基于后验风险确定故障样本量的Bayes方法

针对目前测试性故障样本量的确定方法过于粗糙和试验样本量过大的问题,提出了合理运用信息熵方法对装备系统各单元的测试性先验信息进行信息融合,得到装备系统级测试性试验数据。在此基础上得到测试性指标的先验分布,并进一步通过Bayes后验风险准则确定故障样本量及试验方案。以某型电动舵机系统各模块的试验数据为例,以故障检测率为测试性指标,经过分析和计算,发现运用所提方法得到的故障样本量相比传统方法明显减少,从而减少了试验成本,同时得到的测试性指标相对误差较小,保证了可信度。     

考虑自动驾驶仪动态特性与攻击角约束的模糊自适应动态面末制导律

在大口径舰炮制导炮弹打击近岸机动目标的末制导段,考虑自动驾驶仪二阶动态特性与攻击角约束,基于模糊自适应逼近与动态面控制提出一种末制导律。构建二维弹目相对运动模型,运用扩张状态观测器估计目标加速度。为零化视线角的跟踪误差与视线角速率,采用自适应指数趋近律设计非奇异终端动态面滑模,设计模糊自适应系统逼近变结构项,削弱自动驾驶仪的控制指令抖振。通过Lyapunov第二法证明了闭环系统中视线角的跟踪误差与视线角速率均一致最终有界。仿真实验表明:该制导律使制导炮弹在打击具有不同加速度形式的目标时,均具备较好的末制导性能。     

基于蒙特卡罗的单无人机侦察平台误差修正方法研究

为满足舰炮武器系统对目指精度的要求,建立了一种以小型无人机为中继站的目标定位模型。主要是以无人平台上搭载的电视图像传感器与激光成像雷达传感器相结合进行共轴探测,通过对无人机视场范围内的显著地形地貌进行标记,完成坐标转换,消除无人机自身定位误差及随机误差。通过传统无人机目标定位和所提方法的对比,对同一目标进行定位。结果表明,提出的方法在目指精度上有了较大提高。     

多输入混合深度学习网络的健康因子构建方法

工业大数据具有多类型、多维度的特点,单一类型的深度学习网络结构无法充分提取数据中包含的性能退化特征。针对上述问题,提出一种可同时融合处理一维时间序列数据和二维图像数据的多输入混合深度学习网络健康因子构建模型。根据输入数据类型特点搭建的混合深度学习网络包含时间特征提取层、空间特征提取层、融合层和全连接层。时间特征提取层主要由叠加的多个长短时记忆(long short-term memory, LSTM)网络构成,用于提取一维时间序列数据中蕴含的时间特征。空间特征提取层主要由深度卷积神经网络(deep convolutional neural network, DCNN)构成,用于提取二维图像数据中的空间特征。融合层将时间特征与空间特征融合。最后,利用全连接层输出健康因子值。滚动轴承全寿命周期试验结果表明:本文提出的多输入混合深度学习网络的健康因子构建方法能够深度挖掘不同数据类型包含的性能退化信息,有效降低了性能退化曲线的离散性,有助于减小剩余寿命预测结果的不确定性,同时在一定程度上提高了单调性和趋势性,提高了剩余寿命预测精度。     

基于改进受限玻尔兹曼机的滚动轴承健康因子构建方法

针对传统方法构建的健康因子各类性能指标不高、信息冗余的问题，提出一种基于改进受限玻尔兹曼机(restricted Boltzmann machine, RBM)的滚动轴承健康因子构建方法。首先，提取滚动轴承振动监测信号时域、频域特征组成物理健康因子集。其次，将RBM隐藏层节点数随时间变化斜率引入到正则化项中，提取物理健康因子集中的趋势性特征。最后，利用滚动轴承全寿命周期试验验证所提方法的有效性。实验结果表明，相对于主成分分析(principal component analysis, PCA)法、传统RBM虚拟健康因子构建方法，基于改进RBM构建的虚拟健康因子单调性分别提高178.0%和33.3%,趋势性分别提高126.8%和16%,鲁棒性分别提高60%和6.02%。     

潜艇隐蔽攻击能力分析方法研究

纯方位定位系统是复杂的非线性系统,所有的估计算法都是次优的。理想估计器是工程估计器的性能上限,在理想估计器下的潜艇隐蔽攻击效率是最高的,针对其在工程上无法实现,讨论了这种最大值的数量特性。提出了“隐蔽攻击能力上限”的概念,分别给出了求解估计器精度和收敛时间意义下隐蔽攻击能力上限的仿真流程。最后,进行了计算机仿真试验和结果分析,得到了一些有价值的结论。     

多输入混合深度学习网络的健康因子构建方法

工业大数据具有多类型、多维度的特点,单一类型的深度学习网络结构无法充分提取数据中包含的性能退化特征。针对上述问题,提出一种可同时融合处理一维时间序列数据和二维图像数据的多输入混合深度学习网络健康因子构建模型。根据输入数据类型特点搭建的混合深度学习网络包含时间特征提取层、空间特征提取层、融合层和全连接层。时间特征提取层主要由叠加的多个长短时记忆(long short-term memory, LSTM)网络构成,用于提取一维时间序列数据中蕴含的时间特征。空间特征提取层主要由深度卷积神经网络(deep convolutional neural network, DCNN)构成,用于提取二维图像数据中的空间特征。融合层将时间特征与空间特征融合。最后,利用全连接层输出健康因子值。滚动轴承全寿命周期试验结果表明:本文提出的多输入混合深度学习网络的健康因子构建方法能够深度挖掘不同数据类型包含的性能退化信息,有效降低了性能退化曲线的离散性,有助于减小剩余寿命预测结果的不确定性,同时在一定程度上提高了单调性和趋势性,提高了剩余寿命预测精度。     

基于UV线的几何旋转变形回弹补偿算法

针对汽车高强钢板结构件的特点和回弹变形规律,提出了一种基于UV(等参)线的几何旋转变形回弹补偿算法.该算法利用UV线对曲面进行离散,通过截面线的旋转变形原理获得离散点的变形量,并以曲面原有UV方向对变形后的离散点进行曲面重构.该算法考虑了冲压方向的回弹补偿修正量,以满足冲压工艺性.介绍了几何旋转变形算法的实现流程,并利用CAA(组件应用架构)技术将算法与CATIA(计算机辅助三维交互应用)平台无缝集成,以获得较高质量的模具几何补偿型面,可以直接用于数控加工.最后以一个典型的高强钢板汽车结构件的几何旋转变形回弹补偿来验证该算法的有效性和可行性.     

PROMETHEE优先函数选择与参数配置方法

偏好顺序结构评估(preference ranking organization methods for enrichment evaluations， PROMETHEE)-Ⅱ方法是一种重要的多属性决策(mutiattribute decision making, MADM)方法。提出一种基于经典规划的鲁棒性分析方法用于解决PROMETHEE-Ⅱ参数求解问题,提供在信息条件不完全情况下的鲁棒性判别条件和设计步骤,并通过分析计算验证了这种方法的有效性。为PROMETHEE-Ⅱ权重的设置提供了新的思路,这种方法同时也可用于解决其他多属性决策问题。     

不完全信息下的ELECTRE权重鲁棒性分析方法

就ELECTRE-Ⅲ的权重提出了一种基于线性规划的鲁棒性分析方法,给出了不完全信息条件下的鲁棒性判别条件和鲁棒性设计步骤。分析计算结果表明这种方法是实用有效的,为ELECTRE-Ⅲ权重的设置提供了新的思路,同时对其他多属性决策方法也有适用性。