基于MOMEDA和IITD的滚动轴承微弱故障特征提取

为了清晰准确地提取出强背景噪声下滚动轴承微弱故障特征,对采集的外圈故障轴承的振动信号用MOMEDA进行信号增强;然后,利用IITD分解得到一系列模态,并对分解得到的模态进行包络解调提取故障特征;最后,进行了故障模拟实验,实验结果表明了该方法的有效性。     

胚胎电子细胞的部分基因循环存储结构

为了在保证胚胎电子系统可靠性的前提下降低系统的硬件消耗,提出一种新型的基因存储结构——部分基因循环存储,细胞只存储阵列的部分基因,通过细胞内、细胞间的基因循环、非循环移位实现阵列的功能分化和自修复,自修复过程中基因存储内容根据故障细胞数目进行自主更新。该存储结构中基因备份数目可由设计者根据系统可靠性和硬件消耗要求设置,不受阵列中空闲资源数目的限制。理论分析和仿真实验表明,该新型存储结构不仅实现了胚胎电子阵列的功能分化、自修复等功能,而且能够在保证系统可靠性的同时降低硬件消耗,具有较高的工程应用价值。     

柔性神经网络滑模主动控制技术

针对复杂激励条件下的振动控制,对Jiles-atherton模型的磁致伸缩作动器在双层隔振系统中的主动控制进行了研究。以传统滑模控制为基础,提出一种柔性神经网络滑模控制算法。用正则化方法设计控制器的切换矩阵,建立神经网络权值和柔性映射参数更新学习公式,并将该控制策略应用于双层隔振系统的振动主动控制中。通过单频、多频及随机信号激励进行仿真研究,结果表明:柔性神经网络滑模控制器具有较强的鲁棒性,具有较好的控制效果。     

基于改进QPSO-NN的冗余机械臂逆运动学算法

针对某种冗余机械臂逆运动学求解的问题,提出了一种基于改进量子粒子群神经网络的求解算法。以冗余机械臂末端位姿为输入,经神经网络求得其逆解;针对神经网络输出结果误差较大的问题,把神经网络求初值加入初始化的粒子群中,通过基于Metropolis准则改进量子粒子群算法,避免了量子粒子群算法的早熟现象;以关节坐标经正向运动学求得的末端位姿和期望位姿的误差为适应度函数,对机械臂关节坐标迭代寻优。仿真结果表明该方法结合了神经网络算法的快速性和改进量子粒子群算法的精确性,满足求冗余机械臂逆运动学问题的速度和精度要求。     

脉冲功率电源连续发射水冷模拟负载

针对脉冲功率电源连续循环放电吸能需求,提出一种1.9 MA级循环脉冲功率水冷模拟负载方案。考虑水冷负载与实际电磁发射负载的相似性要求,提出4×8钢管阵列组成的电阻网络,可方便实现电源不同组合方式的放电考核;针对1.9 MA级电流产生的脉冲电磁力可能引起水冷模拟负载损坏的问题,建立水冷模拟负载三维有限元分析模型,进行电磁力计算和结构分析,保证水冷模拟负载稳定性;利用热网络法对模拟负载在循环脉冲模式下的强迫风冷却、自然冷却和去离子水冷却等方式进行了温升分析。结果表明:模拟负载采用钢管内通去离子水冷却效果最好,循环放电时温度可以恢复到初始状态,最高温度62.5℃,满足连续放电实验的需求。利用提出的方法设计一台水冷模拟负载样机并进行了连续2次1.9 MA放电研究,试验结果与理论分析吻合较好,负载结构运行稳定,从而验证了理论分析的正确性。     

对数据后处理雷达的分段卷积转发干扰研究

针对现有基于DRFM的移频干扰和分段转发干扰在对数据后处理雷达干扰时存在的不足问题,提出了一种新的分段卷积转发干扰方法。该干扰方法立足于干扰机天线收发分时体制,首先对接收到的雷达信号进行均匀分段、重新排序与噪声卷积后再进行转发。该干扰方法产生的假目标信号不仅能量大,覆盖广,而且假目标幅度差异明显,位置分布不均匀。最后的仿真结果验证了该方法的有效性。     

基于深度卷积神经网络的蛇形机动航迹图像识别

为提高防空武器系统对空袭目标的拦截防御能力,针对现有蛇形机动识别算法鲁棒性较差的问题,提出了将航迹坐标数据转化为图像,利用深度神经卷积神经网络进行航迹模式分类的方法。针对航迹数据直接转化为图像时存在机动幅度不明显或过大的问题,提出了有效解决方案。基于CAFFE平台进行了大量仿真实验,确定了适宜于航迹模式分类的深度卷积网络结构和网络参数。实验结果表明,该方法能有效提高蛇形机动航迹识别的鲁棒性。     

基于BP神经网络的多功能相控阵雷达威力评估

运用动态静态结合的方法以及厂家测试数据、查阅外军资料等手段获得多功能相控阵雷达指标参数,采用BP神经网络建立威力评估模型。研究表明:所建立的BP神经网络多功能相控阵雷达威力评估模型具有很高的评估精度,可以很好地反映雷达二级指标和雷达威力之间复杂的非线性关系,为多功能相控阵雷达威力评估提供了一种准确有效的方法。     

三关节机器人的神经网络补偿自适应控制器设计

三关节机器人广泛用于工业生产、轮式或履带式排爆机器人,为了补偿由于机器人结构参数、作业环境干扰等不确定性因素造成的机器人动力学模型的不确定性,将机器人动力学模型分解为名义模型和误差模型两部分,其误差模型采用RBF神经网络进行补偿,得到其估计信息,神经网络的输出权值根据Lyapunov稳定性理论采用自适应算法进行调整。所设计的神经网络补偿自适应控制器解决了不确定性机器人动力学系统控制器设计的不确定性问题,同时,通过定义Lyapunov函数,证明了控制器能渐近、稳定地跟踪期望轨迹。机器人的3个关节在控制器的作用下,约在5 s时达到期望轨迹,神经网络约在5 s时逼近机器人动力学模型的误差模型,实验结果表明了机器人关节对期望轨迹具有良好的轨迹跟踪性能。