基于双识别器对抗的开放域自适应故障诊断方法

领域自适应问题在机械设备故障诊断领域已被广泛研究,当前大多数封闭域自适应方法通常都假设源域和目标域共享相同的标签类型空间。然而,这不完全符合机械设备真实的诊断需求,实际上会出现新的故障类型,因而传统依据边缘分布对齐的方法难以处理此开放域问题,不能正确辨识出已存在的样本类型和新出现的类型。针对源域和目标域标签类型空间部分重叠的这另一典型开放域诊断问题,提出了一种基于双识别器对抗的开放域自适应故障诊断方法。两个结构相同的神经网络被引入进行对抗性训练,以增强模型对已知类型辨识的领域自适应性能,利用源域与目标域熵最大与最小化策略,以及目标域样本输出的二元交叉方案用以建立分界线隔离新出现的未知类型。利用轴承数据和自吸式离心泵数据进行分析验证,实验结果表明:所提方法相对于典型的封闭域和开放域模型,能更准确的判定机械设备已存在的故障类型和新出现的未知故障类型,在各诊断任务中,均能达到90%以上的正确率。

基于改进受限玻尔兹曼机的滚动轴承健康因子构建方法

针对传统方法构建的健康因子各类性能指标不高、信息冗余的问题,提出一种基于改进受限玻尔兹曼机(restricted Boltzmann machine,RBM)的滚动轴承健康因子构建方法。首先,提取滚动轴承振动监测信号时域、频域特征组成物理健康因子集。其次,将RBM隐藏层节点数随时间变化斜率引入到正则化项中,提取物理健康因子集中的趋势性特征。最后,利用滚动轴承全寿命周期试验验证所提方法的有效性。实验结果表明,相对于主成分分析(principal component analysis,PCA)法、传统RBM虚拟健康因子构建方法,基于改进RBM构建的虚拟健康因子单调性分别提高178.0%和33.3%,趋势性分别提高126.8%和16%,鲁棒性分别提高60%和6.02%。

基于RCNN-ABiLSTM的机械设备剩余寿命预测方法

针对机械设备的关键退化信息易淹没在非线性、多维度、长时间、大规模监测数据中的问题,提出了一种基于残差卷积神经网络和注意力双向长短时记忆网络融合(residual convolutional neural network-attentional bidirectional long short-term memory network,RCNN-ABiLSTM)的机械设备剩余寿命预测方法。首先通过训练RCNN提取监测数据的深度空间特征;然后通过引入注意力机制,优化双向长短时记忆网络提取时间相关特征的权重参数,加强关键退化信息对剩余寿命预测的表达;最后通过航空发动机数据集验证了方法的有效性。分析结果表明,对于运行条件复杂和故障模式多变的多维监测数据,所提方法能够准确寻找退化时间点,有效提高长时间运行设备的剩余寿命预测准确度。

基于FA-LN-BiGRU的机械设备剩余寿命区间预测方法

针对数据驱动融合模型存在前后模型不匹配、关键信息丢失等问题,提出了一种端对端的预测方法,即基于特征注意力机制的对数正态分布和双向门控循环单元融合(feature attention-lognorm-bidirectional gated recurrent unit,简称FA-LN-BiGRU)的剩余寿命区间预测方法。首先,利用特征注意力机制从多维度、非线性和大规模的传感器信号中提取出关键特征向量;其次,采用BiGRU网络从前向和后向2个方向对注意力加权特征的时变特性进行建模学习,并通过最大似然估计损失函数来训练网络参数,获得网络隐含状态输出向量的概率分布;最后,计算出基于对数正态分布的概率密度函数,实现设备剩余寿命(remaining useful life,简称RUL)不确定性的衡量。分析结果表明,对于运行条件复杂和故障模式多变的多维监测数据,所提方法能够深入挖掘性能退化信息,有效提高机械设备剩余寿命点预测和区间预测的准确度和可靠性。

基于正态过程的激光武器毁伤概率仿真分析

目前激光武器的毁伤概率没有明确的定义和定量分析方法,针对上述问题,定义了毁伤概率且提出了在正态过程下分析毁伤概率的方法。推导出激光武器到靶功率密度计算模型;根据到靶功率/能量密度定义了毁伤概率;在正态过程中分析到靶能量密度的概率密度函数,计算目标的毁伤概率;从反舰导弹的飞行轨迹出发,推导并计算出导弹末端飞行任意位置对应的毁伤概率。该方法可有效提高激光武器毁伤预估和射击时机选取能力。

非均衡小样本条件下基于SAE - ACGANs的复杂 供输机构故障诊断方法

非均衡和小样本问题是制约深度学习技术在复杂供输机构故障诊断领域中应用效果的关键因素。为克服传统深度学习方法难以获取小样本数据内在分布和传统非均衡数据处理方法未考虑类别信息均衡化的缺陷,提出一种基于稀疏自编码辅助分类生成式对抗网络(sparse autoencoder auxiliary classifier generative adversarial networks,SAE-ACGANs)的复杂供输机构故障诊断方法。首先,对供输机构振动信号进行连续小波变换(continuous wavelet transform,CWT),得到反映信号时频特征的二维时频图;然后,运用稀疏编码器提取图像特征,并与类别信息融合为隐变量,强化其表征与图像所属类别相关特征的能力;生成器将融合隐变量映射为与真实样本分布类似的生成样本,从而扩展训练数据集;判别器从扩展数据集中挖掘有效的深度特征,并实现样本真伪和类别的判断;最后,通过优化后的生成器和判别器对抗学习训练机制,相互交替优化以达到纳什平衡,提高方法在非均衡小样本条件下样本生成质量和故障判定能力。复杂供输机构台架试验研究结果表明:SAE-ACGANs框架可以充分学习输入样本的内在分布和深度特征,相较于原ACGANs框架提升了判别器的性能,实现了模型收敛速度、训练精度和稳定性的提升;相较于传统非均衡数据处理算法,模型有效改善多数类分类偏好的影响,对于少数类故障样本的识别能力大幅提升。

舰载激光武器反导体系贡献率评估方法研究

对舰载激光武器在装备体系中的体系贡献率评估方法问题进行研究,分析了舰载激光武器体系贡献率的评估流程,以指标定量分析计算方法为核心,给出了激光武器体系贡献率评估方法。针对激光武器具备软、硬两种毁伤方式及受环境因素影响较大的问题,在传统体系贡献率评估方法的基础上,提出了基于激光武器毁伤概率下的武器使用概率(PWU)计算模型,能够有效对大气环境对激光武器使用概率的影响进行量化研究,并在该模型的基础上对装备能力指标进行计算。通过列举典型任务场景,对激光武器体系贡献率进行了具体分析,验证了该评估方法的可用性,为舰载激光武器的装舰部署提供了理论支持。

基于SW-DBA-DCNN的滚动轴承故障诊断方法

针对滚动轴承故障诊断过程中出现的数据样本量不平衡问题,论文提出一种基于Sliding Window-Dynamic Time Warping Barycentric Averaging(SW-DBA)的数据扩增方法,并构建深度卷积神经网络模型用于故障诊断。首先,通过分析传统数据扩增方法,提出基于SW-DBA的数据扩增模型。其次,通过搭建深度卷积神经网络建立故障诊断模型,并将利用扩增的新数据序列作为非平衡样本的补充,实现非平衡样本下的故障诊断。最后,通过人为设置两组不平衡样本下数据扩增前后的对比实验,分析故障诊断准确率分别由90.32%和80.57%提升至93.33%和93.04%,验证论文提出方法能有效改善数据不平衡问题。

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.

基于深度卷积变分自编码网络的故障诊断方法

机械传动部件的健康状况影响设备的正常运行,针对齿轮、轴承等传动部件的故障诊断,传统的诊断方法是依靠人工经验提取和选择故障特征,然而,特征选择的优劣直接影响诊断效果。结合深度学习在特征提取和处理高维数据方面的优势,提出一种基于深度卷积变分自编码网络（DCVAEN）的故障诊断方法。该方法利用频谱数据训练深度神经网络,能减少特征提取对人工经验的依赖和信息的损失,在网络中加入了变化的噪声和调整学习率,使得网络隐层提取判别性的故障特征,能满足多故障和变工况的诊断。利用自吸式离心泵数据和西储大学轴承数据进行分析验证,实验结果表明,所提方法能更准确、更稳定地识别传动部件的各种故障,具有较强的泛化能力。

基于MED和EEMD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出将最小熵反褶积(MED)和集成经验模态分解(EEMD)方法相结合用于提取轴承微弱故障特征的方法。首先,采用MED对滚动轴承振动信号降噪,以增强冲击特征;然后,利用EEMD分解降噪后信号得到一组固有模态分量(IMF),依据相关系数和峭度准则,选择敏感的IMF分量重构信号,并采用希尔伯特包络解调提取故障特征;最后,通过仿真信号和实验台信号验证了该方法的有效性。

增量式监督局部切空间排列算法及齿轮箱故障诊断实验验证

针对局部切空间排列算法面临的无法利用样本标签信息和不能高效处理增量式维数约简问题,提出一种新的增量式监督局部切空间排列算法(Incremental Supervised Local Tangent Space Alignment,ISLTSA)。为充分利用训练样本标签信息,在LTSA算法的基础上加入散度矩阵,构造新的最小目标函数,使得高维样本的低维嵌入坐标同类聚集、异类分离。对于新增样本可能影响部分训练样本局部邻域,更新全局坐标矩阵,获取训练样本低维坐标和新增样本低维坐标,并作为初值进行特征值迭代实现所有样本全局坐标的更新。结合支持向量机分类算法,将ISLTSA算法应用于齿轮箱的故障状态识别,实验分析验证了该方法的监督学习能力,可提高故障状态识别率,并具备增量学习能力,可降低维数约简方法的复杂度。

反蛙人火箭炮的射击效率建模与仿真

为评定反蛙人火箭炮作战效能,根据反蛙人火箭炮武器系统的特点,通过分析反蛙人杀伤弹的毁伤机理,提出对目标提前点射击和对目标当前点射击的方式,将蛙人目标等效为长方体和圆柱体,建立了不同射击方式下的杀伤目标概率模型,为评定反蛙人火箭炮射击效率提供了方法。通过想定模拟,利用蒙特卡洛法实现了各射击方式下反蛙人火箭炮毁伤概率的仿真计算。结果表明:目标深度、引信延时、反应时间等因素影响射击效果,仿真结果对于如何运用反蛙人火箭炮有一定参考意义。

改进双树复小波包变换及在故障诊断中的应用

针对双树复小波包分解存在频带错位和频带重叠的缺陷,提出了一种改进的双树复小波包分解算法。该算法通过交换高频子带节点小波包分解后的两节点频带顺序来消除频带错位缺陷,引入切比雪夫滤波器滤去除低频、高频子带理想通带范围之外的频率成分,以消除频带重叠缺陷。将改进双树复小波包谱峭度方法应用于齿轮箱故障诊断,首先将振动信号分解成不同频带的分量,然后利用谱峭度理论自动确定最优带通滤波器参数,获取最佳频带,再采用Hilbert包络解调,准确识别出故障齿轮的转动频率。实验结果表明,该方法能更有效地提取强噪声干扰下的齿轮箱微弱故障特征,验证了该方法的可行性和有效性。

舰载近区防卫眩目武器干扰效果研究

眩目武器是水面舰艇防卫近区非对称威胁目标的新型武器,其作战效果分析和作战运用研究是新的课题。分析眩目武器的作用机理,建立了眩目武器干扰效果分析模型,并在仿真计算结果分析的基础上提出了眩目武器运用的一般原则和方法,可以为相关的指挥决策提供一定的借鉴和指导。

舰载近区防卫武器综合运用

水面舰艇近区防卫武器的作战运用研究是舰载武器作战运用研究的新课题。在分析近区防卫目标特征、武器特点、作战方法的基础上,提出近区防卫武器综合运用一般原则,基于作战时域的连续性及效果的叠加性,构建近区防卫武器使用逻辑结构,建立武器运用的对策模型,可为近区防卫武器的科学使用提供理论参考。

基于遗传算法的舰艇编队任务分配问题研究

任务分配是舰艇编队作战任务规划中的关键技术之一,根据舰艇编队对地作战的特点建立了任务分配模型,给出实例并运用遗传算法进行了求解计算。仿真结果表明了该模型和方法的有效性,在理论上为舰艇编队任务分配决策提供了方法,对作战软件的研究有一定的参考价值。

融入课程思政的舰炮专业混合式教学改革研究

舰炮专业课程体系建立于实装和模拟设备教学基础上,显具特色,在当前顺应改变传统以“教员为中心”,继而转向“以学员为中心”的教学改革大潮中,思考如何结合舰炮专业的特点,建立线上和线下混合式教学设计,促进学员建构完善课程知识网络,辅助和推动学员提升内化吸收课程知识的能力。在课程中真切自然的融入思政案例,引发学员的思考与讨论,培养学员爱海军、爱岗位、爱专业的情怀和能力素养。

基于时间序列数据扩增和BLSTM的滚动轴承剩余寿命预测方法

针对滚动轴承全寿命周期监测数据不足导致剩余寿命预测精度不高的问题,提出一种基于时间序列数据扩增和双向长短时记忆(bidirectional long-short term memory, BLSTM)网络的剩余寿命预测方法。首先,采集训练用滚动轴承全寿命周期振动加速度和测试轴承振动加速度数据。其次,对采集得到的原始数据预处理后提取健康因子,将训练用数据和测试数据分别构成参考数据集和目标数据集。然后,以参考数据集为基础,利用动态时间规整算法扩增目标数据集数据。最后,使用数据扩增后的测试数据训练BLSTM网络,利用训练好的BLSTM网络预测滚动轴承性能退化趋势和剩余寿命。实验结果表明,基于动态时间规整算法的数据扩增模型能够根据已有全寿命周期数据,扩增性能退化过程相似的滚动轴承运行数据,利用扩增数据训练BLSTM网络,能够有效提高性能退化趋势预测能力,进而提高剩余寿命预测精度。

基于DTCWPT和t-SNE的去噪方法及在故障诊断中的应用

为了提取被强噪声淹没的机械设备振动信号中蕴含的微弱故障特征,依据有用信号和噪声在空间分布特性的不同,将流形学习的方法引入到信号降噪中,提出一种将双树复小波包(DTCWPT)和t分布随机近邻嵌入(t-SNE)结合的去噪方法,充分利用了DTCWPT分解的多尺度特性以及t-SNE的非线性降维能力。将振动信号进行双树复小波包分解,依据各尺度小波包系数Shannon熵值搜索最佳小波包基,利用提出的新的阈值函数,对最佳小波包基的小波包系数进行去噪并单支重构组成高维信号空间,然后,采用t-SNE提取高维空间的低维流形,对低维信号序列进一步采用阈值去噪,利用谱回归分析重构回一维信号序列。最后,通过对仿真信号与滚动轴承振动信号进行去噪,结果证实了方法具有良好的非线性去噪性能,将仿真信号的信噪比从-1提高到8.6 d B,并且能更有效的提取强噪声干扰下滚动轴承的故障特征频率。