基于SCKF的光电跟瞄系统等效复合控制

由于高能激光武器独特的毁伤机理要求其光电跟踪瞄准系统的控制精度达到微弧度级,因此由跟踪目标加速度带来的跟踪误差已不可忽略。提出了一种速度与加速度前馈补偿以提高光电跟瞄系统跟踪精度的方法,推导了该系统加速度前馈补偿的误差系数。为获得高精度的目标运动要素,应用平方根容积卡尔曼滤波(square〖JP3〗 root cubature Kalman filter, SCKF)算法对目标进行滤波预测。在建立的等效复合控制系统中进行仿真实验,结果表明,基于SCKF前馈补偿方法相对于基于常用非线性卡尔曼滤波算法的前馈补偿方法,精度得到大幅提高。     

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。     

改进的冗余第二代小波包及其故障诊断应用

针对冗余第二代小波包分解存在频带错位与误差积累缺陷,分析了其产生的原因,研究了相应的消除算法,并将频带错位与误差积累消除算法融合,提出了一种改进的冗余第二代小波包变换.该变换既避免了冗余第二代小波包变换中存在的频带错位缺陷,又消除了误差积累缺陷,非常适合于机械故障信号的预处理,并成功应用于直升机齿轮箱故障诊断中.应用结果表明:相比于冗余第二代小波包变换与第二代小波包变换,改进的冗余第二代小波包能实现对信号无频带错位、无误差积累、无频率折叠地分解,能更准确有效地提取隐藏在强噪声和其他强干扰背景下故障特征信息.     

基于零相位非抽样小波的微弱特征提取

为消除正交小波非对称性引起的非线性相位对分解结果的不利影响,结合零相位滤波原理与非抽样小波变换,提出了一类具有零相位特性的小波非抽样分解算法——零相位非抽样小波变换.为了降低零相位非抽样小波变换的计算量,采用基于重叠保留法与圆周卷积相结合的快速卷积算法代替传统卷积算法.零相位非抽样小波变换不仅克服了Mallat算法中因隔点采样环节造成的平移可变与频率折叠等诸多缺陷,也消除了传统非抽样小波变换分解结果出现移位与畸变的不足,非常适合于微弱特征提取.通过电机轴承故障诊断实例分析证实了该算法可用于提取微弱故障特征.     

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。     

改进的卷积型小波包分解及在故障诊断中的应用

针对卷积型小波包分解存在频带错位与频带重叠缺陷,提出了一种改进的卷积型小波包分解算法。该算法通过交换偶数位置节点小波包分解后的两节点顺序来消除频带错位缺陷,引入两算子分别从频域除去低、高频子带理想通带范围外的频率成分以消除频带重叠缺陷。由构造的故障信号进行仿真实验,并使用某直升机中减速器疲劳实验的故障数据进行了验证。结果表明:由于消除了卷积型小波包和内积型小波包分解算法中广泛存在的频率折叠、频带重叠和频带错位缺陷,改造的卷积型小波包分解算法能更方便、更有效地提取隐藏在强噪声和其他强干扰背景下的故障特征信息,从而为机械故障的诊断提供了一种强有力的分析手段。     

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。