基于支持向量回归机的航材周转件需求预测

将机器学习应用于航材库存管理之中,提出了基于支持向量回归算法的航材周转件需求预测模型。将聚合处理后的周转件月需求数据分为训练集和测试集,以训练集为输入,选取核函数和模型参数,对支持向量回归机进行训练。应用训练完成的支持向量回归机,以测试集对模型进行验证,预测结果证明了模型的有效性。     

支持向量机的B737飞机水平尾翼裂纹故障预测

为保障飞机的飞行安全,做到预防性维修,提升飞机的飞行安全及任务出勤率,需要对飞机结构出现的疲劳裂纹进行及时检测并修理。基于支持向量机理论,建立了支持向量机回归预测模型,并应用该模型对B737飞机水平尾翼健康信息的特征值(小波包分解系数提取的能量)进行了故障预测研究。为建立最佳支持向量机模型,选用了支持向量机四种常用的核函数分别对特征值进行了预测。同时还对支持向量机预测模型与神经网络预测模型(BP神经网络预测模型)的预测结果进行了比较与分析,研究表明,应用支持向量机所设计的预测模型准确率比较高,可以较好地对飞机水平尾翼的裂纹故障进行预测。     

基于改进支持向量机回归的非线性飞机结构载荷模型建模

为进行飞机结构载荷安全监控并为飞机结构疲劳寿命评估积累相关数据,需建立与飞行参数相关的 飞机结构载荷模型。针对飞机结构载荷与飞行参数之间的非线性关系,采用改进停机准则的 SMO 算法及粒 子群模型参数优化算法对支持向量机回归方法进行改进,并通过飞行动力学理论分析结合皮尔逊相关系数的 方法对参与建模的飞行参数进行选取。以飞机跨声速俯仰机动为例,建立机翼某一测载剖面结构剪力模型,并 对该建模方法进行仿真验证。结果表明:采用改进支持向量机回归方法所建立模型精度优于原始支持向量机回归方法建立的模型,即采用改进支持向量机回归方法可提高建模精度及泛化能力。     

基于数据挖掘和小波神经网络的航材消耗预测方法

运用数据挖掘技术对航材消耗的历史数据进行关联分析，筛选小对保障飞机飞行有重要作用的航材消耗数据，大大缩减了需要预测的航材数量，同时对消耗航材之间的内在影响关系进行量化。在分析人工鱼群算法原理的基础上，对算法中步长参数和视野范同参数的设置方法进行了改进。实例结果表明，运用小波神经网络预测航材消耗的方法大大降低了预测误差，说明了该方法的有效性、可行性和实用性。     

基于支持向量机方法的发动机性能趋势预测

为了提高对航空发动机性能趋势预测的精度，提出利用支持向量机方法来预测表征发动机整体性能的参数一性能综合指数。建立了基于支持向量回归的一步及多步预测模型，利用该模型对性能正常衰退及性能异常发动机的综合指数分别进行预测，并与自回归(AR)模型的预测值进行比较。结果表明，基于支持向量机的预测模型比AR模型的预测精度更高，其四步预测精度由80．56％提高到88．51％。因此该模型尤其适合中、长期预测。     

基于支持向量机回归的电力负荷预测研究

不同于传统的基于经验风险最小化的回归方法,支持向量机回归方法基于结构风险最小化准则.与神经网络相比,该方法在解决学习精度和推广性之间的矛盾方面有明显的优势.本文以城市电力负荷预测为应用背景,对比研究了基于统计学习理论的支持向量机回归方法和神经网络方法.预测结果显示支持向量机可能是一种非常有前景的预测工具,其预测精度明显好于神经网络.     

基于支持向量机的飞行控制系统辨识

以飞机为研究背景,基于系统辨识中的串-并联辨识模型,应用一种支持向量回归机的方法,对飞行控制系统模型进行了辨识。通过仿真,成功地得到了飞行控制系统的辨识模型。结果表明:该方法有很好的预测性能,具有很高的精度,同时也能很好地反映飞行控制系统的特性。     

基于季节特性的航材备件定量订货模型

为达到降低库存费用、保障飞机持续适航的目的,建立定量订货模型,并通过对部分航材消耗数据的分析,提出利用中心移动平均法求得季节指数的方法,将其作为权系数对该模型进行修正,以提高航材采购数量的精确性。实验证明,该模型能有效地为航材备件的计划采购提供理论指导和决策支持。     

基于支持向量回归机的数控机床 几何误差元素建模研究

针对数控机床几何误差元素建模时面临的误差样本数据少且呈非线性的问题,研究在小样本数据集非线性回归分析中具有独特优势的支持向量回归机,并基于此建立数控机床几何误差元素的预测模型。分析现有几何误差检测中常用的九线法所存在的测量选点难和计算累积误差等问题,提出增加每条测量线垂直方向直线度的测量和修正误差项计算模型的改进方法。以高斯径向基核函数为支持向量回归模型的核函数,运用交叉验证法,选取合适的模型参数,求解凸二次规划问题,进而建立几何误差元素的预测模型。以QLM27100–5X五轴龙门机床X轴为例,基于改进的九线法进行测量辨识得到几何误差样本数据,然后分别基于支持向量回归机和最小二乘法建立几何误差元素预测模型,对比两个模型的预测精度,结果显示,前者的预测均方差值MSE为0.0238,小于后者的0.072,验证了支持向量回归模型在小样本集下具有更高的预测精度。     

面向航材周转比例的数据仓库构建研究

航空器材周转比例是指单位航材所保障的飞机架数，其研究是根据各型飞机航空器材消耗的特点，结合不同的保障任务、供应标准、航材性能、经验数据及环境条件等诸多条件，对不同机场的航材实际消耗情况进行分析归纳．建立数学模型和计算机模型，找出其消耗规律，合理确定各种航材的周转定额和周转比例的数据分析工作。它是航材筹措、储备及供应工作的基础。科学地进行航材周转比例研究可以为航材保障工作提供可靠的依据，提高经济效益。因此，航空器材周转比例研究是一个极具现实意义的课题。     

基于相似理论的航空发动机风扇转速换算方法的改进

基于相似理论提出一种通过变指数因子计算航空发动机风扇换算转速的改进方法.收集不同公司的某型航空发动机的巡航数据建立数据样本.采用支持向量回归机方法建立指数因子与大气温度的数学模型并利用遗传算法对模型参数进行寻优,进而得到由风扇指示转速和大气温度计算风扇换算转速的变指数因子模型.使用该模型对样本数据进行计算,并把结果与定指数因子方法求解的风扇换算转速进行对比,对改进算法与定指数法换算结果进行了误差分析.结果表明:改进后的变指数因子模型计算的航空发动机风扇换算转速具有更高的精度,同时具有良好的推广泛化性能,该方法是航空发动机风扇换算转速的一种有效算法,在航空发动机性能预测也具有实际的指导意义.      

基于支持向量机的飞机空中结冰严重程度识别

为了保证飞机的飞行安全,必须对飞机空中结冰的严重程度作出较准确的判断。针对飞机空中结冰状况的复杂性,提出将支持向量机与二分法相结合的飞机空中结冰严重程度识别的算法模型。仿真结果表明,虽然该训练样本较少且为多参量分类识别,但是由于建立了多支持向量机且采用二分法的概率抉择能找到最佳的建立支持向量机的分类方式,所以找到了最佳的分类方式,提高了分类准确率,而且可以较准确地识别飞机空中结冰的严重程度。可见该方法可以在训练样本较少的情况下对飞机空中结冰严重程度作出较好的识别效果。     

Location layout design of aircraft parts assembly based on MSVR

Location layout of aircraft assembly is an important factor affecting product quality. Most of the existing re-searches use the combination of finite element analysis and intelligent algorithm to optimize the location layout, which are limited by numerical simulation accuracy and the selection and improvement of intelligent algorithms. At present, the analysis and decision-making technology based on field data is gradually applied in aircraft manufacturing. Based on the perception data of intelligent assembly unit of aircraft parts, a regression model of multi-input and multi-output support vector machine with Gauss kernel function as radial basis function is established, and the hyperparameters of the model are optimized by hybrid particle swarm optimization genetic algorithm (PSO-GA). GA-MSVR, PSO-MSVR and PSOGA-MSVR model are constructed respectively, and their results show that PSOGA-MSVR model has the best performance. Finally, the design of the aircraft wing location layout is taken as an example to verify the effectiveness of the method.     

基于机器学习的航空器进近飞行时间预测

为了准确预测航空器的落地时间，提高空管部门间的协作效率，采用机器学习的方法对航空器进近阶段飞行时间进行了预测。从实际运行出发，分析航空器在进近管制空域飞行时间产生差异的原因，提出了影响航空器在进近空域飞行的8类因素和17个重要特征。以航空器在进近飞行时间为标签，基于提出的重要特征，采用岭回归、支持向量机、随机森林和神经网络算法，建立了4种基于机器学习的航空器进近飞行时间预测模型。以南京进近为实例，对4种机器学习模型进行训练、验证和测试，对模型的性能指标、特征重要性和影响因素展开分析。研究结果表明，对于航空器进近飞行时间的预测，基于随机森林的模型表现出了最高的预测性能，模型的泛化能力最好、精确度高，回归效果越显著；进场状态是影响航空器进近飞行时间的最重要因素，而进场点和进场高度特征则对结果的贡献度最大。     

基于GRA-IPSO-SVM的航材携行需求预测研究

异地执行飞行任务中航材需求的准确预测是做好携行保障的主要内容之一,为此提出灰色关联度（GRA）与改进的粒子群算法（IPSO）及支持向量机（SVM）相结合的航材预测方法。首先运用GRA 对航材携行需求的影响因素进行分析;其次引入活性因子和非线性惯性系数改进粒子群算法,并通过IPSO 对SVM 参数进行寻优;最后使用优化后的SVM 模型预测航材需求。结果表明：GRA-IPSO-SVM 方法预测结果的均方根误差比PSO-SVM 方法下降0.16,平均绝对百分比误差下降2.18%,且预测时间减少了0.7 s。     

基于最小二乘支持向量回归的混沌时间序列预测研究

研究利用最小二乘支持向量机预测混沌时间序列。混沌时间序列预测是典型的小样本学习问题,基于结构风险最小化原理的支持向量机方法,克服了神经网络易于陷入局部极值点等缺点,能够获得全局最优解。最小二乘支持向量机是一种在二次损失函数下采用等式约束求解问题的一种支持向量机,在保留支持向量机优点的同时使计算量大大减少。对典型混沌时间序列的预测结果表明,最小二乘支持向量机回归预测方法具有良好的泛化推广性能,预测精度高,适合于复杂非线性时问序列建模预测。     

Development cost prediction of general aviation aircraft projects with parametric modeling

The study of the development cost of general aviation aircraft is limited by small samples with many cost-driven factors. This paper investigates a parametric modeling method for prediction of the development cost of general aviation aircraft. The proposed technique depends on some principal components, acquired by utilizing P value analysis and gray correlation analysis. According to these principal components, the corresponding linear regression and BP neural network models are established respectively. The feasibility and accuracy of the P value analysis are verified by comparing results of model fitting and prediction. A sensitivity analysis related to model precision and suitability is discussed in detail. Results obtained in this study show that the proposed method not only has a certain degree of versatility, but also provides a preliminary prediction of the development cost of general aviation aircraft.     

基于稀疏最小二乘支持向量机的航空发动机动态过程辨识

针对现有最小二乘支持向量机(LS-SVM)稀疏性不足的难题,提出一种稀疏化策略,应用此方法建立了航空发动机动态过程模型.在对原始样本预求解过程中,该策略使用改进Gram-Schmidt正交化算法对非线性映射矩阵实施递归分解,同时以阈值监督输出向量的残差化过程,从而优选训练样本,降低样本规模,节省内存,提高LS-SVM学习速度.仿真表明,基于优选样本的学习模型较之其他训练样本学习模型提高了回归精度和速度,验证了方法的可行性;基于实际试验数据建立的航空发动机动态过程模型在类似过程参数预测以及性能递推预估仿真表明,高压转子相对转速误差低于0.2%,低压转子相对转速误差低于0.35%,涡轮后燃气温度误差小于3.5℃,满足控制与仿真的需要.