基于多源域深度迁移学习的舵机在线故障诊断

针对航空武器不同舵机轴承在不同负载力矩下呈现特征数据与工作状态映射关系难以定量表达,开展未知领域的状态识别是一条可行的技术路线;引入多源域深度迁移学习的思想,提出具有多核MMD的MSFAN故障诊断方法。采用傅里叶变换提取不同域原始数据的时频域特征,通过多核MMD距离度量方式减小源域和目标域之间的特征分布差异;利用特定域分类器降低不同域对目标样本在类边界附近的分类损失,提高模型在目标域中的分类精度。试验分别采用公开轴承数据集作为源域数据,使用该方法对目标域数据进行状态识别,与Alxnet、Rexnet18等诊断算法相比,所提方法获得较好的转移性能,基本达到100%的故障识别率。

基于LSTM-PPO算法的无人作战飞机近距空战机动决策

近距空战中环境复杂、格斗态势高速变化,基于对策理论的方法因数据迭代量大而不能满足实时性要求,基于数据驱动的方法存在训练时间长、执行效率低的问题。对此,提出了一种基于深度强化学习算法的UCAV近距空战机动决策方法。首先,在UCAV三自由度模型的基础上构建飞行驱动模块,形成状态转移更新机制;然后在近端策略优化算法的基础上加入Ornstein-Uhlenbeck随机噪声以提高UCAV对未知状态空间的探索能力,结合长短时记忆网络(LSTM)增强对序列样本数据的学习能力,提升算法的训练效率和效果。最后通过设计3组近距空战仿真实验,并与PPO算法作性能对比,验证所提方法的有效性和优越性。

基于模糊专家系统与IDE算法的UCAV逃逸机动决策

针对现有研究中无人作战飞机(unmanned combat air vehicle,UCAV)近距逃逸机动的自适应性不足和战术性匮乏问题,提出一种将模糊专家系统与双策略竞争的可选外部存档差分进化算法(external archiving differential evolution algorithm with dual strategy competition,DSC-JADE)相结合的逃逸机动决策算法。通过对战术知识的学习,建立模糊专家系统,将逃逸决策过程通过滚动时域划分为离散片段,根据模糊专家系统决策得到机动动作,在其控制量对应的可行域内,采用改进差分进化算法(improved differential evolution,IDE)进行寻优得到最优控制量,完成逃逸机动决策。在UCAV处于劣势的初始条件下进行仿真验证,证明DSC-JADE算法相较原始差分进化以及其他传统群智能算法搜索能力更强,采用专家系统相较不采用专家系统逃逸决策能力更优。