针对动态神经网络分类器训练时采样时间长、计算量大的问题,提出一种动态神经网络分类器的主动学习算法。根据主动学习AL(Active Learning)算法中一种改进型不确定性采样策略,综合考虑样本的后验概率及其与已标记样本间的相似性,标注综合评价得分值较小的样本,将其用于对网络分类器的训练。通过Sobol’敏感度分析法,神经网络适时地增加敏感度值较大或删减敏感度值较小的隐层神经元,以提高其学习速率,减小输出误差。分类器训练仿真实验结果表明,与被动学习算法相比,该算法能够大大缩短网络分类器训练时间,降低其输出误差。将该算法用于液压AGC系统中,实验结果表明,该算法可实现系统中PID控制器参数的在线调节,提高了厚度控制精度,以此验证了该算法的适用性。

在固体火箭发动机燃烧室和喷管对接装配过程中,为准确实时预测密封圈应力,以确保发动机的装配质量,提出了一种基于Kriging模型的密封圈对接装配应力预测方法。首先,分析装配工况,利用有限元分析方法计算出多种工况下密封圈的应力-应变;其次,使用生成对抗网络的方法扩大数据样本空间;之后,利用拉丁超立方抽样法选取一定数量的应力-应变数据构建Kriging模型;最后,根据定义的加点准则迭代优化Kriging模型,实现主动学习,由此得到密封圈应力预测的数字孪生模型。装配时,通过六自由度并联平台的力位传感器实时采集的信号数据,作为数字孪生预测模型的输入;通过实时读取模型输出,实现对接过程中的装配质量实时在线预测反馈。