基于优化的非等间隔灰色理论和BP神经网络的身管磨损量预测

针对火炮身管烧蚀磨损量预测中存在的数据采样时间间隔不均匀、采样难度大、成本高、数据量小,常规数据拟合和预测方法难以处理等问题,提出一种基于改进的非等间隔灰色理论和BP神经网络的组合预测方法。通过组合预测模型对某型火炮身管的烧蚀磨损量进行预测,实例分析表明该组合预测模型具有较高的预测精度,为身管内膛磨损量的预测提供了一种新的技术途径。     

基于ANGM(1,1)和PSO-BP神经网络组合模型的身管烧蚀磨损量预测

在火炮射击过程中,身管烧蚀磨损会对火炮性能产生不利影响,烧蚀磨损量预测对提高火炮性能及寿命均有较大意义。由于常规数据拟合和预测方法在预测火炮身管烧蚀磨损量时存在较大的误差,在分析传统预测模型优化方法的基础上,针对身管烧蚀磨损量具有单调性和波动性特点,提出了改进的灰色模型ANGM(1,1),并结合基于粒子群算法优化的BP神经网络模型,建立了ANGM-PBP组合模型。对实弹射击测得的16组试样的实例应用分析表明,该组合预测模型的相对误差在±3%以内,平均相对误差低至0.74%,说明该组合模型的精度较高,适应性和可靠性均有所增强。该研究为火炮身管寿命预测提供了解决方案。     

基于BP神经网络和遗传算法的扫雷参数优化

针对扫雷作战仿真中的参数优化问题,论述了BP神经网络和遗传算法在扫雷参数优化中的应用。首先对某作战背景下的扫雷作战效能进行了详细分析,给出了雷区清扫率的计算方法;然后利用BP神经网络建立了扫雷参数与雷区清扫率之间的数学模型;最后通过遗传算法对扫雷参数进行优化研究。研究结果表明,该方法能够较精确地建立扫雷作战效能模型,并能快速搜索到最优扫雷参数组合条件。     

基于BP神经网络与遗传算法的强光爆震弹装药优化

为降低强光爆震弹在使用中潜在的安全威胁,以非致命效应为出发点,采用均匀设计法进行了配方设计,基于BP神经网络,建立了装药性能预测模型,并采用神经网络与遗传算法相结合的方法进行了装药优化。通过声光效应试验对优化结果进行了验证,得到了最优配方:w_(KClO_4)/w_(Al)/w_(CS)/w_(环氧树脂)/w_(石墨)=48/32/15/2/3。结果表明,通过装药配方的优化,提高了闪光爆震弹的综合性能,为防暴弹的性能改进提供了新的思路和方法。     

基于遗传算法优化BP神经网络的供暖系统热负荷预测模型

针对供暖系统热负荷短期预测问题,利用改进的遗传算法(genetic algorithm,GA)对BP神经网络(back propagation neural network)的初始权值和网络结构进行优化,并在遗传进化过程中采取保留最佳个体的方法。该方法克服了一般BP网络初始权值的随机性和网络结构训练过程中的所带来的网络震荡,以及一般BP网络容易陷入局部极小等问题。同时结合一般BP神经网络方法进行仿真实验和分析比较,结果表明:该方法具有全局寻优能力,预测精度高,绝对和相对误差较小,收敛速度快,能够有效针对供暖系统热负荷进行短期预测。     

身管熔化烧蚀的预测数学模型

熔化烧蚀是火炮身管内膛烧蚀的机理之一。文中由身管寿命判别条件Δdmax建立了身管熔化烧蚀预测计算模型，从原理上对各种延缓烧蚀速度、提高身管寿命的措施，如采用内膛镀铬、使用冷火药和护膛剂等进行了阐述；同时基于该模型指出采用身管主动冷却技术是延长火炮身管寿命最有效的措施之一。     

基于BP神经网络和遗传算法的补燃室优化设计

影响火箭冲压发动机补燃室燃烧效率的因素很多,且很难找到各因素与燃烧效率之间的精确表达式。文中在数值模拟的基础上。采用BP神经网络对补燃室各因素和燃烧效率的关系进行了拟合,再利用遗传算法对补燃室进行了优化,得到最佳的因素配置。利用敏感度分析方法分析了影响补燃室燃烧效率的各因素的重要程度。     

基于BP神经网络的火炮反后坐装置故障诊断

火炮反后坐装置的故障诊断,采用3层BP神经网络.通过基于标准梯度下降或基于标准数值优化的改进算法,同时考虑算法本身性能,及问题复杂度、样本集大小、网络规模、网络误差目标和所要解决的问题类型.并以解析算法的部分计算结果作为神经网络学习样本集,由相关方程式算出样本库内的故障现象及与故障原因相对应的训练样本,完成故障诊断.     

基于BP神经网络和遗传算法的环形药型罩优化

环形聚能装药相比传统的聚能装药具有侵彻口径大的优势,为了得到可以形成稳定的环形聚能射流的最优环形药型罩结构,提出了一种将数值模拟结果与BP神经网络相结合,并通过遗传算法对环形药型罩进行优化设计的方法。首先,利用正交试验法对环形药型罩进行方案设计,得到各因素对环形聚能射流稳定性的重要程度,其次利用LS-DYNA软件进行数值模拟得到最初的样本数据,然后通过MATLAB软件拟合出神经网络训练所需的样本数据,接着将环形药型罩结构参数作为BP神经网络的输入,射流头部速度、射流横向速度、射流长度分别作为输出进行训练,同时将测试值作为适应度,最后结合遗传算法选择最优的环形药型罩结构参数。研究结果表明：影响环形聚能射流成形的主要因素是药型罩口径和锥顶角,次要因素为药型罩罩顶厚、内罩偏移量和外罩偏移量;当药型罩罩顶高为0.81 mm,药型罩口径为15.43 mm,罩顶角为61.89°,内罩偏移量为11.38%,外罩偏移量为14.36%时所形成的环形射流形态比正交实验所得环形聚能射流更好。     

基于遗传算法的BP神经网络燃速相关性研究

采用遗传算法和BP神经网络相结合的方法，对人工神经网络的连接权值和神经元阐值进行优化搜索。该方法用于固体推进剂燃速相关性研究，计算结果表明其泛化能力强，预估精度高。     

火炮内膛烧蚀磨损研究综述

介绍了火炮身管的烧蚀磨损现象,分析了影响烧蚀磨损的主要因素,包括火药气体的热烧蚀、火药气体的热烧蚀以及炮管的机械磨损,提出了现阶段国内外火炮抗烧蚀磨损的主要手段和措施,包括研制耐热合金身管材料、改进发射药以及对内膛表面进行处理．     

基于BP神经网络的坦克炮身管剩余寿命的预测分析

提出对坦克炮身管剩余寿命的预测分析的新思路。通过对坦克炮发射弹数与直径变化关系的统计数据,利用BP神经网络模型对坦克炮身管寿命进行预测,为确定坦克炮处于良好技术状态或身管是否需要报废提供依据。     

基于BP神经网络的内弹道主要诸元预测

为更准确掌握装填条件对内弹道主要诸元影响规律,提高弹道检验的快速性与准确性,引入了BP神经网络模型．以内弹道方程组解析算法部分结果作为神经网络的学习子样本集,对网络进行了训练．实例运用证明了该方法的可行性和优越性,提高了内弹道主要诸元预测的精确度．     

现代火炮炮膛烧蚀磨损机理及控制措施

以某型火炮身管烧蚀磨损情况为研究对象,分析了身管烧蚀磨损形成机理（主要包括热作用、机械磨损和化学反应）,采取了更新炮钢材料,增加内膛涂层和采用缓蚀添加剂等控制措施。实验研究表明,这些措施有效地克服了该型火炮烧蚀磨损的难题。     

基于BP神经网络的装甲装备智能诊断系统

本系统针对装甲装备润滑油样中有关磨粒图象、油藏理化指标等各类数据和特征值信息,利用基于BP神经网络的集成化智能诊断系统实现被监测设备内部磨损趋势的自动状态监测与智能故障诊断,并在不同层次上提供定量化且形式简明的趋势报告与诊断报表,作为决策与判断依据,以协助工业现场或军工单位更高效、准确地完成设备的保养和维修工作。     

基于BP神经网络的装备失效率预测研究

装备伴随使用时间的增长,失效率会不断升高;因此准确预测装备失效率,对于及时准确评估装备性能,开展视情维修具有重要的指导意义;鉴于BP神经网络的高度非线性映射能力,利用此模型对装备失效率进行预测;分析得到了BP模型的输入层和中间层的最优神经元数;此时实际值与预测值的方差为0.038 7,达到要求。     

基于全膛烧蚀磨损特征的火炮内弹道仿真研究

为提高烧蚀火炮内弹道仿真精度,在文献\[1\]火炮烧蚀内弹道理论基础上,保持火药几何燃烧定律、火药燃速定律和体现起始部膛线烧蚀的弹丸起动压力方程不变,通过对变炮膛截面积、变药室容积、弹后烧蚀容积增量等全膛烧蚀磨损特征的分析和计算,建立体现全膛烧蚀的弹丸运动方程和内弹道基本方程,从而建立烧蚀磨损内弹道模型。借鉴经典内弹道诸元解算方法,导出烧蚀磨损内弹道模型解算方法。以某火炮试验数据为例进行仿真烧蚀磨损内弹道计算,仿真结果表明：初速仿真值与试验值误差为0.9%,能够满足火炮工程实践3%的仿真误差要求;仿真精度优于文献\[1\]的火炮烧蚀内弹道方法,证明了所建立的烧蚀磨损内弹道模型和诸元解算方法是正确的,可用于烧蚀磨损火炮身管寿命预测。     

基于组合灰色神经网络模型的火炮身管烧蚀磨损量预测

针对火炮身管烧蚀磨损量受多种因素影响,变化趋势复杂,难以通过建立准确的数学模型进行预测的问题,在采用灰色动态模型对身管烧蚀磨损量进行预测的基础上,构造了组合灰色神经网络预测模型进行预测。结果表明,通过组合灰色神经网络模型可以得出较单一模型预测更加准确的预测值,能更好地反映内膛烧蚀磨损量的发展规律。     

基于BP神经网络的柴油机瞬时油耗预测建模

利用柴油机各稳定工况下台架试验的转速、扭矩、排气温度和相应的小时耗油量的测试数据为训练、测试样本,通过BP神经网络反复学习,建立了精度较高泛化、能力较强的柴油机油耗特性模型,并与回归分析进行了对比。研究结果表明：BP神经网络具有很好的非线性特性逼近能力、较高的建模精度,适用于非线性系统的建模。