基于频率下降率的结构损伤自适应神经网络识别

笔者探讨了动量系数和学习率自适应调整的神经网络算法及结构裂纹损伤识别特征参数的选取,提出以反映结构损伤位置和程度的频率下降率作为结构裂纹损伤识别的特征参数,利用有限元网格细化法对结构裂纹损伤进行数值模拟,获取训练样本数据,通过自适应神经网络对结构裂纹损伤问题进行识别研究。从结构裂纹损伤识别实例的结果中可以看出,采用频率下降率和自适应神经网络技术对结构裂纹进行损伤识别分析具有较高的精度和可靠性。     

自动扶梯超速和非操纵逆转保护装置检测技术及仪器研制

本文介绍了一种基于变频技术,采用工况模拟的手段来检测自动扶梯超速和非操纵逆转保护装置的新方法及依赖于该方法研制的综合检测仪器。该仪器可以模拟出扶梯意外超速和非操纵逆转的危险工况,从而实现定性定量检测。本文着重介绍了该仪器的原理、特点以及操作方法,详细分析了其与传统方法在实际检测中的对比案例。该技术和仪器以其直观、准确、可定性定量的优点,很好的解决了自动扶梯超速和非操纵逆转保护装置的检测难题,填补了国内外空白,达到了国际先进水平。     

异常性检测算法在引信干扰信号识别中的应用

目的 解决传统分类引信抗干扰算法因干扰信号难获取、特征信号样本少、正负样本数不平衡而导致计算精度低的问题,克服引信抗干扰算法对样本的依赖性,并提高引信信号识别准确率。方法 通过WVD时频变换的方法,将拆分后的真实含扰引信信号切片进行重组,使其由一维时序信号向二维图片信息进行扩展,基于数据倍增策略,提升算法泛化性,并降低其对真实数据样本的依赖。融合GANomaly与EfficientNet网络,在扩充的引信数据集上进行线下干扰信号特征学习,并对含扰引信图像数据进行线上异常性判断与干扰信号识别。结果 GE-FS网络能够在真实引信小样本信号的基础上进行有效数据扩充,基于扩充数据训练后,引信含扰识别准确率达到98.4%。结论 GE-FS网络能有效针对引信异常信号进行精确检测与识别,可以增强引信系统的抗干扰能力与作战自适应性。