CN109388855B - 数字飞行器仿真结果人工智能比对与检验方法 - Google Patents
数字飞行器仿真结果人工智能比对与检验方法 Download PDFInfo
- Publication number
- CN109388855B CN109388855B CN201811057031.5A CN201811057031A CN109388855B CN 109388855 B CN109388855 B CN 109388855B CN 201811057031 A CN201811057031 A CN 201811057031A CN 109388855 B CN109388855 B CN 109388855B
- Authority
- CN
- China
- Prior art keywords
- comparison
- algorithm
- data
- parameter
- program
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了数字飞行器仿真结果人工智能比对与检验方法,包括以下步骤:(1)建立方法库,书写参数选择推理规则和算法选择推理规则;(2)建立比对与检验算法库;(3)书写遥测数据预处理程序及仿真结果预处理程序;(4)数据比对与检验;(5)自动生成比对检验结果报告。本发明模拟人对数据进行比对检验的过程,能够解决飞行器仿真结果的智能比对与检验的问题,提高了仿真结果比对的效率与正确性,为飞行器的故障预测与分析提供了依据。
Description
技术领域
本发明涉及一种仿真结果智能比对与检验方法,尤其涉及数字飞行器仿真结果人工智能比对与检验方法。
背景技术
随着航天事业的蓬勃发展和任务要求的多样性提升,在轨卫星数目显著增加,卫星系统的复杂性不断提升,其在轨故障率也明显增加。目前,仅仅通过传统可靠性工程的方法和手段,依托专家和个人经验的人工分析方法已逐渐无法适应和确保卫星安全可靠运行对数据处理和分析的苛刻要求。
仿真技术是一种利用数字世界对真实世界进行模拟的技术,具有可控性高、无破坏性、允许多次重复、受现实条件限制小等优势。从20世纪中期开始,随着航空航天领域的发展,仿真技术为航空航天提供了有效地辅助。近20多年来,伴随计算机、可视化等技术的飞速发展与融合,仿真技术在航空航天产品研制过程中获得了大规模应用,尤其是在设计等关键环节发挥着举足轻重的作用,成为航空航天产品数字化研制模式的主要组成部分。
通过仿真结果与真实遥测数据的比对,检验并修正数字卫星模型,可提高仿真模型的精度。高精度的仿真模型可对真实卫星状态进行实时、精确的评估,有助于故障的早期发现与精准定位。复杂仿真系统的仿真结果具有规模大、纬度高、动态性强等特点,数据比对过程复杂费时难度大;因此亟待设计一种使用人工智能程序生成数字飞行器仿真结果的智能比对与检验方法,对飞行器仿真结果自动进行比对,书写比对检验报告,进而减少人的工作量。
发明内容
有鉴于此,本发明使用人工智能语言模拟人对数据进行比对的过程,以解决飞行器仿真结果的智能比对与检验结果展示问题,提高仿真结果比对的效率与正确性。
为了实现上述目的,本发明采用如下技术方案:
数字飞行器仿真结果人工智能比对与检验方法,其特征在于,包括以下步骤:
(1)建立方法库,书写参数选择推理规则和算法选择推理规则;
(2)建立比对与检验算法库;
(3)书写遥测数据预处理程序及仿真结果预处理程序;
(4)数据比对与检验;
(5)自动生成比对检验结果报告。
优选地,所述步骤(1)中通过人工智能编程语言定义参数选择推理规则及算法选择推理规则,所述人工智能编程语言包括Prolog、LISP或Smalltalk。
优选地,所述步骤(1)中的参数选择推理规则包括:
1)根据比对层次顺序选择参数;
2)根据任务定义选择主要参数;
3)根据数据比对粒度选择参数。
其中,1)为总纲,2)为根本,3)为辅助;即1)为总体原则,根据层次划分参数类别,罗列所有可能参数,然后根据2)从中选出主要的比对参数,最后根据3)看情况是否增删比对参数。
优选地,所述步骤(2)中比对与检验算法库的建立包括:
1)书写数据库接口程序:
调用参数选择推理规则,确定比对参数,形成参数调度指令;
比对完成后,调用算法选择推理规则,确定所需要的检验算法,形成检验算法调度指令;
2)建立数据比对算法:
对仿真量与对应遥测量在时间尺度上作差,差值成为残差;
3)建立数据检验算法:
包括统计分析、线性回归、支持向量机回归和傅里叶级数回归;
4)书写算法调度程序:
用于接收所述数据库接口程序的参数调度指令和检验算法调度指令;根据所述参数调度指令从遥测数据库及仿真归档数据库中提取数据,结合所述数据比对算法计算残差;然后根据所述检验算法调度指令,选择对应的数据检验算法进行数据处理。
优选地,通过Matlab建立比对与检验算法库。Matlab拥有强大的数据处理能力,Matlab的工具箱和库函数包括多种常用的算法,在此基础上开发适合比对分析的新算法,可以节省大量的时间,提高效率。
优选地,所述步骤(3)中通过C#书写所述遥测数据预处理程序和所述仿真结果预处理程序。
优选地,所述遥测数据预处理程序根据用户需求筛选对应时间遥测数据并导入到遥测数据库;所述仿真结果预处理程序对仿真结果进行归档,形成仿真归档数据库,并建立遥测数据与仿真结果间的对应关系。
对遥测数据及仿真结果进行预处理可方便后续数据的比对。
优选地,所述步骤(4)中的数据比对检验过程为:
1)所述数据库接口程序调用所述方法库中的参数选择推理规则,确定比对参数,所述遥测数据预处理程序和所述仿真结果预处理程序完成所述比对参数对应的遥测量和仿真量的预处理,并建立对应关系;
2)所述数据库接口程序对所述算法调度程序发出参数调度指令,算法调度程序调用数据比对算法对所选比对参数进行数据比对;
3)所述数据库接口程序调用所述方法库中的算法选择推理规则,确定检验算法,并对所述算法调度程序发出检验算法调度指令,所述算法调度程序调用数据检验算法完成检验,数据比对与检验结果存入数据库。
优选地,所述步骤(5)包括:
1)图自动生成;
2)表自动生成;
3)报告自动生成。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种数字飞行器仿真结果人工智能比对与检验方法,使用描述性语言建立参数选择推理规则和算法选择推理规则,并且建立比对与检验算法库;使用遥测数据预处理程序导入遥测数据,仿真结果预处理程序处理仿真结果;然后根据比对与检验算法库结合参数选择推理规则和算法选择推理规则对经过预处理的遥测数据和仿真结果进行比对与检验,并自动生成比对检验结果报告。通过本发明方法对飞行器仿真结果自动进行比对,书写比对检验报告,减少了研究人员的工作量,大大提高仿真结果比对的效率与正确性,为模型改进和故障预测分析提供依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了数字飞行器仿真结果人工智能比对与检验方法,如图1所示,其具体步骤包括:
一、建立方法库
使用Prolog、LISP、Smalltalk等人工智能编程语言定义参数选择推理规则和算法选择推理规则,存储为人工智能语言源程序。
1.参数选择推理规则用于对遥测参数进行分析与排序,确定参数比对的顺序;具体地,参数选择推理规则包括:
(1)根据层次关系确定比对顺序
确定比对的层次性,根据层次关系确定比对顺序;比对层次的确定依循从整星到子系统再到部件的顺序;比对顺序的确定依循整体到局部的顺序,罗列出从整星到子系统到部件所有可能的比对参数。
首先进行比对的参数为整星参数,包括整星运动特性参数、帆板运动特性参数和环境特性参数。其中整星运动特性参数包括轨道参数与姿态参数。之后对子系统级参数进行比对,比对的子系统参数包括供电子系统、热控子系统、推进子系统。
供电子系统参数比对按能量输入、能量存储、能量消耗的顺序依次比对太阳电池阵参数、电源参数、部件电参数。
热控子系统参数比对需先确定外热流与散热窗口参数,再依据长期平均温度不变的机理,比对设备温度,标定设备热功率;针对局部温度的偏差,进行局部热反馈系数的标定。
推进子系统通过比对储箱压力及气瓶压力,标定推力计算参数。
完成子系统级参数比对后,需对部件重要参数进行单独比对。比对内容包含敏感器、控制器及执行机构参数。
(2)根据任务定义选主要参数
根据卫星任务确定分析的数据,包括:
对于子系统复核复算,选取相应子系统参数。
对于遥感成像,选取轨道、姿态及成像效果相关参数。
对于轨道/姿态控制,选取控制精度、稳定度、姿态轨道机动时间等参数、控制力与力矩等参数。
对于故障仿真,选取与故障相关数据进行分析。
(3)根据数据比对粒度选择参数
根据用户需求判别数据比对粒度,对于初步比对分析,可以只选取与任务要求最密切的几个参数对应数据进行比对分析。随数据比对分析粒度加深,所选取的比对分析数据中依次增加重要性级别较弱的数据。
2.算法选择推理规则主要为根据数据特征选择检验算法。
判断仿真结果与遥测数据的比对结果(即残差)的变化快慢(一般根据残差数据的波动幅度结合用户需求判断),对于变化缓慢的数字量及慢变模拟量,使用线性回归检验,或使用统计分析方法进行检验,统计结果包括但不限于均值、方差、中值、最大值最小值、是否超出阈值等。对于变化较快的数字量及快变模拟量,进行周期性检验,并使用复杂分析方法进行分析;对于周期性变化数据,提取数据周期,分析频域特性,并在一个数据周期内对数据进行时域分析;对于无明显变化周期的数据,使用统计分析方法对全时间域进行数据分析。
二、建立比对与检验算法库
使用Matlab建立比对与检验算法库,用于对关联的仿真结果和遥测数据计算残差、建立回归模型,并对回归模型的效果进行检验。
比对与检验算法库具体包括:
1.Matlab数据库接口程序;
Matlab调用Prolog、LISP、Smalltalk等人工智能语言建立的参数选择推理规则,确定需要比对的参数,形成参数调度指令。
比对完成后,Matlab调用Prolog、LISP、Smalltalk等人工智能语言建立的算法选择推理规则,确定所需要的检验算法,形成检验算法调度指令。
2.Matlab数据比对算法;
具体的数据比对算法为残差法。残差法是对仿真量与对应遥测量在时间尺度上作差,差值成为残差。
3.Matlab数据检验算法;
具体包括统计分析、线性回归、支持向量机回归和傅里叶级数回归。
(1)统计分析
对于残差数据变化缓慢或无明显变化周期的数据,使用统计方法对数据进行检验分析,统计结果包括但不限于均值、方差、中值、最大值、最小值等。
均值分析使用Matlab系统自带的函数mean(),可以直接获取一组数据的均值信息;方差分析使用Matlab系统自带的函数var(),可以直接获取一组数据的方差信息;中值分析使用Matlab系统自带的函数mid(),可以直接获取一组数据的中值信息;最大值分析使用Matlab系统自带的函数max(),可以直接获取一组数据的最大值信息;最小值分析使用Matlab系统自带的函数min(),可以直接获取一组数据的最小值信息。
(2)线性回归
线性回归是利用数理统计中回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。当残差与时间呈现线性关系时,当采用线性回归检验。
(3)支持向量机回归
支持向量机建立在统计学理论VC维理论和结构风险最小原理基础上,综合考虑了样本误差和模型的复杂度,以及实际风险的两个决定因素:经验风险和置信范围,有效地解决了复杂性于推广能力之间的矛盾。支持向量机能够在有限特征信息情况下,最大限度地发掘数据中隐含的分类知识,对未来的故障信息进行状态预测,提高系统的整体预测性能。
支持向量机回归支持对变化较快的模拟量进行复杂分析。
(4)傅里叶级数回归
傅里叶级数模型适合于周期性变化特征明显的数据的建模,对于任意周期函数,在周期区间上都可以表示为一系列正弦函数与余弦函数的组合。
对于周期性特征明显的残差数据,采用傅里叶级数拟合,其流程为:
1)根据模型假设选定自变量与因变量;
此处自变量为时间,因变量为仿真量与遥测量的残差,即呈现周期性特征的残差数据。
2)选择参数;
自变量和因变量的选择由1)确定,傅里叶拟合阶数一般设置为3,可根据实际拟合情况修改为其他值。
3)调用工具箱进行回归拟合;
调用Matlab工具箱完成拟合。
4)结果验证。
4.Matlab算法调度程序;
(1)用于接收Matlab数据库接口程序的参数调度指令,内容包括比对遥测参数编号及对应仿真参数来源;
(2)用于接收Matlab数据库接口程序的检验算法调度指令,内容为所确定数据检验算法;
(3)根据参数调度指令从遥测数据库及仿真归档数据库中提取数据,结合Matlab数据比对算法计算残差;然后根据检验算法调度指令,选择对应的Matlab数据检验算法进行数据处理。
三、书写遥测数据预处理程序及仿真结果预处理程序
1.遥测数据预处理
使用C#书写遥测数据预处理程序,根据用户需求筛选对应时间遥测数据并导入到遥测数据库。
遥测数据的原始信息共包含两部分,一部分为遥测原始数据txt文件,包含遥测量ID,时间,遥测量值,遥测量单位等信息;另一部分为对应关系表,即遥测量ID和遥测量名称的对应关系。
具体的,遥测数据预处理程序的书写内容为:根据选择的仿真时间与确定的比对参数,使用FileStream对象遍历遥测原始数据txt文件,采用StreamReader对象读取txt文件信息;根据参数序列号,在选定的数据库中创建固定格式的数据表,写入数据,形成遥测数据库dbTelemetryDataSelect.mdb,数据库类型为access数据库。
其中,参数序列号即为参数编号,也就是遥测量ID。
遥测数据库中创建遥测数据表形式如下表所示。
字段名称 | 数据类型 | 字段大小 |
ID | 双字节无符号整型 | 2 |
TMTime | 文本 | 255 |
VariableValue | 双精度实型 | 8 |
VariableType | 文本 | 255 |
VariableCode | 文本 | 255 |
其中,字段名称分别表示遥测量ID,时间,遥测量值,遥测量单位,遥测量编码。
2.仿真结果预处理
使用C#书写仿真结果预处理程序,建立遥测数据与仿真结果间的对应关系。
仿真结果的原始信息包括仿真结果文件与归档配置文件,其中归档配置文件time.xml决定仿真开始时间、步长、输出步长、结束时间。
仿真结果预处理程序的书写内容为:
(1)根据用户需求确定仿真开始时间,修改time.xml,对仿真结果进行归档,归档得到仿真原始数据库dbArchive.mdb;
(2)根据所选比对参数,从仿真原始数据库中归档相应数据至仿真归档数据库dbTelementryArchive.mdb中;仿真归档数据库中建立的仿真结果表形式与遥测数据库中创建的遥测数据表相同;
(3)建立ResidualManager.mdb数据库,书写“遥测量和仿真量对应关系表”,即建立遥测量ID和仿真量ID之间的对应关系。
四、数据比对与检验过程
使用C#书写比对与检验过程:
1.Matlab数据库接口程序调用方法库参数选择推理规则,确定比对参数,遥测数据预处理程序和仿真结果预处理程序完成所选比对参数对应遥测量和仿真量的预处理,并建立对应关系;
2.Matlab数据库接口程序对Matlab算法调度程序发出参数调度指令,Matlab算法调度程序调用数据比对算法对所选比对参数进行数据比对;
3.Matlab数据库接口程序调用方法库算法选择推理规则,确定检验算法,并对Matlab算法调度程序发出检验算法调度指令,Matlab算法调度程序调用数据检验算法完成检验,数据比对与检验结果存入dbResult.mdb数据库。
五、检验报告自动生成
使用C#、Matlab等书写图自动生成程序、表自动生成程序以及报告自动生成程序,并且使用Access建立Word报告模板库、报告内容记录数据库等,由此实现自动画图并根据报告模板自动组合出数据比对与检验报告。
(1)图自动生成
使用C#书写图自动生成程序:
建立作图数据库d b Da ta Ba s e.x m l,配置作图信息:包括数据来源(一般dbResult.mdb数据库)、图的信息(横纵坐标、图的大小、曲线样式颜色等);调用作图数据库dbDataBase.xml信息,保存并自动生成相应的matlab作图程序;matlab作图程序自动画图并保存到相应的文件夹中。
当C#调用报告自动生成程序时,图片将自动插入到word中。
(2)表自动生成
使用C#书写表自动生成程序:
建立db Report.mdb数据库,根据比对检验结果确定表格内容;在dbReport.mdb数据库中建立表格信息定义表,包括行列数、表格高度,表格宽度,水平对齐,垂直对齐,字体类型,字体大小,是否使用边框等信息;配置数据来源,0代表文本、1代表xml文件、2代表数据库;在dbReport.mdb数据库中建立文本包含信息表格、xml文件包含路径表格、数据库包含数值表格,使数据与表格行列数相对应,进而确定单元格信息。
当C#调用报告自动生成程序时,表格将自动插入到word中。
(3)报告自动生成
根据数据比对与检验过程和结果,人工建立对应的Word模板,写好模板中文字描述,结果分析部分后续通过报告自动生成程序自动产生。
使用Access建立Word报告模板库,将所建立的Word模板输入Word报告模板库中,方便后续Word模板的调用。
使用C#语言书写报告自动生成程序:
调用Word模板,在需要插入文本、表格或图片的地方插入标签,并在dbReport.mdb数据库中对标签进行定义、建立标签与Word模板、文本、图片、表格信息的对应联系表,根据标签与Word模板、文本、图片、表格的联系自动将文本、图片、表格插入到Word模板中,生成比对检验结果报告word文件。
对上述实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.数字飞行器仿真结果人工智能比对与检验方法,其特征在于,包括以下步骤:
(1)建立方法库,书写参数选择推理规则和算法选择推理规则;
(2)建立比对与检验算法库;
(3)书写遥测数据预处理程序及仿真结果预处理程序;
(4)数据比对与检验;
(5)自动生成比对检验结果报告;
所述步骤(1)中,所述参数选择推理规则用于对遥测参数进行分析与排序,确定参数比对的顺序;具体地,参数选择推理规则包括:
1)根据比对层次顺序选择参数;
2)根据任务定义选择主要参数;
3)根据数据比对粒度选择参数;
所述算法选择推理规则为根据数据特征选择检验算法;
所述步骤(2)中,所述比对与检验算法库的建立包括:
①书写数据库接口程序:
调用参数选择推理规则,确定比对参数,形成参数调度指令;
比对完成后,调用算法选择推理规则,确定所需要的检验算法,形成检验算法调度指令;
②建立数据比对算法:
对仿真量与对应遥测量在时间尺度上作差,差值称为残差;
③建立数据检验算法:
包括统计分析、线性回归、支持向量机回归和傅里叶级数回归;
④书写算法调度程序:
用于接收所述数据库接口程序的参数调度指令和检验算法调度指令;根据所述参数调度指令从遥测数据库及仿真归档数据库中提取数据,结合所述数据比对算法计算残差;然后根据所述检验算法调度指令,选择对应的数据检验算法进行数据处理;
所述步骤(4)中的数据比对检验过程为:
a.所述数据库接口程序调用所述方法库中的参数选择推理规则,确定比对参数,所述遥测数据预处理程序和所述仿真结果预处理程序完成所述比对参数对应的遥测量和仿真量的预处理,并建立对应关系;
b.所述数据库接口程序对所述算法调度程序发出参数调度指令,算法调度程序调用数据比对算法对所选比对参数进行数据比对;
c.所述数据库接口程序调用所述方法库中的算法选择推理规则,确定检验算法,并对所述算法调度程序发出检验算法调度指令,所述算法调度程序调用数据检验算法完成检验,数据比对与检验结果存入数据库。
2.根据权利要求1所述的数字飞行器仿真结果人工智能比对与检验方法,其特征在于,所述步骤(1)中通过人工智能编程语言定义参数选择推理规则及算法选择推理规则,所述人工智能编程语言包括Prolog、LISP或Smalltalk。
3.根据权利要求1所述的数字飞行器仿真结果人工智能比对与检验方法,其特征在于,通过Matlab建立比对与检验算法库。
4.根据权利要求1所述的数字飞行器仿真结果人工智能比对与检验方法,其特征在于,所述步骤(3)中通过C#书写所述遥测数据预处理程序和所述仿真结果预处理程序。
5.根据权利要求1或4所述的数字飞行器仿真结果人工智能比对与检验方法,其特征在于,
所述遥测数据预处理程序根据用户需求筛选对应时间遥测数据并导入到遥测数据库;
所述仿真结果预处理程序对仿真结果进行归档,形成仿真归档数据库,并建立遥测数据与仿真结果间的对应关系。
6.根据权利要求1所述的数字飞行器仿真结果人工智能比对与检验方法,其特征在于,所述步骤(5)包括:
1)图自动生成;
2)表自动生成;
3)报告自动生成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811057031.5A CN109388855B (zh) | 2018-09-11 | 2018-09-11 | 数字飞行器仿真结果人工智能比对与检验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811057031.5A CN109388855B (zh) | 2018-09-11 | 2018-09-11 | 数字飞行器仿真结果人工智能比对与检验方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109388855A CN109388855A (zh) | 2019-02-26 |
CN109388855B true CN109388855B (zh) | 2023-04-18 |
Family
ID=65418553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811057031.5A Active CN109388855B (zh) | 2018-09-11 | 2018-09-11 | 数字飞行器仿真结果人工智能比对与检验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109388855B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113703726A (zh) * | 2021-08-26 | 2021-11-26 | 北京航空航天大学 | 一种数字飞行器源代码构造决策知识提取归零迭代方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100596409B1 (ko) * | 2004-10-18 | 2006-07-03 | 한국전자통신연구원 | 네트워크 시뮬레이션 패키지를 위한 시뮬레이션 모델링 및분석 장치와 그 방법 |
CN102427445B (zh) * | 2011-08-29 | 2014-10-22 | 北京随方信息技术有限公司 | It仿真基础架构离线合规性安全审计方法 |
CN107203151B (zh) * | 2017-07-20 | 2020-03-17 | 上海应用技术大学 | 电空制动系统的仿真控制方法 |
CN108304624B (zh) * | 2018-01-15 | 2021-08-13 | 北京航空航天大学 | 人工智能程序员书写数字飞行器源代码的推理决策方法 |
CN108334675B (zh) * | 2018-01-18 | 2022-03-15 | 北京航空航天大学 | 数字飞行器工况集批量仿真的人工智能处理方法及系统 |
-
2018
- 2018-09-11 CN CN201811057031.5A patent/CN109388855B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109388855A (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Andryushkevich et al. | Composition and application of power system digital twins based on ontological modeling | |
CN110119854B (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
Hatfield et al. | Building tangent‐linear and adjoint models for data assimilation with neural networks | |
CN107844424A (zh) | 基于模型的测试系统及方法 | |
Ayodeji et al. | Deep learning for safety assessment of nuclear power reactors: Reliability, explainability, and research opportunities | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN105320805B (zh) | 一种皮卫星多源可靠性信息融合方法 | |
CN109672406A (zh) | 一种基于稀疏表示和svm的光伏发电阵列故障诊断与分类的方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN113095050A (zh) | 一种智能成票方法、系统、设备及存储介质 | |
CN114818549B (zh) | 一种物体的流体力学参数计算方法、系统、设备以及介质 | |
Singh et al. | Decision-making under uncertainty for a digital thread-enabled design process | |
CN109388855B (zh) | 数字飞行器仿真结果人工智能比对与检验方法 | |
Xiahou et al. | Measuring conflicts of multisource imprecise information in multistate system reliability assessment | |
Wicaksono | Bayesian uncertainty quantification of physical models in thermal-hydraulics system codes | |
CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
Attia et al. | Robust A-optimal experimental design for Bayesian inverse problems | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
Benqlilou | Data reconciliation as a framework for chemical processes optimization and control | |
CN109299528B (zh) | 一种数字飞行器仿真数据人工智能统计分析方法和装置 | |
Jianli et al. | Wind power forecasting by using artificial neural networks and Grubbs criterion | |
Ji et al. | Data preprocessing method and fault diagnosis based on evaluation function of information contribution degree | |
Najar et al. | Comparative Machine Learning Study for Estimating Peak Cladding Temperature in AP1000 Under LOFW | |
US20230252204A1 (en) | Method for generating a virtual model of a component, computer system, and computer program product |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |