基于ARIMA和支撑矢量机组合预测的惯性器件故障预报

文中提出一种基于ARIMA和支撑矢量机进行组合预测的方法,该方法综合运用ARIMA良好的线性拟合能力和支撑矢量机强大的非线性映射功能,将两种预测模型有机地组合在一起,综合各自优点,以期有效改善模型的拟合能力,获得最优预测效果.文中将该方法应用于某飞行器惯性器件的故障预报当中并进行了仿真实验.结果表明,这种方法相对于单项模型的预测具有更高的精度,对于复杂时间序列的分析和预测有很好的应用价值,在故障预报中具有广泛的应用前景.     

基于支撑矢量机的导弹惯性器件故障预报系统研究

文中针对导弹惯性器件故障预报系统的设计要求,考虑到支撑矢量机用于故障预报的优点,在导弹惯性器件的故障预报过程中应用了支撑矢量机的训练算法.把支撑矢量机、预测理论和故障诊断系统有机结合起来,建立了一个故障预报系统.利用该系统选取支撑矢量机预测模型对某导弹陀螺随机漂移进行建模和分析,实现了故障预报.实例预测结果证明,给出的支撑矢量机预测模型和训练算法是有效和可行的.     

基于多小波能量谱与SVM的导弹惯性器件故障预报

针对利用时域信号进行故障预报精度低的问题,提出一种基于多小波能量谱与支持向量机(SVM)的故障预报方法.该方法以信号在多小波域上分解形成的能量谱作为故障的诊断特征,通过距离评测准则选取最优多小波能量谱特征子集.最后将最优特征作为样本训练支持向量机.利用训练后的SVM进行故障预报,试验结果表明多小波能量谱能更有效地反映惯性器件故障特征,利用SVM与多小波能量谱结合可以得到更好的预测精度.     

基于神经网络的导弹惯性器件故障预报系统研究

在导弹武器系统当中,及时准确地故障预报对提高导弹的安全性具有极其重要的意义.针对导弹惯性器件故障预报系统的设计要求,考虑到神经网络用于故障预报的优点,在神经网络技术应用于导弹惯性器件的故障预报过程中提出了神经网络的训练算法,把神经网络、预测理论和故障诊断系统有机结合起来建立了一个故障预报系统,利用该系统选取神经网络预测模型对某导弹陀螺随机漂移进行建模和分析,实现了故障预报.实例预测结果证明,给出的神经网络预测模型和训练算法是可行的.     

基于最小二乘支撑矢量机矩阵分割算法的陀螺仪误差系数预测

介绍了支撑矢量机的回归算法.针对支撑矢量机标准算法训练速度慢的问题,给出了两种不同形式的最小二乘支撑矢量机矩阵分割算法,并将其应用于陀螺误差系数的预测中.仿真实验结果证明了算法的可行性和有效性.     

基于最小二乘支撑矢量机矩阵分割算法的陀螺仪误差系数预测

介绍了支撑矢量机的回归算法。针对支撑矢量机标准算法训练速度慢的问题．给出了两种不同形式的最小二乘支撑矢量机矩阵分割算法．并将其应用于陀螺误差系数的预测中。仿真实验结果证明了算法的可行性和有效性。     

几种基于神经网络的导弹惯性器件故障预报方法及其性能比较

研究了标准BP网络、改进的BP网络(带动量的自适应BP网络)、 L-M网络和RBF网络及其学习算法, 探讨了基于这四种神经网络的导弹惯性器件故障预报方法, 并通过仿真实验对四种网络的预测预报性能进行了分析比较.结果表明, L-M网络和RBF网络对惯性器件的故障预报比两种BP网络更准确, 收敛速度更快.     

基于小波动态神经网络的非线性系统鲁棒故障检测

针对一类满足Lipschitz条件的非线性系统,采用小波动态神经网络设计非线性观测器,以实现系统的实时鲁棒故障检测。通过小波网络逼近非线性项提高状态估计的精度,并在动态网络中加入鲁棒项增强了对不确定干扰的鲁棒性。同时采用RBF神经网络(RBFNN)对残差序列进行实时预测,实现了故障预报功能。文中证明了观测器设计的稳定性和鲁棒性,仿真示例验证了该方法的有效性。     

基于故障数据的导弹突发故障预测方法

针对导弹突发故障发生时间短,难以直接预测等问题,在一定置信度的前提下,基于故障数据对导弹突发故障预测方法进行了研究。对故障数据进行统计推断,确定了故障数据的分布规律,进而基于故障数据分布函数建立了导弹突发故障预测模型,得出了导弹未来一段时间内的突发故障概率。最后通过算例分析,验证了导弹突发故障预测模型的合理性。     

基于KPCA与LSSVM的惯性测量组合模拟电路故障诊断

针对惯性测量组合模拟电路因容差造成的软故障不易诊断的问题,将核主元分析与最小二乘支持向量机结合,应用于惯性测量组合模拟电路软故障的诊断．通过对电路频率响应的输出波形进行分析,选取不同频率下的电压值作为原始特征,利用核主元分析提取主要特征,然后利用最小二乘支持向量机对各种状态下的特征向量进行分类决策,实现惯性测量组合模拟电路的软故障诊断．仿真结果表明,该方法计算简单,能够准确诊断软故障,具有较高的识别率．     

基于支持向量机集成的导弹发动机压力预测

针对导弹发动机压力下降难以预测的问题,根据某型导弹发动机压力实测数据,首先将实测数据进行插值处理,然后利用前5组数据为输入数据,后一组数据为预测数据,采用支持向量机集成方法对导弹发动机压力进行模型辨识,实现导弹发动机压力预测.通过对3组发动机压力实测数据进行仿真分析,发现支持向量机集成预测误差最大为0.102%,满足导弹发动机压力预测要求,对导弹发动机压力预防性维修具有重要作用.     

基于支持向量机的装备故障诊断研究

支持向量机（SVM）是统计学习理论（SLT）的一种成功实现,它建立在SLT的VC维理论和结构风险最小化原理基础之上,能够较好地克服神经网络容易出现的过学习和泛化能力低等缺陷.提出了一种基于支持向量机的装备故障诊断方法,应用该方法成功地对某型装备几种典型故障进行了正确诊断.在对检验样本施加噪声后,支持向量机构成的故障分类器仍然能够满足发动机故障诊断要求,表明提出的故障诊断算法具有良好的鲁棒性和推广性.     

基于自适应助推算法的集成支持向量机在柴油机故障诊断中的应用

利用支持向量机( SVM)进行机械故障诊断时,分类效果与核函数紧密相关。但核函数的选取一直缺少明确的理论指导,而且由于学习过程中常采取近似计算,致使分类结果远非期望水平。本研究首先利用匀幅、互信息指标构造特征向量;而后基于自适应助推法得到一系列基本SVM;并基于多样性准则对这些基本SVM进行筛选,最后对满足条件的基本SVM加权得到集成SVM。将集成SVM应用到某型坦克柴油机的故障诊断中,性能评价及分类结果表明,集成SVM比单- SVM具有更好的分类性能,故障诊断准确率更高。     

基于二叉树支持向量机的某型装备故障诊断研究

提出了一种基于二叉树支持向量机的某型装备故障诊断方法,应用该方法构造了多故障分类器,并通过某型装备故障实例验证了该方法故障诊断结果的正确性,证明了该故障诊断方法具有良好的鲁棒性和推广性。     

惯性冗余系统奇偶向量法故障检测与识别技术研究

为使惯性冗余系统达到故障检测与识别的功能,对惯性冗余系统的奇偶向量在有、无故障的不一致情况下进行了研究．介绍了单自由度惯性仪表和双自由度惯性仪表广义似然比故障检测与隔离方法．通过对奇偶向量的分析及仿真,给出了最优化故障检测与隔离算法．该结果表明,采用奇偶向量法确实可以提高冗余惯性系统的故障检测与识别的性能,可以解决其软故障的检测问题．     

基于粗糙集和支持向量机的武器系统效能评定

首先利用粗糙集理论中的条件信息熵算法对系统特征参数进行了约简，提取出了关键特征参数，在此基础上再利用支持向量机算法对武器系统效能进行了评定．最后通过对弹道导弹武器系统效能进行评定，验证了该方法的有效性．