基于卷积神经网络的滚动轴承故障诊断

针对传统故障诊断方法诊断过程复杂、效果不佳的问题,提出一种基于卷积神经网络的滚动轴承故障诊 断方法。首先选取不同故障的振动信号进行归一化处理,然后把 1 维的振动信号转化成 2 维的灰度图像,利用每个 元素与其相邻元素之间的关系,并且采用重叠采样的方法加强数据集。在卷积神经网方面利用 tensorflow 搭建网络 框架,采用 4 种不同的卷积神经网络结构对样本进行训练。为避免实验的随机性,对每种方案进行多次训练,采其 结果的均值。根据测试集的准确率选取最好的适合轴承故障诊断的模型,同时对网络的结构参数进行优化改进,提 高模型的识别率和运行效率。实验结果表明,该方法可以准确地将滚动轴承的故障进行识别和分类。     

某无链供弹装置的仿真与试验

为了提高供弹装置各运动构件的可靠性,对某无链供弹装置进行建模进行研究。通过ADAMS软件建立无链供弹装置的运动学及动力学方程,以2发弹的仿真曲线为例进行多发炮弹与闭合弹链运动交接的仿真分析,得到弹丸位移、加速度等参数曲线,并通过激光位移传感器进行系统测试。测试结果表明,供弹机构的动态特性明显,对供弹机构可靠性的进一步提高及结构的改进提供了参考。     

某型导弹加速度信号源设计

为实现某型导弹的地面测试,设计一种能够实时产生模拟过载的加速度信号源。根据导弹再入运动模型,利用Matlab软件仿真出速度-高度、加速度-高度、加速度-时间关系数据,采用C8051F020单片机和模拟放大电路,输出导弹再入弹道的加速度信号,提供给弹上控制系统。结果表明:该加速度信号源能提高单片机运行效率,较好地完成导弹地面测试任务。     

基于1(1)/(2)维谱的舰船辐射噪声低频线谱成分提取

分析了1(1)/(2)维谱具有的几个特殊性质,即抑制高斯噪声和对称分布噪声;加强信号的基频分量以及剔除非耦合相位的谐波分量.通过计算实际舰船噪声的1(1)/(2)维谱,并利用它所具有的特征参数,对舰船信号进行了分类与识别,达到了较好的识别效果, 为进一步开展水下目标探测与识别研究打下了良好基础.     

埋头弹火炮零维内弹道模型及计算

基于对埋头弹火炮主要特点的分析,重点考虑气体泄漏的因素和弹丸挤进时的动态冲击效应,建立了零维即集．总参量法内弹道模型并对埋头弹火炮内弹道性能进行了模拟．结果表明,影响其内弹道诸元的关键因素为漏气及弹药的结构．     

基于联合投影字典学习的辐射源调制识别

针对字典学习用于辐射源识别时原子表征能力有限和复杂环境适应性不足问题,提出一种基于联合投影字典学习的辐射源识别方法。利用时频变换提取辐射源信号初始特征,并通过降维、降噪实现特征预处理;采用核空间投影和降维投影学习方式优化字典原子结构,基于数据集训练获取联合投影字典;通过分类测试完成了有效性验证。仿真结果表明：该方法所提取字典原子具备较强表征能力,能够适应参数多变的复杂环境;较常规有监督字典学习方式更易区分多类型、高相似度信号,-6 dB时单载频信号、线性调频信号、非线性调频信号、二相编码信号、四相编码信号、Frank信号、二相频率编码信号、四相频率编码信号、非线性调频-二相编码复合调制信号、二相频率编码-二相编码复合调制信号10类辐射源信号的整体平均识别率为94.4%.     

1 维弹道修正弹的地面密集度指标考核方法

针对国内没有1 维弹道修正弹试验考核的国军标及其他相关标准的问题,结合国内2 型1 维弹道修正弹 研制经验,借鉴常规弹药试验考核方法,对1 维弹道修正弹试验考核方法进行分析。结果表明：该分析为今后1 维 乃至2 维弹道修正弹试验考核提供了参考,有助于弹道修正弹试验规程的编制与完善。     

基于EEMD和二维边际谱熵的齿轮箱故障诊断

针对信号经验模态分解（EMD）过程中存在波形混叠现象,提出一种基于聚合经验模态分解（EEMD）和Hilbert二维边际谱熵相结合的方法对齿轮箱故障进行分类故障诊断．首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对3种工况信号进行Hilbert变换并计算得到边际谱,并且提取二维边际谱熵作为支持向量机（SVM）的输入量,建立故障诊断模型．经测试该方法在齿轮箱故障诊断方面有着较强的分类能力和诊断精度,具有一定的可行性．     

基于ADAMS的弹载设备外弹道参数仿真

针对目前高速旋转弹丸外弹道参数章动和进动测试的成本高以及后期处理数据较复杂等问题,提出了基于机械系统动力学自动分析(ADAMS)的弹载设备外弹道参数仿真的方法。该方法通过建立弹载设备外弹道运动模型,并利用动力学仿真软件ADAMS对模型进行分析,得到弹载设备外弹道的运动轨迹、加速度曲线,再现了弹载设备在外弹道环境下的运动规律。章动和进动的转速比影响着弹载设备在外弹道的运动轨迹,其中,弹载设备受章动影响较大。仿真实验结果表明,通过实验得出的弹载设备在外弹道的运动规律与理论结果一致,表明该方法可以实现对弹载设备外弹道参数的测试,降低了测试成本,避免了后期处理数据较复杂的问题。     

柴油机故障信号的形态学多尺度分形分析

为解决传统单一分形维数在表征信号时的缺陷,提出一种基于形态学计算的多尺度分形维数估计方法。 对柴油机正常、失火和气门间隙过大故障信号进行分析,并与单一分形维数方法进行对比。结果表明：基于形态学 计算的多尺度分形维数能准确地对柴油机不同状态下的信号进行分类,计算简单快速,具有很好的故障诊断效果。     

基于转换脉冲神经网络的雷达辐射源识别方法

为提高雷达辐射源识别智能水平,提出一种新的基于转换脉冲神经网络进行雷达辐射源调制模式识别的 方法。将仿真产生的雷达信号转换为2 维时频图,将传统的卷积神经网络(convolutional neural networks, CNN)转化 为脉冲神经网络(spiking neuron network, SNN),使用SNN 进行雷达辐射源识别。仿真实验结果表明：该方法具有 优良的检测精度,当信噪比高于-9 dB 时,识别概率可达96%以上。     

基于卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征耗时长、特征不明显等问题,提出一种基于深度学习卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别方法。该方法通过快速离散分数傅里叶变换提取信号的模糊函数主脊,并将模糊函数主脊极坐标域的二维时频图作为卷积神经网络的输入,实现对不同雷达信号的分选识别。仿真实验结果表明：新方法不仅在信噪比为0 dB以上保持100%的识别率,在-6 dB时识别准确率也稳定在90%以上;相对于传统的雷达信号识别方法和其他深度学习模型识别方法,在识别率和鲁棒性上均有较大提升,具有一定的工程应用价值。     

基于SVM决策树的数据链识别分类

摘要：为解决数据链信号识别分类的问题,提出一种基于支持向量机(support vector machine,SVM)决策树的数 据链识别分类方法。通过分析美军常用的数据链通信信号特征,采用小波变换法分析数据链的特征信息,得出小波 系数与信号能量分布的关系,根据SVM 算法原理,构建目标特征模型,对信号特征量进行识别分类,对SVM 分类 器的关键参数进行优化设计,并与BP 神经网络算法进行对比实验仿真。结果表明：SVM 决策树网络分类器在进行 收敛速度和准确率表现优异,能改善分类识别效能。     

小波神经网络在陀螺漂移预测中的应用

针对传统预测方法存在的不足,建立一种基于小波神经网络的陀螺漂移预测模型。重点研究利用小波分析理论对陀螺输出信号的漂移趋势识别提取方法,结合小波神经网络建立漂移信号的非线性预测模型,并以某陀螺实测信号为例预测其漂移趋势。结果表明:该模型能降低人为因素影响,提高漂移预报效果和导航系统精度。     

基于涡旋电磁波雷达的人体目标步态精细识别

基于雷达的人体目标识别技术在诸多领域有着重要的应用。涡旋电磁波中携带有轨道角动量,在运动目标回波中会引起线多普勒和角多普勒效应,可为识别提供更丰富的信息。但与线多普勒相比,角多普勒较微弱,二者难以被分离。使用多发多收模型产生线性调频涡旋电磁波,通过双模态回波干涉抑制线多普勒。利用短时傅里叶变换,获得双模态回波的线多普勒和角多普勒时频图,将时频图的幅度值输入到双通道卷积神经网络模型中,获得分类结果。仿真实验结果表明,将线多普勒和角多普勒分离,同时输入到分类模型中可以提升人体步态精细识别能力。     

一种深度强化学习的雷达辐射源个体识别方法

针对传统依赖于人工经验提取辐射源个体特征的不足,提出一种基于深度强化学习的雷达辐射源个体识别方法。利用发射机非理想信道造成的辐射源信号包络在信号变化时呈现的不同瞬态信息,以信号包络前沿作为深度神经网络的输入状态,以辐射源类别作为当前输入状态的可选动作,通过卷积神经网络自动提取辐射源包络个体特征,并拟合当前状态动作对的Q值,进而以强化学习模型完成雷达辐射源个体识别任务。讨论了深度Q网络模型、深度双Q网络模型以及Dueling Network模型3种深度强化学习模型在辐射源识别任务中的应用。实测数据仿真实验表明：传统机器学习算法的识别率不足80%,而深度强化学习网络的识别率高达98.42%.     

装甲车辆用立式弹药舱的设计与动力学分析

为分析输送链条的动力学特性和弹药的稳定性,将所有链节及弹架两侧双排滚子简化为弹簧阻尼单元,采用多体系统动力学和运动弹性动力学理论,建立输送链条的完整动力学模型和弹药的稳定性模型。借助Matlab软件,对输送链条的整体动力学模型进行数值仿真,并求解弹药的稳定性模型。通过数值仿真结果可知：在不同驱动功率下输送链条的速度、加速度均窄幅波动;轨迹线的形状特征决定了弹药离心力的动力学响应和突变特性,离心力的突变特性对弹药运动法线方向稳定性具有较大的影响,而弹药在运动切线方向上的稳定性主要受自身惯性和输送链条的动力学参数影响。根据弹药上部的摆动位移响应可知,弹药在运动法线方向和切线方向具有较好的动态稳定性。采用试验测量方法,得到输送链条的切线方向加速度与弹架的法线方向加速度值,测量数据与仿真结果较为吻合。     

基于凸轮自动机的试验装置设计和动力学分析

基于某武器凸轮自动机的机构运动原理,设计了一套自动机机构运动状态试验装置,用于测试并检测供输弹过程中自动机机构的运动规律防止其在供输弹过程出现卡滞现象,利用UG软件建立了三维模型,并基于多体动力学和刚柔耦合理论对该试验机构进行了运动学仿真分析,通过对比分析不同转速下试验机构关重件的运动规律,可以看出该种新型试验机构运转稳定,证明该机构的设计方法可行.     

基于1D-CNN 的卫星姿态控制系统故障诊断方法

为解决卫星姿态控制系统中自主故障检测和诊断的问题,提出一种改进的1D-CNN 卫星姿态控制系统故 障诊断方法。以卫星姿态控制系统的故障诊断为背景,构建航天器姿态动力学模型,将卷积神经网络(convolutional neural network,CNN)与快速卷积算法相结合,对卷积神经网络的拓扑结构进行改进,根据BP 算法,将1 维原始数 据作为输入,结合反作用飞轮作为执行机构的技术特征,给出一种基于卷积神经网络的故障检测和隔离方法。仿真 结果验证了该方法对卫星姿态控制系统实时故障检测和分类的有效性。     

一种有效的不均衡样本生成方法及其在行星变速箱故障诊断中的应用

针对实际运行中行星变速箱故障数据较少、各个状态样本不均衡的问题,提出了由Wasserstein生成式对抗网络(WGAN)样本生成模型和卷积神经网络(CNN)分类模型组合的WGAN-CNN故障诊断分类模型。该模型对故障数据的频谱信号进行过采样,以扩展故障样本数量,从而更好地对故障状态进行分类。采用加州大学欧文分校人工数据集对WGAN生成模型以及经典过采样方法进行对比,并在行星变速箱故障试验台上进行验证。结果表明,样本不均衡会严重影响分类结果,而WGAN-CNN模型可以很好地扩充故障样本集,提高在故障样本稀少情况下的诊断准确率。