基于灰色理论的自适应多参数预测模型

故障预测对保障武器装备安全可靠工作具有重要意义。但是,用于武器装备故障诊断和预测的数据往往是小样本、多特征参数数据,当前主要的故障预测方法在实际故障预测中虽取得了一定的效果,但均存在不足之处。本文基于灰色预测建模理论,分析了GM(1,1)预测建模中的不足,考虑多个特征参数间的相互关系以及预测序列的实际特点,修正了初始值和背景值,建立了小样本情况下的自适应多特征参数预测模型,并以某型飞机发动机的多特征参数的仿真数据为例进行了预测分析,结果表明该模型具有很好的预测精度,证明了该模型的有效性。     

基于误差预测修正的液体火箭发动机故障预测方法研究

为解决液体火箭发动机故障预测这一难题,提出一种基于误差预测修正的故障预测方法。在历史数据的基础上建立小波过程神经网络故障预测模型,同步计算学习样本的预测误差,根据上述误差建立双并联离散过程神经网络预测模型。预测时,将预测误差值实时补偿到小波过程神经网络预测模型以提高预测精度。通过液体火箭发动机地面试验中的涡轮泵数据对该方法进了验证。结果表明,该方法在预测精度和适应能力上较单一的过程神经网络预测模型有显著提高,进行10步预测时,预测值的标准化均方根误差为0.392,预测平均耗时为76ms,能够用于解决液体火箭发动机故障预测问题。     

基于试飞数据的航空发动机状态监测与故障诊断

在航空发动机飞行试验阶段,发动机技术状态变化快、故障频发,为了实时监控发动机工作参数变化情况,快速及时地预测并诊断发动机故障,本文研究了试飞数据驱动的航空发动机状态监控与故障诊断技术。文章基于实际试飞数据建立了航空发动机ANN-NARX参数预测模型,考虑到建模样本量大、模型结构复杂、训练时间长、输入输出延迟等因素,采用遗传算法对模型的最小数据样本需求和结构进行了改进优化,并利用蒙特卡洛方法确立了参数预测模型的自适应告警门限,同时基于构建奇偶空间残差模型实现了航空发动机典型故障诊断。结果表明：实际试飞中只需有限架次试飞数据的训练学习,即可得到发动机参数预测模型,高压转子转速、压气机后压力、涡轮后总温及滑油总回油温度预测相对误差最大值分别为：1.0%、1.7%、0.2%和1.2%,综合模型建模误差和参数测量误差后的自适应告警门限有效降低了模型预测结果的不确定性,在已有数据样本集上的典型故障识别率达到95.2%。     

卫星参数趋势预测EMA熵组合算法

卫星遥测参数的趋势变化状态对卫星故障预测的判断起到重要的指导作用,立足于遥测参数特性,提出等高线预测方法,从特征数据出现的时刻对参数进行趋势预测。为了提高预测精度,引入EMA(增加期望模式)误差分析模式,结合之前提出的新息灰预测模型,根据熵组合基本原理建立基于EMA熵组合预测模型。通过工程数据仿真计算,并利用预测有效度对各种算法进行评估,结果验证了基于EMA的熵组合预测模型的正确性和可靠性。     

基于Elman神经网络的战斗机空战轨迹预测

轨迹预测是空战态势感知中的关键问题。针对传统轨迹预测方法模型简化程度大、预测精度偏低的问题,提出了基于Elman神经网络的战斗机空战轨迹预测方法。首先,以一对一空战为背景,建立了基于Elman神经网络的目标机空战轨迹预测模型;其次,在利用空战训练测量仪(ACMI)中记录的空战数据基础上,选取了一对一空战轨迹,并构建了训练样本和测试样本;然后,通过仿真分析了不同算法进行轨迹预测的精度。结果表明,与传统粒子滤波算法相比,Elman网络模型预测误差更小、预测效果更好,可以更加准确地进行目标机空战轨迹的预测。     

基于Hankel阵的荧光油膜灰度与厚度预测模型改进

针对荧光油膜灰度与厚度关系数据采集方法较为繁琐、耗时耗力这一问题,研究了基于Hankel阵的系统辨识算法,并在此基础提出了Hankel阵误差修正模型和Hankel阵高阶迭代误差修正模型等两种改进方法,利用了极少数据量建立模型,实现了对其余未知荧光油膜厚度值的预测,且保持了较高的精度。试验结果表明:基于极少数据量建模以预测该数据量外的数据点这一特殊背景下,插值法的外插能力显得并不适用。而传统Hankel阵预测模型的预测精度为76.69%,Hankel阵误差修正模型和Hankel阵高阶迭代误差修正模型的预测精度分别为85.69%和89.25%,较之传统方法预测精度分别提高了9%和12.56%,为荧光油流技术领域针对荧光油膜灰度与厚度建模问题提供了一种可行技术路线,具有一定的实际工程应用意义。      

基于滑动时窗策略自适应优化支持向量机的航空发动机性能参数在线预测

针对传统航空发动机性能参数时间序列预测方法存在的不足,提出了基于滑动时窗策略自适应优化支持向量机(Support Vector Machine,SVM)在线预测模型。该方法解决了训练样本动态适应性差的特点和老旧数据信息影响预测模型精度的问题。在该方法中,滑动时窗策略实时更新时窗数据训练样本,最终误差预报准则(Final Prediction Error,FPE)自适应地确定嵌入维数,遗传算法(Genetic Algorithm,GA)则实时自适应优化SVM建模参数。应用航空发动机排气温度偏差值(Delta Exhaust Gas Temperature,DEGT)数据进行实例验证,结果表明基于滑动时窗策略的自适应GA优化的SVM (GASVM)在线预测模型比传统的GASVM预测模型预测精度有显著提高。进一步分析了预测模型不同时窗宽度对短期预测精度的影响,展示了1步～10步预测的效果,结果表明在线预测模型在不同时窗宽度下短中期(5步以内)预测效果良好且稳定。文中提出的在线预测模型可用于航空发动机性能参数的预测,实现对航空发动机未来性能变化的预警。     

融合机床精度与工艺参数的铣削误差预测模型

为弥补现有五轴联动数控铣床加工飞机结构件的加工精度评估系统的不足,提出利用机床精度检测数据和零件特征及其工艺参数来构建评估指标体系,基于BP神经网络建立了飞机结构件加工误差预测模型。通过完成训练的网络权值分布,计算出各输入指标对最后评估结果的影响,并通过实例分析检验了模型的可靠性。结果表明,经BP神经网络模型训练得到的结果和样本零件的三坐标测量机测量数据基本吻合,选取的评价指标具有有效性。该评估模型能够有效地融合机床精度检测数据和零件特征及其加工工艺参数,对飞机结构件的铣削加工误差进行预测。     

适航指令案例安全风险灰色评估与预测模型

基于1996～2019年的适航指令（CAD）数据，以关联分析得出的典型故障构建评价指标。用风险系数确定白化权函数的边界条件，根据偏差最大化原则确定各指标的权重，提出了基于灰色白化权聚类的安全风险评估模型。利用等时间间隔的各指标数据构成灰色预测模型，并通过优化权重值将预测精度提高了2.88%。预测的故障数量与实际发生相符，证明了预测模型的准确性，可依此有针对地提出改进和预防措施，从而减少故障的发生。     

基于EMD-SVR的光纤陀螺随机误差预测

为了提升光纤陀螺随机误差建模的准确性及补偿结果,提出了一种基于经验模态分解与支持向量机结合的随机误差预测方法。鉴于随机误差的非线性及不稳定性,直接进行预测时精度不高,采用经验模态分解对原始数据进行分解以降低时间序列的复杂程度;然后根据经验模态分解得到的各本征模态函数及趋势序列,构建基于支持向量机的预测模型;再将所得的各分量的预测结果综合以得到光纤陀螺随机误差的预测结果。以光纤陀螺随机误差数据作为验证,结果表明,相较于传统的预测方法,均方根误差与平均绝对误差分别降低了78.4%和75.5%,有效提高了回归精度。     

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。     

基于LS-SVM的飞机飞行事故率的预测建模

针对飞行事故率预测建模难的问题,基于统计学习理论,采用LS-SVM方法,建立了飞行事故率的预测模型.仿真试验结果表明,LS-SVM具有很高的建模精度和较强的泛化能力,从而验证了该方法的有效性和先进性.     

基于ESN的航空发动机状态组合预测方法

基于回声状态网络(ESN)预测模型,结合小波分析和主元分析,提出一种组合预测方法.首先对含噪非线性时间序列进行小波降噪,并重构时间序列产生训练样本,再将训练样本通过主元分析进行降维处理,降维后的时间序列数据则输入ESN模型进行预测分析.对控制飞机动力输出的动压参数非线性时间序列数据进行了仿真对比实验,结果表明:组合预测方法的5步和单步预测速度累计提高了66.97%,预测的平均平方误差、标准均方根误差和归一化绝对误差也均有较大提高.该方法与传统基于ESN的预测模型相比,能有效地提高预测的效率和精度,是一种有效的非线性时间序列预测方法.      

基于灰色理论的导弹装备故障间隔时间预测

导弹装备的故障间隔时间是其可靠性参数的重要指标,通过分析导弹装备的特点,建立了故障间隔时间预测模型.考虑到导弹装备的故障数据量有限,用一般方法准确地预测很困难,因此提出用灰色预测模型进行预测的方法,建立了GM(1,1)预测模型并用数据进行验证.验证结果表明该方法具有很好的预测精度,可用于装备故障间隔时间的预测和估算.     

基于灰色系统理论的航空运量预测

本文在对我国航空运输发展简要分析的基础上,基于灰色系统理论及其建模思想,利用民航相关数据构建灰色预测模型,进行航空运输总周转量、旅客运输量和贷邮运输量三项主要生产指标预测。所得基本结论为：利用灰色系统建立航空运输预测模型适宜,预测精度较高,预测结果可作为民航政府部门进行宏观调控、航空运输企业进行经营决策的参考信息。     

燃气轮机仿真中部件特性处理方法的准确性研究

在基于部件的燃气轮机性能仿真建模过程中,部件特性线处理方法的准确性是影响整个机组仿真精度的关键因素。分别介绍了采用传统离散插值处理方法、人工神经网络法和偏最小二乘法进行部件特性线处理的原理和方法,利用一部分已知样本特性数据和不同处理方法对某燃气轮机进行性能仿真,并将仿真结果与另一部分已知样本特性数据进行比较,分析不同处理方法对部件特性和整机性能计算精度的影响。结果表明:在仿真过程中利用偏最小二乘法可直接使用重构方程求解部件特性,无需对部件特性离散化和插值处理,避免了传统部件特性处理方法的计算误差,提高了燃气轮机热力模型求解的精度。     

基于静态删减算法的神经网络在软件可靠性预测中的应用

与传统的基于人工神经网络的软件可靠性预测模型结构普遍由预先经验或者通过不断尝试的方法确定不同,在分析一般的软件可靠性模型的基础上,提出将一种基于静态删减算法的神经网络模型应用到软件可靠性预测中。通过利用2组经典的软件失效数据进行仿真,并与传统的神经网络可靠性预测模型对比分析,研究了神经网络拓扑结构和预测精度的关系,结果表明,基于静态删减算法的运用能够提高神经网络模型对软件可靠性的预测精度。     

基于周权重指数的汽车销售量预测及可视化方法研究

为了精确预测汽车销售量,利用数据集成技术收集汽车往期销售数据,再对数据进行清洗、变换和约简处理,然后计算周权重指数,利用周权重指数构建汽车销售量预测模型,通过模型实现销售量预测,最后将预测结果利用可视化技术直观地显示出来。仿真结果显示,利用该方法预测的汽车销售量与实际销售量之间误差较小,说明该预测模型具有较高的准确性。这一方法可以为汽车销售量的精准预测提供理论基础。     

基于ARCN模型的轴承故障诊断

提出注意力循环机制与胶囊网络融合的注意力循环胶囊网络（ARCN）的诊断模型。提取时序特征信息构建初级胶囊;自适应融合路由机制、注意力循环机制构建数字胶囊特征;基于西储大学轴承实验数据,验证了ARCN模型的准确率、鲁棒性、稳定性、收敛误差,其准确率相比Caps模型识别准确率提高1.2%、收敛误差达到0.2。基于实验仿真平台,采集正常、内环故障、外环故障和滚动体故障的振动信号,并通过小波基变换获取的时频图构建ARCN模型的数据集。仿真实验结果表明:ARCN模型下,每类故障被误诊的概率不超过总样本的1%。      

基于ARIMA模型的载人航天器氧分压分析及预测方法

载人航天器环控生保系统中的氧分压分析监测关系到航天员在轨的安全与健康,是地面控制中心重点关注的关键信息。提出了一种基于时间序列数据模型的载人航天器氧分压分析及预测方法,对在轨遥测数据进行处理分析,应用ARIMA模型对氧分压历史数据进行分解建模,并预测其未来趋势。通过对载人航天器氧分压在轨数据的实测分析,对历史数据拟合均方根误差为0.1537 kPa,预测均方根误差为0.1378 kPa,预测精度较高。该方法基于短期历史环境信息分析建模,实现对未来状态变化的有效预测,有效提升了现有预测方法的预测时长,提前识别系统运行过程中的异常状态。