大数据背景下基于特征学习的机械设备剩余寿命预测

传统数据驱动剩余寿命的预测方法是通过信号处理从监测数据中手动提取特征并构建健康指标，而在大数据背景下，手动提取特征需要特定专家知识并耗费大量人力，为解决该问题，提出了一种基于特征学习的机械设备剩余寿命预测方法——自适应特征学习寿命预测方法（AFLRULP）. 该方法构建移动窗口数据矩阵解决单次采样中的数据波动问题，并建立了多层一维卷积神经网络将数据矩阵映射为机械设备的健康状态；根据失效阈值可以计算出机械设备的剩余寿命；采样轴承全寿命周期数据集合对提出的AFLRULP进行验证，并且与传统基于手动提取特征的方法进行寿命预测准确性的对比. 研究结果表明:AFLRULP不需要人工提取特征，可从原始监测数据映射为机械设备的性能状态与剩余寿命，相对于现有的基于手动提取特征的寿命预测方法，提出的方法在轴承寿命预测累积相对准确率上平均提高了0.20.      

基于GD-FNN和参考模型的无人艇航向鲁棒自适应控制

为使无人艇在复杂环境干扰下能按希望要求改变航向,本文设计了一种基于广义动态模糊神经网络和参考模型的鲁棒自适应控制器.首先针对因环境干扰产生的不确定干扰项基于广义动态模糊神经网络建立了无人艇运动控制的逆动态模型,设计了模糊神经网络的自适应率以进一步调整神经网络权值,并结合无人艇运动控制模型的参考模型设计了无人艇航向鲁棒自适应控制器,然后通过Lyapunov稳定性理论,证明了基于该控制器的无人艇航向控制系统的稳定性,最后采用半物理仿真实验验证了该控制方法的有效性和准确性.     

基于分段学习模型的自动驾驶行为决策算法研究

在具有车道线的特定自动驾驶场景中,针对目前端到端的行为决策算法直接输入原始图像进行决策导致的网络模型迁移性差、预测精度欠佳、泛化能力不足等问题,提出一种基于分段学习模型的车辆自动驾驶行为决策算法。首先,基于GoogLeNet建立一种端到端的车道线检测网络模型,并引入车道中心线作为决策的重要线索提高算法的迁移能力,同时利用YOLOv3目标检测模型对本车道内前方最近障碍物进行位置检测;而后,经几何测量模型将两者检测结果转换成环境状态信息向量为决策做支撑;最后,构建基于长短期记忆(LSTM)网络的驾驶行为决策模型,根据编码的历史状态信息刻画出动态环境中车辆的运动模式,并结合当前时刻的状态推理得到驾驶行为参量。使用建立的真实驾驶场景数据集对模型分别进行训练、验证与测试,离线测试结果显示车道线检测模型的检测位置误差小于1.3%,车道内前方障碍物检测模型的检测精度达98%以上,驾驶行为决策网络模型表征预测优度的决定系数 大于0.7。为进一步验证算法的有效性,搭建了Simulink/PreScan联合仿真平台,多种工况下的仿真验证试验中多个评价指标均达到工程精度要求,实车测试的试验结果也表明该算法可实现复杂驾驶场景下平稳、准确无偏航的预测效果并满足实时性要求,且与传统端到端模式的算法相比,具有更好的迁移性和泛化能力。     

基于人工神经网络的锈蚀钢筋强度预测

影响钢筋锈蚀后强度的因素多而复杂，目前尚没有普遍认可的统一范式。本文采用了人工神经网络自适应分析的方法，通过对大量试验数据的自适应分析，对造成钢筋锈蚀的多重因素进行综合分析，计算力学性能的变化范围，构建了预测模型。从得到的实验结果来看，预测模型具备较好的适用性，能够满足工程精度的要求，有望成为评估锈蚀后钢筋强度的一种新方法。     

一种新型集成智能传感器的容错控制方法

提出了一种传感器容错控制新方案。该方案融合了神经网络、模糊逻辑、自适应预测、系统结构分析与容错控制技术，解决了传统容借控制系统不能对复杂系统进行有效控制的问题。采用该方法对一传统容错控制系统进行了仿真，证明了具有比原系统更加优越的性能。     

基于遗传算法优化神经网络的纸坊隧道初始地应力场拓展分析

遗传算法具有较强的全局搜索能力,神经网络具有自学习能力,结合神经网络和遗传算法,可以充分利用两者的优点,使新算法既有神经网络的学习能力和鲁棒性,又有遗传算法的强全局搜索能力。初始应力场和待定因素之间的关系往往比较复杂,而基于遗传算法优化神经网络可以容易地确定出初始应力场和待定因素之间的非线性映射关系,将该方法用于纸坊隧道初始地应力场的拓展分析研究,获得了很好的效果。