FMEA与粗糙集相结合的故障预测方法

基于FMEA和粗糙集决策系统基本理论,对飞机中分系统故障预测问题进行了研究。首先定义故障预测所需的征兆并对系统进行FMEA,按照FMEA分析结果分次向系统模型注入引起特定故障的事件,采集含有故障趋势的系统模型的信息用于构建适用于故障预测的粗糙集决策表,对该表进行了处理,最终发现用于故障预测的知识(即决策规则和算法);最后运用所发现的知识进行故障预测。     

滚动轴承故障智能诊断系统的研究

本文结合“滚动轴承故障智能诊断系统”的科研课题,介绍了智能诊断系统研制过程中轴承故障特征频率的近似计算、智能诊断报警参数的确定、报警门限值的确定、趋势预测及实验诊断结果分析。     

中尺度数值天气预报模式MM5分布式并行计算

中尺度数值预报模式是进行中尺度天气预报的有效手段。中尺度模式MM5是国际上应用最广泛的中尺度预报模式之一。数值天气预报的巨大计算量和实效性要求必须通过高性能分布式并行计算来实现。分析了MM5串行算法的特点,研究了其并行算法的实现,讨论了算法的一些改进,给出了MM5模式在分布式并行巨型计算机上的测试结果。     

直接序列扩频码元同步的快速捕获及跟踪

讨论基于软件无线电技术的直接序列扩频码元捕获及跟踪的快速算法。利用伪随机序列尖锐的自相关特性,通过计算中频接收信号与本地匹配滤波器的循环相关完成码元捕获,提出了循环相关的两种快速算法,并分析了正确捕获概率及平均捕获时间,最后给出码元跟踪的简便算法及精度。仿真及实验验证了所述算法的正确性和有效性,特别适用于信噪比较低、对设备体积及功耗限制严格的通信系统中。     

基于软件无线电的DS/SS载频跟踪方法

扩频序列的精确同步是接收机正确解扩的关键问题。提出一种基于软件无线电技术,对DS/SS载频偏移量实现快速跟踪的数值算法,并讨论了实现步骤及估计性能。该算法具有三个优点:(1)可消除载频初始相位的影响。(2)适于极低信噪比条件下的载波跟踪。(3)算法简便,易于实现。仿真及实验均验证了此算法的可行性。     

快速JPDA算法的递归和并行实现

本文从联合关联事件的构造出发，讨论关联假设事件的分层构造，以达到降低计算量的目的。这里的层次可从０取到Ｌ，０层表示没有任何目标能够跟当前的观测数据关联，Ｌ层表示共有Ｌ个目标可以跟当前扫描得到的观测数据相关联。本文的关联事件的构造中，各层次的搜索具有递归性并可以独立进行，因而可以并行实现。文中还将本文的方法跟有关文献作了比较，并且给出相应的计算机仿真实验及其结果。     

顾及噪声影响的GNSS高程序列预测Prophet方法

全球导航卫星系统(global navigation satellite system, GNSS)高程时间序列具有非平稳、非线性、含噪声等特点,在深入研究Prophet预测模型的基础上,针对Prophet预测模型对于趋势信号和周期信号有良好预测效果这一特性,提出一种引入经验模态分解(empirical mode decomposition, EMD)的“降噪—分解—预测”组合GNSS高程时间序列预测方法。该方法先将原始时间序列进行EMD降噪,再对降噪后的序列进行分解预测,最后重构各分量预测信号为最终预测序列。通过对实测高程数据进行研究,实验结果表明：降噪后信号的平均信噪比为10.30dB,能量百分比平均为88.75%;利用所构建的短期预测方法,GNSS高程时间序列预测结果的均方根误差分别平均提升26.41%和14.88%;平均百分比误差分别平均提升18.92%和7.91%,验证了组合预测方法的有效性及实用性。     

导弹系统电磁兼容预测初探

基于"电磁拓扑"和"电磁屏障"概念,应用"电磁拓扑-图论混合技术"详细阐述了导弹系统的电磁拓扑描述及电磁干扰相互作用关联图,并分析了针对导弹武器系统应用电磁拓扑图论法的基本步骤。     

紧固件拆装时间预计模型

紧固件拆装作业时间是影响机械产品维修性的主要因素之一,占机械产品维修作业时间的70％～80％。因此,探讨紧固件拆装作业时间的预计方法,对研究、设计机械产品的维修性,将是十分必要的。通过分析紧固件拆装作业过程,探索出了影响拆装作业时间的诸因素,并对所有的影响因素进行分析、权衡和回归,建立紧固件拆装作业时间的预计模型。将此模型在某型履带式车辆上进行了实际验证,证明了模型的正确性及通用性。     

长短周期记忆网络微调的氧气浓缩器寿命预测模型迁移

针对寿命预测模型迁移问题,提出了一种长短周期记忆网络微调(long short-term memory fine tune, LSTM-fine-tune)的迁移模型,利用理想条件下的试验数据对模型进行训练。在迁移过程中,对部分LSTM网络层进行冻结,利用实际服役环境下的数据对网络其他部分进行修正。为验证模型的泛化能力,采用不同相位与幅值的正弦函数生成数据,通过学习数据获取正弦函数的经验知识,并应用至其他正弦函数的回归,结果表明LSTM-fine-tune模型能够快速拟合,平均均方误差仅为1.033 5,明显低于直接预测误差1.536 8。为通过实际监测数据检验本方法泛化能力,分别获取了试验条件下与实际服役环境下氧气浓缩器的数据,对模型的泛化能力进行验证。结果表明,迁移后训练集预测精度提高了43.0%,测试集预测精度提高了20.2%。