几种基于神经网络的导弹惯性器件故障预报方法及其性能比较

研究了标准BP网络、改进的BP网络(带动量的自适应BP网络)、 L-M网络和RBF网络及其学习算法, 探讨了基于这四种神经网络的导弹惯性器件故障预报方法, 并通过仿真实验对四种网络的预测预报性能进行了分析比较.结果表明, L-M网络和RBF网络对惯性器件的故障预报比两种BP网络更准确, 收敛速度更快.     

基于滑模观测器的AUV传感器故障检测

针对AUV(自主水下航行器)模型的非线性特点,利用滑模观测器对其进行状态估计,并将观测器输出和传感器输出之差作为残差.为了降低误检的概率,设定了两个残差阈值,当残差大于较大的阈值时,立即判定有故障发生,当残差在这两个阈值之间时,系统发生报警,并将前一段时间的一组观测数据和传感器输出数据进行统计分析,判定是否有故障发生.这样既不会漏检大幅度故障,又能够及时检测出缓变故障,达到实时故障检测的目的.仿真结果说明了这种方法的有效性.     

基于小波动态神经网络的非线性系统鲁棒故障检测

针对一类满足Lipschitz条件的非线性系统,采用小波动态神经网络设计非线性观测器,以实现系统的实时鲁棒故障检测。通过小波网络逼近非线性项提高状态估计的精度,并在动态网络中加入鲁棒项增强了对不确定干扰的鲁棒性。同时采用RBF神经网络(RBFNN)对残差序列进行实时预测,实现了故障预报功能。文中证明了观测器设计的稳定性和鲁棒性,仿真示例验证了该方法的有效性。     

基于多状态贝叶斯网络的导弹质量状态评估

针对“是非制”导弹质量状态分类方法过于粗放、信息资源利用不充分的问题,提出了基于DS证据理论-层次分析法的条件概率赋值方法,并构建了贝叶斯网络的质量状态评估模型。在分析性能特征参数的基础上,将导弹状态划分为良好、较好、堪用、拟故障和故障5个等级。对单位不一、阈值各异的测试参数进行归一化处理,以改进的岭形分布函数确定各质量状态等级的隶属度,构建基于贝叶斯网络的导弹质量状态评估模型。鉴于各节点间为非确定性逻辑关系、数据信息相对缺乏,提出基于DS证据理论-层次分析法的多状态贝叶斯网络条件概率值确定方法。以某型导弹为例,经过验证,DS证据理论-层次分析法确定条件概率值的方法将不确定度降低到了5%左右,并通过横向对比与纵向对比确定了该模型的合理性与可信性。     

基于自适应模糊神经网络的非线性系统鲁棒故障诊断

针对一类非线性闭环稳定系统，在考虑噪声干扰和系统参数不确定误差条件下，用自适应模糊系统进行非线性补偿，提出了一种基于自适应模糊状态观测器实现状态观测和故障检测，再由RBF神经网络故障逼近器实现故障在线跟踪的鲁棒故障诊断方法。为确保观测器和诊断系统的鲁棒性，给出了闭环系统在有界噪声干扰和系统不确定误差下的稳定性定理，并进行了证明。     

基于扩张状态观测器的导弹自适应鲁棒控制方法

针对带有非线性特性和模型不确定性的导弹纵向通道,结合扩张状态观测器,设计了一种自适应鲁棒控制方法。该控制方法首先设计了自适应控制律,对弹体模型中的不确定参数进行在线辨识和补偿;然后针对辨识结果与真实模型之间存在的偏差,利用扩张状态观测器作进一步修正;最后设计鲁棒控制部分以对模型中的补偿残差等进行抑制并保证闭环系统的稳定性。仿真结果表明,所设计的控制律能够实现对输入指令的有效跟踪,并具有较高的控制精度、响应速度和鲁棒性。     

神经网络在导弹贮存可靠性预测中的应用

为了更准确预测导弹贮存可靠性,提出基于全局逼近BP网络和局部逼近RBF网络对导弹贮存可靠性进行预测,给出了预测的基本步骤,分别基于BP网络和RBF网络对某型舰舰导弹的贮存可靠性进行了预测,结果表明:这两种网络都能够解决导弹贮存可靠性预测的问题,预测误差均满足要求;RBF网络预测精度略高于BP网络,具有更好的函数逼近能力。RBF网络更适用于导弹贮存可靠性的预测。     

一种故障重构技术在导弹系统故障诊断中的应用

针对导弹姿态控制系统的故障情况,阐述了一种利用基于滑模观测器的故障诊断方法.该方法主要是对保持观测器处于滑动模态的等效输出注入进行分析.通过对观测器输出的正确分析,可以达到对故障的正确估计,避免故障误报和漏报.通过一仿真算例,证明了该方法的有效性.     

基于未知输入观测器的车载炮电液位置伺服系统故障检测

针对车载炮电液位置伺服系统在运行时存在大惯量、负载非线性、参数不确定性和干扰等特点,提出一种基于非线性未知输入观测器的故障检测方案。在对系统建模后进行观测器设计,借助李雅普诺夫稳定性理论证明观测器稳定性并给出了存在条件,观测器产生用于故障检测的残差信号。在故障检测台上在线检测观测器的观测能力以及对故障的检测能力,设计了基于统计的动态阈值故障决策机制,消除了固定阈值在过渡阶段系统出现的误报警现象。实验结果表明：所提出的故障检测方案有效,可用于电液位置伺服系统在线故障的检测。     

基于深度残差网络的ADS-B信号辐射源个体识别

针对传统依赖于人工提取的专家特征难以表征辐射源个体信号的细微差异问题,提出了一种基于深度残差网络(DRN)的辐射源个体识别算法.利用深度残差网络完成分类识别任务,将实测信号的同相分量(I路)和正交分量(Q路)输入到深度残差网络中进行训练.在包含不同飞行目标的ADS-B信号实测数据集上进行实验以评估该算法的性能.实验结果...     

舰炮电气故障神经网络预测技术研究

为实现舰炮的故障预测和健康管理,针对舰炮电气系统的运行机理,利用电路仿真软件提取了该系统的故障知识,建立了故障诊断专家系统知识库,并运用BP神经网络方法实现了该舰炮电气系统的故障预测。仿真结果验证了该方法的有效性,取得了良好的诊断预测效果。     

基于支持向量机的装备故障诊断研究

支持向量机（SVM）是统计学习理论（SLT）的一种成功实现,它建立在SLT的VC维理论和结构风险最小化原理基础之上,能够较好地克服神经网络容易出现的过学习和泛化能力低等缺陷.提出了一种基于支持向量机的装备故障诊断方法,应用该方法成功地对某型装备几种典型故障进行了正确诊断.在对检验样本施加噪声后,支持向量机构成的故障分类器仍然能够满足发动机故障诊断要求,表明提出的故障诊断算法具有良好的鲁棒性和推广性.     

基于动态观测器的导弹故障诊断方法研究

为解决导弹武器系统多故障模式问题．提出了基于动态观测器的诊断方法。该方法通过设计一个动态观测器去检测一系列故障。当把耦合故障表示成故障信号的组合时，该方法可推广到耦合故障的诊断中。     

基于新息灰预测的导弹遥测参数预测算法研究

为了在导弹飞行中判决导弹故障,建立基于新息的灰预测算法。利用GM(1,1)模型的每一个预测值替换掉最老的一个信息,以实现新陈代谢,然后再以补充了新信息但序列长度不变的预测序列对反映导弹工作状态的遥测关键参数进行实时预测。通过Matlab仿真软件对原有GM(1,1)模型和改进的GM(1,1)模型进行分析比较,验证了改进后GM(1,1)模型预测精度比较高,易于实现,适合导弹故障的实时预测。     

基于RBF神经网络的空空导弹控制器设计

应用倾斜转弯（Bank to Turn，BTT）及推力矢量控（Thrust Vector Control．TVC）技术设计并建立了空空导弹六自由度模型。在此基础上考虑气动参数变化和建模不确定性引起的误差对导弹控制系统的影响，为消除误差影响，引入RBF神经网络分别对快慢回路进行补偿，利用李亚普诺夫（Lyapunov）稳定性定理推导了神经网络权值、中心及带宽的自适应规律，并证明了闭环系统的稳定性。通过对某型空空导弹大机动仿真研究，结果表明RBF神经网络自适应控制方法补偿作用显著，不仅改善了控制系统的动态性能，而且使系统具有良好的抗干扰和容错能力。     

基于多小波能量谱与SVM的导弹惯性器件故障预报

针对利用时域信号进行故障预报精度低的问题,提出一种基于多小波能量谱与支持向量机(SVM)的故障预报方法.该方法以信号在多小波域上分解形成的能量谱作为故障的诊断特征,通过距离评测准则选取最优多小波能量谱特征子集.最后将最优特征作为样本训练支持向量机.利用训练后的SVM进行故障预报,试验结果表明多小波能量谱能更有效地反映惯性器件故障特征,利用SVM与多小波能量谱结合可以得到更好的预测精度.     

基于粗糙自适应神经模糊推理的导弹类型识别

舰艇编队的反导作战能力直接关系着编队的生存能力,而导弹目标类型识别是反导作战的基础。针对舰艇编队反导作战对导弹类型识别的具体战术要求,建立了反舰导弹分类及特征模型,分析了编队反导作战目标类型综合识别流程。结合粗糙集理论与自适应神经模糊推理,设计了一种基于粗糙自适应神经模糊推理(RAN-FIS)的导弹类型识别方法,提高了识别效率。根据LMS(least-mean square)算法设计了RANFIS的参数估计方法,该参数估计方法根据实际输出信号与网络输出信号之间的误差调整参数取值,能够根据已有反舰导弹样本的特征属性以及类型确定参数。仿真结果显示,所设计的导弹类型识别方法能够很好的识别海战场上出现的反舰导弹的类型。     

飞航导弹执行器故障容错控制系统研究

针对传统飞航导弹控制系统对执行器故障容错能力较弱,而执行器故障模型难以在线快速准确辨识等问题,将直接自适应控制和传统控制方法相结合,设计了一种飞航导弹主动容错控制系统.可以在不知道确切故障信息的情况下,补偿修复故障发生后的控制信号,保证导弹仍能恢复一定的飞行性能.以某型导弹纵向控制回路为例,模拟升降舵执行器执行机构退化、效率降低等故障进行了数字仿真.结果表明,与传统的控制方法相比,该容错控制系统可以在不改变基本控制律的前提下,较好地修复控制信号,使系统跟随参考模型.