基于aiNet算法优化SVM模型的惯性器件故障预报

在标准支撑矢量机算法中,其模型结构参数和核函数中的参数一般凭经验通过交叉验证的方法选择确定,缺乏理论基础,影响支撑矢量机的学习效果.针对这种局限性,文中利用人工免疫算法对支撑矢量机的参数进行优化.将待优化参数作为抗体,经过抗体克隆、变异和抑制等操作,找到最优抗体,即对应最优化参数的支撑矢量机模型.然后基于优化后的支撑矢量机利用惯性器件的历史数据,对其进行故障预报.仿真结果显示:该算法的故障预报误差小于标准支撑矢量机的预报误差.证明了免疫aiNet算法优化支撑矢量机模型参数的有效性,及优化模型在惯性器件故障预报中的有效性.     

不确定连续系统的鲁棒H2/H∞滤波

研究凸多面体不确定连续系统的鲁棒H2／H∞滤波问题．为降低设计的保守性．提出一种新的具有参数依赖Lyapunov函数的鲁棒H2／H∞性能准则．基于该性能准则，推导出鲁棒H2／H∞滤波器存在的充分条件．并将滤波器设计问题转化为具有线性矩阵不等式（LMI）约束的参数优化问题．     

主-从式多弹头协同攻击建模及输出一致性

随着反导系统拦截概率与拦截效率越来越高,单枚弹道导弹突破反导系统实现打击任务的概率在逐渐降低,多弹道导弹协同攻击应运而生.自由飞行段的多弹道导弹易于实现协同攻击,导弹在此阶段也称为弹头.为解决多弹道导弹自由飞行段多弹头协同攻击的建模及输出一致性问题,考虑多弹头协同攻击要求及特点,首先建立了多弹头自由飞行段三维空间运动非线性状态空间模型,详细分析了该模型的特点以及模型非线性动态对多弹头协同攻击带来的挑战.针对上述挑战,为实现主-从式多弹头协同攻击体系的输出一致性,应用输入输出反馈线性化控制方法,设计了一类从弹弹头协同加速度指令信号,并通过详实的数值仿真验证所设计指令信号的有效性.仿真结果表明,沿主弹弹头发射坐标系各轴向均实现了给定性能要求下的主-从式多弹头协同攻击体系的输出一致性,主弹弹头速度变化越快、收敛系数的实部模值越大,速度跟踪误差收敛速度便越快,速度跟踪误差也越小,输出一致性的性能也更好.     

考虑不完美维修的随机退化设备剩余寿命自适应预测方法

在现有考虑不完美维修的随机退化设备剩余寿命预测研究中,通常仅考虑维修活动对退化状态或退化速率的单一影响,仅有考虑二者双重影响的研究,忽略了退化设备的个体差异性。鉴于此,提出一种基于多阶段扩散过程的自适应剩余寿命预测方法,同时考虑不完美维修活动对设备退化状态和退化速率的影响,并利用随机游走模型描述退化速率随观测数据的更新过程以表征设备的个体差异性。基于历史退化数据,利用极大似然估计法得到退化模型参数的初值;基于状态观测数据,利用卡尔曼滤波算法和期望最大化算法自适应的更新模型参数。利用卷积算子和蒙特卡洛方法推导得到了首达时间意义下设备剩余寿命的概率密度函数。最后,通过仿真算例和陀螺仪的实例研究验证了所提方法的有效性和优越性。     

最大类间方差双直方图均衡化算法

对直方图均衡化相关算法进行了深入研究,提出了基于最大类间方差（即大津法）的双直方图均衡化算法。使用大津法确定双直方图的分界线,使目标和背景在各自区间分别实现均衡操作,保持了区分性。通过实验对比,所提方法比经典方法失真小,处理后的图像再用其他方法分割的效果也更好。     

考虑随机效应的两阶段退化系统剩余寿命预测方法

针对退化过程呈现两阶段特征的随机退化系统剩余寿命预测问题,建立两阶段维纳过程退化模型,并引入随机效应描述样本间差异性。基于时间-空间变化方法以及变点处退化值的随机特性,给出首达时间意义下系统寿命分布解析表达形式。提出一种基于期望最大化(expectation maximization, EM)算法和贝叶斯理论的模型参数离线辨识和在线更新算法。最后,结合液力耦合器(liquid coupling device, LCD)的实际退化数据,验证所提方法的可行性与有效性,并说明其工程应用价值。     

基于人工免疫RBF神经网络的时间序列预测方法研究

研究了一种基于免疫识别原理的径向基函数神经网络学习算法,该算法将所识别的数据作为抗原,抗体为抗原的压缩映射并作为神经网络模型的隐层中心,采用最小二乘法确定权值,提高了RBF神经网络收敛速度和精度.将人工免疫RBF神经网络应用于时间序列预测中,实例仿真结果证明了算法的有效性和可行性,为时间序列预测提供了一种新途径.     

模糊神经网络竞争学习算法及在加速度表动态测试中的应用

加速度表是飞行器的重要传感器之一,使用前需进行动态测试、误差分离和补偿。而这些有赖于加速度表的模型。由于漂移、耦合等不确定因素,致使难以建立加速度表的准确模型,提出用模糊神经网络作为加速度表的建模手段,并通过把模糊神经网络的学习过程转化为竞争聚类和最小二乘优化,提出了一种基于竞争聚类的模糊神经网络学习算法,在某导弹加速度表上的实物实验对这一方法进行了较好的验证。     

350MW循环流化床锅炉屏式受热面汽温偏差研究

随着循环流化床(CFB)锅炉容量及蒸汽参数的大幅提升,锅炉高温受热面材料已达到现有最高水平,实际运行中高温受热面管屏汽温偏差特性直接关乎机组的安全可靠性。为准确获得超(超)临界CFB锅炉屏式高温受热面管屏的汽温偏差特性,在一台350 MW超临界CFB锅炉上开展了实炉测量试验,通过在锅炉2种类型的屏式高温受热面管屏上加装全屏壁温监测点,获得了满负荷工况下屏式高温受热面同屏管间汽温偏差及其分布均匀性,在实炉试验的基础上针对性地进行设备改造。结果表明:炉内屏式高温受热面客观上存在同屏管间汽温偏差,汽温偏差最大值可达60℃以上;屏式高温受热面近壁侧和向火侧敷设耐磨耐火材料的管屏管壁温度明显低于中央区域,相比于屏式高温过热器,屏式高温再热器汽温偏差最大值增加了约40℃;传统的屏式高温受热面间隔布置的壁温监测点已无法准确获得同屏管间最高壁温值,屏式高温再热器布置的壁温监测点代表性不足的问题更突出,需根据屏宽、屏高进行布置位置优化,尤其是在屏式高温受热面向火侧的管屏(向火侧最外侧管子向内第4～17根管)上布置更多壁温监测点;通过分屏设计、耐磨耐火材料敷设高度优化等措施,可有效控制屏式高温受热面汽温偏差及分布均匀性,优化后屏式高温过热器全屏汽温偏差最大值为24℃(其中近壁侧分屏汽温偏差最大值为16℃),汽温偏差的标准差为6.2℃,而屏式高温再热器全屏汽温偏差最大值为50℃(其中近壁侧分屏汽温偏差最大值为21℃),汽温偏差标准差为14.5℃。