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%。     

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。     

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。     

考虑齿隙的多约束导引控制一体化设计方法

在舰炮制导炮弹进行远程对岸火力支援的末段, 考虑舵机齿隙、限定攻击角以及测量视线角速率受限, 提出了一种基于动态面滑模与扩张状态观测器的多约束导引控制一体化设计方法。构建了制导炮弹的导引控制一体化的严反馈串级模型, 将舵机视为更符合实际的含齿隙双惯量子系统。针对视线角速率和风等未知干扰, 设计扩张状态观测器对其实施迅速而准确的估计。设计具备自适应指数趋近律的非奇异终端滑模, 致使视线角速率与视线角跟踪误差在有限时间内零化。在高阶串级系统中合理运用动态面滑模, 有效改善微分膨胀问题。运用Lyapunov理论证明了系统一致最终有界性以及重要状态的有限时间收敛性。通过对比仿真实验, 在所提方法的调控下, 含有舵机齿隙的制导炮弹在打击固定与蛇形机动目标时, 均具有良好的制导性能。     

基于RCNN-ABiLSTM的机械设备剩余寿命预测方法

针对机械设备的关键退化信息易淹没在非线性、多维度、长时间、大规模监测数据中的问题，提出了一种基于残差卷积神经网络和注意力双向长短时记忆网络融合(residual convolutional neural network-attentional bidirectional long short-term memory network, RCNN-ABiLSTM)的机械设备剩余寿命预测方法。首先通过训练RCNN提取监测数据的深度空间特征；然后通过引入注意力机制，优化双向长短时记忆网络提取时间相关特征的权重参数，加强关键退化信息对剩余寿命预测的表达；最后通过航空发动机数据集验证了方法的有效性。分析结果表明，对于运行条件复杂和故障模式多变的多维监测数据，所提方法能够准确寻找退化时间点，有效提高长时间运行设备的剩余寿命预测准确度。     

带多约束的多弹分布式自适应协同导引律

针对网络化制导弹药打击近岸机动目标的末制导段,基于协同一致性理论与Lyapunov稳定性理论,提出了一种分布式模糊自适应协同导引律。考虑攻击角约束和视线角速率测量受限,构建协同导引系统的状态空间。设计扩张状态观测器(extended state observer, ESO)迅速准确地观测出在视线切向、法向与侧向上的不确定干扰。在视线切向,运用积分滑模设计分布式协同控制量,保证命中时刻在有限时间内趋于一致。在视线法向与侧向,设计了具有自适应指数趋近律的非奇异终端滑模,运用了弹目相对距离与接近速率信息,使终端视线角跟踪误差与视线角速率在有限时间内收敛至零。引入具有万能逼近性的模糊自适应系统(fuzzy adaptive system, FAS),既消除了由滑模切换项诱发的控制量高频抖振,又确保了系统一致最终有界(uniformly ultimately bounded, UUB)。仿真实验表明:与非奇异终端滑模方法相比,该导引律使组网弹药能够以更好的导引性能攻击机动目标。     

基于多尺度AlexNet网络的健康因子构建方法

针对目前健康因子构建方法存在的单调性和趋势性不够理想的问题，提出一种基于多尺度AlexNet网络的轴承健康因子构建方法。该方法首先利用连续小波分析将原始振动加速度信号转换为时频图，将时频图作为输入对多尺度AlexNet网络进行训练；然后利用训练好的网络在线构建测试轴承健康因子；最后根据健康因子评估准则评估初步构建的健康因子，利用评估结果调整网络参数，实现迭代优化，进一步提高健康因子的单调性和趋势性。实验对比分析结果表明：该方法显著提高了健康因子的单调性与趋势性，不需要进行特征提取、特征选择、特征融合等步骤，具有较高的构建效率和泛化性。     

周转斜盘发动机动力学分析与优化

为对某型周转斜盘发动机的动力学特性进行优化,建立了其连杆力模型、反作用转矩模型、接触转矩模型及主轴转矩模型.在对各数学模型进行仿真分析的基础上,提出设置2°的周向原始位移以保证反作用转矩始终为正,更改直导槽约束机构为“∞”型导槽约束机构以降低接触转矩和主轴转矩的波动幅度、减小滚轮与导槽的接触力、保证发动机主轴良好的输出特性.仿真研究表明:采用“∞”型导槽约束机构,并设置2°的周向原始位移,可优化周转斜盘发动机的动力学特性.     

基于时间序列数据扩增和BLSTM的滚动轴承剩余寿命预测方法

针对滚动轴承全寿命周期监测数据不足导致剩余寿命预测精度不高的问题, 提出一种基于时间序列数据扩增和双向长短时记忆(bidirectional long-short term memory, BLSTM)网络的剩余寿命预测方法。首先, 采集训练用滚动轴承全寿命周期振动加速度和测试轴承振动加速度数据。其次, 对采集得到的原始数据预处理后提取健康因子, 将训练用数据和测试数据分别构成参考数据集和目标数据集。然后, 以参考数据集为基础, 利用动态时间规整算法扩增目标数据集数据。最后, 使用数据扩增后的测试数据训练BLSTM网络, 利用训练好的BLSTM网络预测滚动轴承性能退化趋势和剩余寿命。实验结果表明, 基于动态时间规整算法的数据扩增模型能够根据已有全寿命周期数据, 扩增性能退化过程相似的滚动轴承运行数据, 利用扩增数据训练BLSTM网络, 能够有效提高性能退化趋势预测能力, 进而提高剩余寿命预测精度。