弹药协调器动作可靠性估计

弹药协调器定位故障是火炮弹药自动装填系统的典型故障,其动作可靠性受多个不确定性因素影响,显式的极限状态方程难以获得。为计算协调器动作可靠性的定量数值,对协调器进行了不确定性建模,并根据标准状态的测试数据对模型进行了修正,构建了基于径向基神经网络的代理模型以提高计算效率,将网络输出与原始样本数据进行对比。结果表明,径向基神经网络能够很好地拟合原始模型。对代理模型进行了Monte-Carlo仿真分析,求解了定位误差的概率分布,弹药协调器的动作可靠性估计值为92.48%。     

某弹协调器减速器动力学仿真分析

弹协调器是自动装填系统中的重要部件,在使用过程中经常出现协调到位不准确的问题。以多体动力学理论和ADAMS软件为基础,建立某弹协调器多刚体虚拟样机模型,计算得到工作过程中减速器齿轮啮合力的变化曲线,利用ANSYS软件对协调器支臂进行柔性化处理,建立刚柔耦合虚拟样机模型,重新计算得到振动条件下齿轮啮合力的变化曲线。通过对两种仿真结果及与理论计算结果进行比较,得出冲击振动环境会对协调器协调定位精度产生较大的不利影响,为全面研究协调器协调定位可靠性提供了重要参考。     

使用不同置信级训练样本的神经网络学习方法

针对含不同置信级样本的模型拟合问题,该文提出了一种基于神经网络的二次学习方法。文中指出真实模型是实验模型的一种变异,提出逼近真实模型期望值的神经网络,是融合先验样本和真实样本的最佳网络。首先,以先验样本为训练样本进行第1次神经网络学习,并计算取决于硬点信息的软点误差容量区间;然后,同时将先验样本和真实样本作为训练样本,利用软点误差容量区间和硬点误差敏感系数,对神经网络训练过程中输入/目标对的误差进行修改,通过第2次学习得到既能精确拟合真实样本,又能最大化利用先验样本信息的综合网络。与基于知识的神经网络(KBNN)相比,该方法更加简单,可操控性更强并具有更加明确的逻辑意义。     

具有参数不确定性的火炮弹药协调器定位精度优化

基于火炮弹药协调器定位过程中的参数不确定性,提出一种间接提高定位精度可靠性的优化方法。分析了影响弹药协调定位性能的主要不确定性因素,对不确定性变量进行空间变换和拉丁超立方采样,根据空间变换后采样点到均值点的距离计算误差权值;在Simulink中建立协调过程的机电系统模型,并对各个采样点进行仿真以获取定位误差,对定位误差进行加权取和作为性能指标,使用粒子群优化算法对该性能指标进行了最优化设计。优化计算结果表明,该方法具有显著的优化效果和较高的计算效率。基于火炮弹药协调器定位过程中的参数不确定性,提出一种间接提高定位精度可靠性的优化方法。分析了影响弹药协调定位性能的主要不确定性因素,对不确定性变量进行空间变换和拉丁超立方采样,根据空间变换后采样点到均值点的距离计算误差权值;在Simulink中建立协调过程的机电系统模型,并对各个采样点进行仿真以获取定位误差,对定位误差进行加权取和作为性能指标,使用粒子群优化算法对该性能指标进行了最优化设计。优化计算结果表明,该方法具有显著的优化效果和较高的计算效率。