基于改进多层核超限学习机的模拟电路故障诊断

为兼顾模拟电路多故障诊断的实用性和诊断精度,基于仿真诊断模型的测试性应用框架,结合深度学习与核方法的优势,提出一种多层单纯形优化核超限学习机（ML-SOKELM）方法。将有效初选后的数据集输入多层核超限学习机逐层提取故障特征并进行诊断;训练过程中,将各层核参数向量视为待优化变量,运用单纯形法对其进行联合优化。实验结果表明：与常见的深度学习方法相比,ML-SOKELM方法对主观经验依赖性更低,在训练时间大大缩短的同时,还能获得与之相当的准确率;与流行的核方法相比,ML-SOKELM方法在不同模糊度阈值下均能获得较高的诊断准确率。     

基于改进离散粒子群优化算法的容差电路故障特征提取

采用故障信息量对容差电路输出信号中的故障征兆进行描述,采用等间隔选取特征点、单特征点诊断信息量最大和多特征点联合诊断信息量最大3种不同的特征子集选取规则,提出了基于改进映射函数、自适应权重、基于自然选择以及基于自然选择和自适应权重的4种离散粒子群优化（BPSO）算法对特征子集进行搜索的方法,并将获取的不同最佳特征子集分别用于训练不同的神经网络,并用训练好的神经网络完成容差电路的故障定位。仿真实验结果证明了容差电路故障特征子集的改进BPSO搜索算法的有效性,故障定位效率可达95.2%. 采用故障信息量对容差电路输出信号中的故障征兆进行描述,采用等间隔选取特征点、单特征点诊断信息量最大和多特征点联合诊断信息量最大3种不同的特征子集选取规则,提出了基于改进映射函数、自适应权重、基于自然选择以及基于自然选择和自适应权重的4种离散粒子群优化（BPSO）算法对特征子集进行搜索的方法,并将获取的不同最佳特征子集分别用于训练不同的神经网络,并用训练好的神经网络完成容差电路的故障定位。仿真实验结果证明了容差电路故障特征子集的改进BPSO搜索算法的有效性,故障定位效率可达95.2%.     

基于多源信息融合的火炮装填状态监测与故障诊断系统

针对火炮装填系统故障成因复杂、诊断方法不足等问题,提出一种基于多源信息融合的火炮装填监测与 故障诊断的方法。采用知识决策属性进行属性分类,构建神经网络训练模型,对自动装填系统故障进行定性分析并 建立故障诊断辨识框架,根据故障决策准则得出故障判断,解决了故障特征的不确定性、故障模式多样性的问题。 实例分析结果表明,该方法达到了有效提高故障诊断确诊率的目的。     

模糊资源约束的飞机消耗件联合补充研究

针对不确定环境下飞机消耗件联合补充的问题,建立模糊资源约束的消耗件联合补充模型。以最小化费用为目标,运用模糊数学规划,将模糊约束模型转换为确定约束模型。为提高模型的求解速度和效果,提出综合考虑种群特征、个体特征和种群进化阶段特征的改进自适应遗传算法,并通过仿真实例,对比分析模糊约束模型和确定约束模型的结果,以及一般遗传算法和改进自适应遗传算法的性能。结果表明：改进自适应遗传算法能保持种群多样性,具有良好的收敛性,算法搜索速度快,寻优能力强,其求解的精度和速度均优于一般遗传算法。     

基于模糊多模型结构的飞行控制系统执行器故障诊断

为了解决一类飞行控制系统执行器故障诊断问题,本文将Takagi-Sugeno(T-S)模糊模型与多模型技术相结合,提出了一种模糊多模型方法。该方法的特点是:利用T-S模糊模型对非线性系统进行描述、建模;根据特定的故障,利用多模型技术建立了局部自适应未知输入观测器。通过所提出的诊断方法,当飞行控制系统的执行器发生故障时,故障参数能被在线逼近,使所设计的模糊自适应未知输入观测器模型与系统故障状态匹配,从而达到故障检测的目的。利用某飞机模型进行的仿真,表明了本文方法的有效性。     

基于注意力机制与深度学习算法的机床主轴系统故障辨识

针对具有复杂非线性特点的数控机床主轴系统整体动态退化故障较难辨识及故障研究难度大的问题,从数据分析入手,提出一种基于注意力机制与深度学习算法的智能化故障辨识方法,研究机床主轴系统的整体故障辨识问题。该方法设计了注意力机制的研究框架,将研究问题分为全局纵向大分类区间和局部横向细粒度区间两个维度：采用训练并调优后推理平均绝对误差达到0.028 7的门控循环单元模型,辨识出大分类区间的全局性退化故障;采用鲁棒性强且辨识准确率达99.7%的残差网络模型,在sym8小波基自适应软阈值降噪的基础上对局部细粒度区间故障进行准确细节辨识。结果表明：该方法可量化地辨识出主轴系统的整体故障;所提注意力机制可使大分类区间无法准确辨识的故障在细粒度区间得到有效区分,类内数据增长梯度由6.6%增加到43.8%;通过对机床主轴系统实际使用中在空载状态下遇到的不对中和局部共振等典型故障,以及在负载加工状态下故障的辨识研究,验证了所提方法的有效性与准确性。     

可适应稀疏度变化的非均匀范数约束水声信道估计算法

对于具有典型时频双重扩展特性的水声信道,利用其稀疏分布特性在估计算法中引入范数约束可提高信道估计性能。但当水声信道多径稀疏度变化时,经典的l₀或l₁范数约束由于缺乏对不同稀疏模式的适应性,将导致性能下降。通过引入非均匀范数约束自适应算法并对其进行收敛性分析,针对水声信道稀疏度变化利用该算法通过非均匀范数的形式提高适应性。不同接收深度水声信道的仿真及海上实验结果表明,该算法相对经典的l₀或l₁范数约束算法有较明显的性能改善。     

基于直觉模糊的无人机系统故障维修分配方法研究

针对现有武器系统故障维修分配方法仅以系统维修度为约束条件而过于简化这一不足,提出基于直觉模糊约束的无人机系统故障维修分配方法。结合实际存在的约束资源模糊等情况,建立直觉模糊规划模型,在给定条件下,将其转化为确定型线性规划,并通过实例运用对模型进行了验证。结果表明:该方法能从正反两方面提供令人满意的解,为无人机系统故障维修分配的优化提供科学依据。     

控制系统故障模式及特征分析

分析了常见的故障分类方法.针对当前故障分类模糊,故障信息融合诊断方法适用范围界定困难等问题,从故障诊断的需要出发,将故障划分为单现象故障、多现象故障和未知故障.分析了一些典型控制系统故障模式,根据时间属性的不同,将故障特征划分为功能型特征、指标型特征和过程型特征,为故障信息融合诊断方法研究奠定了基础.     

基于神经网络的模型参考自适应控制方法

针对传统基于模糊神经网络的模型参考自适应控制方法的一些不足,提出了一种基于BP神经网络的模型参考自适应控制结构,并对所使用的BP网络学习算法进行了分析改进。对比分析采用传统自适应方法和改进的自适应方法时,不同的控制仿真结果表明,改进后的方法可以有效地抑制神经网络的“过学习”现象,减小了对神经网络辨识器精度的依赖程度,改进效果显著。     

基于LLSO-MKELM 算法的观瞄故障诊断

针对装甲车辆的观瞄系统,提出一种基于多核极限学习机(multi kernel extreme learning machine,MKELM) 的故障诊断模型。利用分级粒子群优化算法(level-based learning swarm optimizer,LLSO)优化模型参数,利用采集 历史数据进行仿真实验。结果表明：MKELM 有更好的诊断准确度,并且LLSO 可解决MKELM 相对较多的参数带 来的训练速度较慢的问题;与经典的粒子群算法(particle swarm optimization,PSO)相比,LLSO 有着更快的优化速 度,证明了LLSO-MKELM 可用于观瞄系统故障诊断,并且有着良好的训练速度和准确度。     

ELM-AdaBoost 模型在光纤陀螺温度误差补偿中的应用

针对光纤陀螺零偏与温度之间复杂的非线性关系,引入极限学习机(extreme learning machines,ELM)模 型补偿光纤陀螺的零偏温度误差;针对单个ELM 在预测准确性和稳定性不足及其对奇异样本敏感的问题,引入自适 应增强算法(adaptive boosting,AdaBoost)建立ELM-AdaBoost 预测模型改善光纤陀螺性能,分析光纤陀螺的温度误 差机理及模型参数对预测精度的影响,给出ELM 算法隐含层神经元个数及AdaBoost 算法迭代次数的确定方法。仿 真结果表明：基于ELM-AdaBoost 预测模型的补偿效果优于多元线性回归模型和单个ELM 神经网络模型,并具有良 好的泛化性能和温度适用性,补偿后陀螺零偏均方根误差降低93%以上,显著改善了光纤陀螺零偏稳定性能。     

基于MI-PCA 和ML-AE-ELM 的脱硝系统入口NOx 质量浓度预测

为提高脱硝系统入口氮氧化物(nitrogen oxide,NOx)质量浓度的预测精度,提出一种基于互信息的主成分 分析(principal component analysis,PCA)和多层自编码结构的极限学习机(extreme learning machine,ELM)组合算法 的预测模型。对输入变量的选取方式进行完善,并加入历史NOx 质量浓度,对预测算法的网络结构进行优化。实验 结果表明：与其他预测算法模型相比,该模型具有较高的预测效率,在不同工况下均具有较高的预测精度,表现出 良好的抗噪能力和泛化能力。     

基于极限学习机模型的粒子滤波无设备定位方法研究

在无线通信环境中,无线射频信号易受到干扰,强度波动较为明显。为定量描述和分析目标位置与无线信号强度之间复杂、多变的关系,更加精准地估计目标位置,提出了基于极限学习机（ELM）模型的粒子滤波（PF）无设备定位算法。该算法包括ELM模型构建（离线阶段）和目标位置估计（在线阶段）。在ELM模型构建阶段,建立目标在不同位置与链路（发射节点与接收节点之间的通信链路）信号强度变化的离线数据库,利用ELM构建目标位置与无线射频信号强度的映射关系。在目标位置估计阶段,通过映射关系结合PF实现目标位置的跟踪。实验结果表明,所提算法不仅有效地解决了目标位置与无线射频信号强度的映射关系,而且比高斯过程模型-PF、支持向量机-PF等现有算法显著提高了目标跟踪精度。     

面向发动机故障诊断精度的深度随机森林优化研究

为解决装备故障检测存在故障数据少,难以应用深度学习方法提高性能的问题,提出一种基于优化深度 随机森林的提高装备故障诊断精度方法。根据数据集合数据的特点,构建重采样的样本集合决策树模型,通过对故 障数据中的连续数值进行C4.5 决策树离散化处理,使用扩张卷积方法扩展滑动窗口的感测范围,对训练模型进行实 验验证。实验结果表明,运用深度随机森林的方法对提高装备故障诊断有一定借鉴作用。     

基于气动参数辨识的飞控系统传感器故障估计

气动参数的不确定性使得飞行器表现出明显的模型时变特点,此类系统的故障诊断问题是一个难点。以无人机纵向运动为研究对象,提出一种基于气动参数辨识和迭代学习的传感器故障估计方案。将增广容积卡尔曼滤波（ACKF）算法用于气动参数估计,实现飞机模型的在线辨识。故障一旦发生,将辨识得到的气动参数用于局部包络建模,并利用迭代学习算法构造传感器故障估计器。此外,为提高故障的迭代收敛速度,提出一种基于扩张状态观测器(ESO)思想的迭代学习算法。故障仿真实验表明了所提方法的可行性和有效性。     

基于核PCA的智能图像分析算法

提出了一种基于核PCA的智能图像分析算法，该算法将非线性数据映射到高维特征空间，能自动创建新的聚类并且连续调整聚类以适应于新目标，从而提高目标识别系统的性能。重点研究了基于核PCA算法在径向基神经网络中的应用，提出一种核PCA—RBF网络模型，并进行了目标检测、分割和无人监督目标分类的仿真实验。     

基于大数据分析技术的战场态势分析及预测

针对信息化条件下联合作战产生的海量、多源、复杂的战场数据,提出一种Hadoop 分布式数据处理平台。 收集海量数据进行战场态势(battle field situation,BS)要素分析,用粒子群算法(particle swarm optimization,PSO) 优化极限学习机(extreme learning machines,ELM)的方法对战场态势历史数据进行训练,构建战场态势预测模型; 并采用Matlab2018 对战场态势进行模拟仿真。仿真结果表明：Hadoop 处理海量战场数据效率更高,可有效提高战 场态势的预测精度,为辅助指挥员快速掌握复杂战场态势提供新的方法和途径。     

基于支持向量机的模拟电路故障诊断方法

支持向量机（Support Vector Machines，SVM）故障分类器，在不易取得训练样本的情况下，实现较高准确率的故障诊断，并且具有较强的通用性和实用性。提出三种支持向量多类分类器（一对一算法、一对多算法，以及改进型一对多算法），通过将其应用到实际电路进行故障诊断当中对其性能进行比较，得出串行支持向量机无论在分类速度上还是在分类精度上都好于其它两种方法，核函数的选择对故障诊断的性能也存在着一定的影响。