分离出各误差系数。精度分析表明,标定精度能够很好地满足系统要求。与传统方法相比,该方案利用小角度倾斜状态实现三轴同时测漂,仅需平台在两个位置间转动一次,其自标定时间缩短为借助转台多位置标定时间的25%。 相似文献
2.
准确预测锂离子电池剩余使用寿命对于掌握其健康状况和管理备件资源具有重要作用.现有锂电池剩余寿命预测方法大多局限于以循环次数为主的预测结果,本质上属于面向单一时间尺度的方法,忽略了锂电池健康状态受循环次数与工作时长双重时间尺度下的退化综合影响的现实问题.提出一种双时间尺度下基于Transformer的锂电池RUL预测模型.该方法选取容量作为表征其性能退化的关键指标,通过Kalman滤波和滑动时间窗对电池容量数据进行处理获取训练集和测试集,有效提取双时间尺度中蕴含的寿命信息,并充分考虑不同时间尺度寿命信息间的相互关系,建立容量与双重时间尺度的映射关系,实现了锂电池在双时间尺度下的RUL准确预测.通过锂电池实例验证了所提方法的有效性和潜在应用价值. 相似文献
3.
4.
基于多传感器对复杂工业设备的多元健康状态进行监测,进而实现设备更全面准确的性能评估、剩余寿命预测与健康管理已逐渐推广应用。针对一类监测数据呈现大规模、非线性、高维化等特点的多元退化设备,提出了一种基于连续深度置信网络(CDBN)与双向长短期记忆(BiLSTM)网络的剩余寿命预测方法。首先,通过CDBN对监测到的性能退化数据进行分析,提取出反映多元退化设备隐含深层次特征的健康指标;然后,根据构造的健康指标,利用BiLSTM网络挖掘其时序信息和退化趋势,预测多元退化设备的剩余寿命;最后,利用蒙特卡洛仿真技术得到剩余寿命的区间估计,并通过商用模块化航空推进系统数据集验证所提方法的有效性和先进性。结果表明:所提方法能够有效提高此类设备的剩余寿命预测准确度,具有潜在的应用价值。 相似文献
5.
准确预测滚动轴承剩余使用寿命(remaining useful life, RUL),对于保证工程设备安全稳定可靠运行具有极其重要的作用.现有深度学习预测方法往往直接建立振动监测数据与剩余寿命之间的映射关系,通常忽略滚动轴承性能退化的不同状态差异性,且并未考虑深度学习模型所提取各类特征的差异性,给剩余寿命预测结果带来了极大的偏差.鉴于此,提出一种新型滚动轴承退化状态划分方法和RUL预测方法.提取轴承振动信号的特征,利用Mann-Kendall检验法进行趋势判断,确定出退化期的起始点;通过归一化奇异值相关系数走势确定出慢速退化期的终点;构建基于融合注意力机制的双向长短时记忆网络(bidirectional long short-term memory with attention, Bi-LSTM-Att)的滚动轴承RUL预测模型,利用所截取的慢速退化期数据与对应RUL标签训练预测模型实现RUL预测.通过轴承公开数据集验证所提方法对轴承RUL预测的准确性和有效性. 相似文献
1