“数智化”背景下高校兵器类专业教学新模式改革浅析

伴随着“数智化”时代的来临,高校兵器类专业的教学模式有了新的发展与变革,数字化、信息化、智能化为主要特征的教学模式创新已逐渐成为新时代高等教育的主题。受益于人工智能、大数据、云计算等数智化技术的渗透与影响,高校兵器类专业的教育与教学模式急需摆脱对传统教学的限制与束缚。本文主要通过对“数智化”背景下高校兵器类专业教学新模式改革的必要性分析、所面临的挑战、重点内容、建议策略等五大角度进行探讨与浅析。通过在教学模式中引入“数智化”教学的理念与手段,可有效提升兵器类专业师生的学习兴趣、效率等,大幅度提高教学质量,为兵器专业教学新模式提供一定可参考的依据与思路。

基于自适应渐近预设性能的电静液作动器跟踪控制

针对电静液作动器存在的固有非线性、建模不确定性和跟踪性能约束的问题,该文提出了一种基于自适应渐近预设性能跟踪控制策略。该方法建立了电静液作动器的非线性数学模型,通过增益自调节的误差符号积分鲁棒方法处理模型不确定性和扰动,并引入预设性能函数保证系统的跟踪误差满足约束条件,提高了系统的瞬态跟踪精度。最后,Lyapunov函数证明了即使存在匹配和不匹配扰动,闭环系统仍可获得渐近稳定性能。联合仿真试验对比结果表明,该控制策略能够有效解决电静液作动器高精度跟踪问题,满足瞬态和稳态性能的控制要求。

全局与局部判别信息融合的转子故障数据集降维方法研究

针对传统的数据降维方法无法兼顾保持全局特征信息与局部判别信息的问题,提出一种核主元分析(Kernel principal component analysis,KPCA)和正交化局部敏感判别分析(Orthogonal locality sensitive discriminant analysis,OLSDA)相结合的转子故障数据集降维方法.该方法首先利用KPCA算法有效降低数据集的相关性、消除冗余属性,由此实现了最大程度地保留原始数据全局非线性信息的作用;然后利用OLSDA算法充分挖掘出数据的局部流形结构信息,达到了提取出具有高判别力低维本质特征的目的.上述方法的特点是通过同时进行的正交化处理可避免局部子空间结构发生失真,采用三维图直观显示出低维结果,以低维特征子集输入最近邻分类器(K-nearest neighbor,KNN)的识别率和聚类分析之类间距Sb、类内距Sw作为衡量降维效果的指标.实验表明该方法能够全面地提取出全局与局部判别信息,使故障分类更清晰,相应地识别准确率得到了明显提升.该研究可为解决高维和非线性机械故障数据集的可视化与分类问题,提供理论参考依据.

相关流形距离在转子故障数据集分类中的应用方法

针对故障特征属性值域之间存在着一定相关性导致准确分类困难的问题,提出一种能够考虑相关系数影响作用的转子故障数据集分类方法;该方法是将相关流形距离的边界Fisher分析(Correlation Manifold Distance Marginal Fisher Analysis,CDMFA)与相关流形距离的K-近邻(Correlation Manifold Distance K-Nearest Neighbor,CDKNN)分类器概念相结合在一起的结果。首先,将振动信号集合转换成多域、多通道高维故障特征数据集;然后,通过CDMFA将融合相关系数的相关流形距离用于度量数据样本间的近邻与权值,据此能更好地反映高维数据间的相似性关系,提取出能使类间距离趋大的低维特征子集;最后,将得到的低维特征子集输入到CDKNN分类器中进行故障模式辨识。用一个双跨度转子系统数据集与仿真数据集对所提出的方法进行了验证。结果表明:本方法降维效果良好,可获得更高的故障分类准确率。研究发现,采用相关流形距离作为信息测度的故障数据分类方法能更真实地揭示出高维特征间的几何结构关系;该方法可为高维故障数据集的特征属性约简与分类,提供降低数据规模的理论参考依据。

基于正则化核最大边界投影维数约简的滚动轴承故障诊断

针对旋转机械故障诊断中故障样本获取困难的现状,提出一种基于正则化核最大边界投影(Regularized Kernel Maximum Margin Projection,RKMMP)维数约简的滚动轴承故障诊断方法。该方法首先利用RKMMP对小样本、少标记信息的混合故障样本集进行训练降维,然后将降维后的低维敏感特征子集输入到核极限学习机(Kernel Extreme Learning Machine,KLEM)分类器中进行故障识别。上述方法的特点是所提出的RKMMP能充分利用少量标记样本信息与大量无标记样本的故障信息,避免过学习的缺陷,同时通过添加正则化项克服小样本问题。滚动轴承故障模拟实验表明:该方法结合了RKMMP在维数约简和KLEM在模式识别上的优势,在一定程度上能提升故障诊断的泛化能力与识别精度。该研究可为解决好故障诊断中样本获取困难的问题,提供理论参考依据。

基于邻域粗糙集的转子故障数据属性约简

特征数据集的属性约简是机械故障智能诊断的关键步骤之一。目前利用粗糙集理论从大量的且含有噪声以及非线性、非平稳信号的故障数据集中提取出有用特征信息是一件值得研究的事情。针对原始故障数据集直接离散化会导致一些关键属性丢失以及时域内分析不能有效获取故障本质的问题,提出了一种以频域内的频谱值为条件属性,以故障类别为决策属性建立邻域粗糙集决策表对数据集进行属性约简的方法。通过处理转子实验台数据对该方法进行验证和对比,结果表明该方法能有效地获得典型故障的关键属性和更加准确的决策规则。

基于注意力卷积胶囊网络的电液比例伺服阀故障诊断

针对目前基于模型的比例伺服阀故障诊断方法存在参数未知、不易建模的问题,首次提出了注意力卷积胶囊网络(ACCN)算法,并设计了基于注意力卷积胶囊网络的比例伺服阀故障诊断新方法。该算法首先使用卷积神经网络和高效通道注意力机制,对原始的多通道一维时域信号进行特征提取与融合,然后将融合结果输入到后续的胶囊网络中进行特征再提取和故障分类,输出对应的诊断结果。比例伺服阀故障模拟试验台验证了所提算法与诊断方法的有效性,提出的方法在测试集上取得了100%的准确率,且通道注意力机制和胶囊网络的加入使模型的诊断效果得到了不同程度的提升。