基于神经网络技术和小波分析的发动机 气缸气密性能检测研究

提出了一种基于小波分析和神经网络技术检测发动机气缸气密性能的新方法。对电涡流位移传感器拾取的飞轮位移信号直接进行时域采样 ,通过处理和小波分析 ,获得反映发动机启动瞬时转速尺度参数 ,BP神经网络以此作为输入向量 ,从而有效地检测发动机气缸气密性能。     

模糊方向神经网络在火箭发动机故障检测与分离中的应用

提出了一种模糊方向神经网络分类器,并应用于液体推进剂火箭发动机故障检测与分离。模糊方向神经网络采用模糊集表示发动机故障模式,模糊集是方向超体聚集形成的集合体,方向超体则由单位方向、夹角和两个半径确定。模糊方向神经网络能在一次循环学习中形成非线性方向边界。故障检测与分离的仿真研究表明：模糊方向神经网络的识别性能是比较优越的。     

导弹固体火箭发动机贮存寿命预测方法研究

为更准确地预测导弹固体火箭发动机贮存寿命,提出将Monte Carlo随机有限元法与RBF神经网络相结合,对固体发动机贮存寿命进行预测。对固体火箭发动机的结构可靠性利用Monte Carlo随机有限元法开展了不确定性分析,以此获得药柱的结构可靠性指标;基于RBF神经网络对固体发动机可靠性下降趋势进行预测,进而预测出导弹固体发动机寿命。     

RBF神经网络的火箭发动机成本预测

神经网络技术已广泛应用于各工业控制部门, RBF神经网络是对一般BP神经网络的改进.尝试将其应用于固体火箭发动机成本预测中.首先利用已有的成本信息对该神经网络进行训练,使其对已有信息的预测误差小于规定值,再将其用于其他条件下的成本预测.结果表明,实际预测效果较为理想,从而为固体火箭发动机成本预测提供了一种新的方法.     

共轭梯度反传算法及其在液体火箭发动机系统辨识中的应用

结合非线性优化理论和方法提出了易于实现、收敛速度比较快的多层神经网络共轭梯度反传算法。液体火箭发动机参数辨识技术已得到广泛的应用,由于传统的数学方法必须基于发动机已知模型,使得其参数辨识受到极大的限制。文中基于神经网络共轭梯度反传算法进行液体火箭发动机的系统辨识,结合变推力发动机热试车动态数据,得到了满意的仿真结果。     

主元分析法和模糊积分的航空发动机气路状态监测

航空发动机是一个大系统,由于结构复杂、工作条件恶劣等因素影响,对其进行有效地健康状态监测成为航空领域长期难以解决的关键技术之一。为有效监测航空发动机健康状态,以航空发动机气路系统为例,提出一种基于主元分析和模糊积分的航空发动机状态监测方法。首先,利用主元分析法提取发动机状态样本集的主元,对样本数据进行降维,实现样本的最优压缩。其次,利用BP神经网络和Elman神经网络对发动机状态信息的特征向量进行初步状态监测。最后,利用模糊积分对采用两种神经网络的初步监测结果进行决策层融合,从而有效地实现对航空发动机气路系统的状态监测。通过某型真实航空发动机验证表明,所提出基于主元分析和模糊积分的状态监测方法,能有效提高监测的准确度,满足航空发动机状态监测的实时性要求,具有良好的工程应用价值。     

基于云-神经网络的液体火箭发动机故障检测方法

根据故障检测原理,研究和实现了基于云-神经网络的液体火箭发动机故障检测方法。根据训练结果、测试结果和故障检测结果可以看出,云-神经网络用于液体火箭发动机的故障检测是可行的,经过历次试车数据验证,该方法没有误报警和漏报警。     

电传动装甲车辆发动机发电机系统动态模型

针对电传动装甲车辆发动机-发电机系统建模难的问题,采用BP神经网络辨识发动机转矩,设计了发动机-发电机系统动态实验,在测得发动机在不同油门开度时的转速动态响应,并将电励磁旋转整流同步发电机等效为直流发电机的基础上,建立发动机-发电机系统动态模型。仿真与实验对比结果表明：模型满足车辆仿真精度要求。     

基于神经网络的液体火箭发动机故障检测系统

提出和建立了一种用于液体火箭发动机（ＬＲＥ）故障检测的神经网络系统,这种系统包括两层：第一层由ＷＴＡ（Ｗｉｎｎｅｒ－Ｔａｋｅ－Ａｌｌ）神经网络组成,ＷＴＡ网络用于检测发动机故障输出模式;第二层由ＢＰ（Ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ）神经网络组成,ＢＰ网络利用第一层次的输出结果作为输入显示故障大小。文中对ＬＲＥ故障检测进行了数值仿真,仿真结果验证了神经网络故障检测系统的优越性能。     

Matlab在装甲车发动机性能试验数据处理中的应用

数据处理是发动机特性试验的一个重要内容,是测取发动机各项指标,进行动力性、经济性分析的前提和基础。利用Matlab强大的数据处理功能和绘图功能对发动机的性能试验数据进行处理,并采用神经网络学习发动机外特性曲线的方法得到曲线,既提高了工作效率,又可得出较为精确可靠的动机外特性曲线。     

武警总队应急车辆故障诊断系统研究

将人工神经网络和基于案例推理技术结合用于车辆故障诊断系统中，构建了ANN与CBR结合模型，阐述了各子系统的基本功能及相互关系，并对关键技术进行了详细解释。实例诊断表明，ANN和CBR方法的结合有效地弥补了它们各自的缺陷，提高了应急条件下车辆的维修保障能力。     

多重结构神经网络在平台罗经故障诊断中的应用

提出了基于层次分类诊断模型的多重结构神经网络 (MNN)在平台罗经故障诊断中的应用方法 ,并对其温控子系统的人工神经网络 (ANN)进行了Matlab实现     

基于ANN模式识别的某型导弹测试车配电系统故障诊断

人工神经网络诊断特点与基于模式识别的诊断特点非常相似。将ANN模式识别技术应用于某型导弹测试车配电系统故障诊断。根据测试车配电系统的故障特点,设计ANN为4层BP网络,具有9个输入、10个输出,两个隐含层神经元数目分别为9和6。测试结果表明该方法能有效诊断测试车配电系统故障。     

基于遗传算法和神经网络的混合自学习策略

通过对神经网络自学习方法和基因遗传算法的研究 ,采用自适应基因遗传算法对神经网络进行训练 ,形成基于遗传算法和神经网络的混合自学习策略 ,克服了神经网络自学习方法的不足 ,提高了系统的自学习能力     

有排气弹丸底部阻力的估算方法

综合了国内外有关排气温度、分子量和来流马赫数影响底部阻力的实验和理论成果,采用人工神经网络方法处理了实验数据,提供出一个有排气弹丸底部阻力的工程估算方法。     

军事电子信息处理中的人工神经网络技术

本文首先分析了现代战场环境对军事电子系统智能信息处理的应用需求，然后对人工神经网络理论与技术在军事电子信息处理中的现实应用与潜在前景给出了一个较为详细的介绍与分析。着重介绍了神经网络在雷达、红外及声纳目标的检测、识别、多机动目标跟踪及武器系统的智能控制等方面的应用情况，力图展示神经网络用于军事电子信息处理的特色与优势。最后分析了人工神经网络技术发展与应用中存在的一些问题。     

基于神经网络的机器人运动学反解算法

提出了一种基于神经网络的机器人运动学反解算法。详细讨论了神经网络求解的快速算法以及求解精度的自动检验与改进等技术问题,并以六自由度ＰＵＭＡ机器人为例,进行了数值模拟计算。结果表明：用神经网络反对机器人的运动学问题,不仅求解过程简单,还可避免传统反解方法中的许多棘手问题。     

城市居民小区地震火灾发生率的非线性预测

利用人工神经网络对地震火灾发生率进行非线性预测具有实用价值和理论意义。分析了人工神经网络预测的优势和不足，并提出算法改进意见，在综合分析人工神经网络预测的工作机理、构造方式以及影响城市居民小区地震火灾发生率的主要因素的基础上，构造人工神经网络模型进行火灾发生率的实例预测，并针对预测结果分析了各影响要素对地震火灾发生率发生影响的强弱程度，非线性预测的结果与预期结果相符。     

结合动态时间弯曲与决策树方法的液体火箭发动机故障诊断

对某大型液体火箭发动机的热试车数据及通过发动机模型仿真得到的故障数据进行动态时间弯曲分析,得到弯曲路径集,然后结合决策树方法进行了故障检测和诊断。对于故障试车没有出现漏报警和误报警,对于正常试车没有出现误报警。通过与神经网络、支持向量机等方法所得结果的对比,证明该方法可以成功地应用于火箭发动机的故障检测和诊断。     

Prediction of flow stress of 7017 aluminium alloy under high strain rate compression at elevated temperatures

An artificial neural network(ANN) constitutive model and JohnsoneC ook(Je C) model were developed for 7017 aluminium alloy based on high strain rate data generated from split Hopkinson pressure bar(SHPB) experiments at various temperatures. A neural network configuration consists of both training and validation, which is effectively employed to predict flow stress. Temperature, strain rate and strain are considered as inputs, whereas flow stress is taken as output of the neural network. A comparative study on Johnsone Cook(Je C) model and neural network model was performed. It was observed that the developed neural network model could predict flow stress under various strain rates and temperatures. The experimental stressestrain data obtained from high strain rate compression tests using SHPB over a range of temperatures(25 e300 C), strains(0.05e0.3) and strain rates(1500e4500 s 1) were employed to formulate JeC model to predict the flow stress behaviour of 7017 aluminium alloy under high strain rate loading. The JeC model and the back-propagation ANN model were developed to predict the flow stress of 7017 aluminium alloy under high strain rates, and their predictability was evaluated in terms of correlation coefficient(R) and average absolute relative error(AARE). R and AARE for the J-C model are found to be 0.8461 and 10.624%, respectively, while R and AARE for the ANN model are 0.9995 and 2.58%, respectively. The predictions of ANN model are observed to be in consistent with the experimental data for all strain rates and temperatures.