广义时变ARMA序列预测方法

提出一种广义时变ARMA序列预测方法,给出时变序列和广义时变序列的预测公式及其均方误差。该方法能够对均值、方差、自回归系数和滑动平均系数都随时间变化的广义时变序列(或信号)进行分析和预测,可广泛应用于气象、通信、自动控制、结构响应分析和故障诊断等领域。大量计算表明,本文方法与传统方法相比,具有更高的预测精度。      

多特征注意力的航空发动机剩余寿命预测模型

航空发动机性能退化趋势复杂,适时地对其进行剩余寿命预测和检修维护十分重要。提出一种基于多特征注意力的膨胀卷积网络模型来预测航空发动机剩余使用寿命,利用膨胀卷积增强提取序列数据时序信息的能力,同时建立残差连接以改善传统卷积网络中的梯度消失问题。首先采用定长滑动时间窗沿时间维度截取数据,对数据进行重构;再对每个特征对应的时间序列单独应用膨胀卷积提取时序信息;引入特征注意力机制计算各特征之间的相对重要性;在公开的航空发动机数据集上进行验证,并对比现有的主流预测方法。结果表明：该模型在时间序列数据预测方面有着更高的精度。     

基于时变TVAR模型和CKF滤波的助推器落点预测

为解决助推器难以精确回收的问题,提出了一种容积卡尔曼滤波(CKF)和时变自回归(TVAR)模型融合的助推器落点预测方法。针对外弹道观测数据的非平稳时序特点,利用TVAR模型对其建模,预测助推器脱落时和助推器落地之间一段时间的未来测量值,以离散化质点弹道模型作为状态方程,将未来测量值作为CKF滤波弹道位置估计的测量值。为普适非平稳序列,考虑时变TVAR对非平稳时间序列的时变参数和模型阶数的确定。该方法是预测助推器落点滤波外推法的一种新实践。实验数据结果表明,TVAR预测助推器落点与TVAR-CKF融合预测的助推器落点相比,融合后预测的结果与实际测量的助推器落点的偏差更小,可为实际应用提供参考。     

基于访问数据模式的Cache缺失预测模型

为缓解SMT上线程对Cache的争用，提出了基于访问数据模式的Cache缺失预测模型ADM。使用模型对线程访存轨迹进行分析和计算，以两个线程在下一个时间片的访存地址信息作为模型的输入，预测Cache缺失情况并以此作为线程间Cache争用指标。 ADM实现了针对共享数据访问和私有数据访问两种模式的缺失计算方法，对比分析表明，ADM加入了对共享数据情况的分析过程，分别计算针对不同模式访存序列，结果更为精确，仿真试验表明，Cache缺失预测模型结果与目前同类模型的预测结果相比，误差分布在合理的范围内，当两个访存序列中有较多共享数据时，使用SMM方法计算结果将更为准确，证明了对访问模式进行划分的必要性。     

基于“分段-组合”残差神经网络的超声速氢气零维点火计算方法

受限于发动机燃烧数值模拟需要长时间超级计算机运行的问题，发展了一种基于“分段-组合”残差神经网络的氢气零维点火计算方法。以氢气零维点火算例为基础，基于自主研发的高超声速内外流耦合数值模拟软件AHL3D构建数据集。数据集中输入变量为超声速工况下的温度、压强及8种组分质量分数的初始状态值，输出变量为3000个时刻点的温度、压强及8种组分质量分数状态值。构建了一种“分段”训练、“组合”预测的残差神经网络框架。算法首先将高维输入数据进行降维训练，再将“分段”模型预测后的参数冻结形成“组合”模型。与氢燃料直接计算相比，实验结果表明“分段-组合”残差神经网络可显著提升计算效率，对于11组分29反应的反应动力学模型可获得9.13倍的计算加速比，均方根误差降到了7.85×10-5，氢燃料参数的预测精度都高于98%，计算效率及精度优于现有的神经网络燃烧计算方法。     

海军航空兵机动转场备件携带量预测模型研究

针对海军航空兵转场时所携行航材备件需求量缺乏定量分析和精确数据计算方法的情况,提出了一种改进的灰色马尔可夫链模型用于预测备件携带数量。模型采用高次插值生成数据序列,并引入接近关联度改进灰色马尔可夫链状态划分方法。实例计算结果表明,该模型可提高预测备件携带数量预测精度。     

应用时变参数建模方法辨识时变模态参数

 应用非平稳时间序列的时变自回归建模方法进行了参数随时间变化的线性系统模态参数的辨识。对线性时变系统在白噪声激励下振动响应的非平稳时间序列进行建模。通过引入基函数将非平稳过程的辨识问题转化为线性时不变过程的辨识。结合信号时频变换确定模型阶次, 通过时变的伯格尔( Bur g) 算法对时变的自回归(AR) 模型系数和时变结构模态频率进行了估算。通过对刚度随时间变化的三自由度系统模态频率的仿真辨识, 验证了辨识方法的有效性。     

基于SST k-ω的超声速气膜冷却湍流模型温度修正

针对现有湍流模型无法准确预测非等温超声速气膜冷却行为的问题,在现有SST k-ω可压缩修正模型基础上,以总温梯度为变量,完成了湍流模型的温度修正,并首先通过非等温可压缩自由剪切流动实验数据初步验证了其修正效果,在此基础上对温度修正模型预测超声速气膜冷却传热的准确性进行了验证。结果表明,基于剪切层总温变化的湍流模型修正效果显著,可准确预测大温度梯度下的自由剪切流动轴向速度分布;修正模型计算得到超声速气膜冷却壁面热流分布与对应的实验结果吻合;当用于剪切层温度大梯度变化的超声速气膜冷却数值模拟时,温度修正后的SST k-ω模型与可压缩修正的k-ω模型、SST k-ω模型相比,具有显著优越性。     

基于数据驱动的复杂进气下风扇转子叶根损失模型

发展了一种基于数据驱动的复杂进气下风扇转子叶根损失预测方法。提取了影响风扇转子叶根损失的关键气动参数作为输入变量，熵损失系数作为输出参数；采用计算耗时小的单叶片通道定常模型，通过给定不同边界条件并进行组合来构建样本数据库，使得数据库中样本点尽可能覆盖更广的复杂进气工况；采用径向基神经网络训练并构建输入变量与输出参数之间的映射，实现叶根损失的快速预测。计算结果表明：该损失模型能够准确捕捉叶根损失的径向分布趋势，并且相比于传统损失模型能够大幅提升预测精度。在不同流量、进气旋流以及畸变强度工况下，叶根流动损失平均预测误差基本小于10%。     

椭圆型条件矩封闭模型在湍流扩散火焰中的应用

使用考虑分子扩散与湍流扩散的椭圆型CMC模型对钝体绕流扩散火焰进行了数值模拟计算,计算的工况包括CH₄/H₂、CO/H₂和CH₃OH等燃料在空气中的燃烧。在数值计算中使用了k-ε双方程湍流模型和SIMPLE算法,并将计算结果与实验数据进行了对比,讨论了计算结果与实验数据之间偏差产生的原因,还分析了条件平均变量的空间变化。结果表明,条件平均温度、OH、CO和NO等组分的质量分数的计算结果与实验数据有着很好的一致性,说明椭圆型CMC模型是一种能有效地预测湍流非预混火焰中组分浓度和温度的计算方法。      

三维工序模型的演进式构建方法

为实现以三维工序模型为核心的三维工艺构建,基于从毛坯模型到最终产品模型的演进过程,对三维工序模型的生成方法进行研究.在制造特征信息模型的基础上,结合基准信息建立了面向工序模型生成的工序信息模型.提出制造特征信息在工序模型中的映射机制,解决该模式下工序模型信息缺失的问题.以工序信息模型为模板,首先定义加工特征基元,然后通过实例化实现工序模型的变换.最后,通过集成工艺决策系统,构建三维工序模型生成系统,为后续工艺尺寸标注和工艺展示提供模型支持.     

住宅需求量预测的灰色马尔柯夫模型及应用

统计数据显示出非平稳的特征时,采用一般的预测方法往往精度不高,考虑到GM(1,1)模型和Markov链预测的特点,用GM(1,1)模型进行趋势预测,用Markov链预测反映数据序列的非平稳特征,将二者有机结合起来,对住宅的需求量作预测.文章应用该模型对1992～2002年间某城市住宅的数据进行了检验,经验证预测精度较高.     

应用端部效应改善的LS+NN模型进行日长变化预报

现有ΔLOD(Delta Length-Of-Day,日长变化)预报模式在进行周期项与残差项拟合分离时,通常没有考虑LS(Least Squares,最小二乘)拟合序列的端部效应,预报精度难以取得较大提高。针对端部效应现象,首先采用时间序列分析模型在ΔLOD序列两端进行数据延拓,构成一个新序列,然后用新序列求得LS外推模型系数,再结合LS外推模型和NN(Neural Network,神经网络)对原始ΔLOD序列进行预测。算例表明,在ΔLOD序列两端增加延拓数据,能有效改善LS拟合序列的端部效应;端部效应改善的LS+NN模型的预报精度明显优于常规LS+NN模型,精度最大提高了17.86%。该方法不仅适用于LS+NN模型,也适用于LS外推模型与其他模型的组合。     

基于特征选择的BP神经网络算法滑行时间预测

为准确预测离港航班滑行时间,基于数理分析同时段场面航空器滑行数量、平均滑行时间等因素对离港航空器滑行时间的影响。将皮尔逊相关系数与随机森林算法相结合减少冗余特征变量,建立基于BP神经网络的滑行时间预测模型,提高离港航空器场面滑行时间预测精度,并通过交叉验证证明预测结果的稳定性。预测结果表明：通过皮尔逊相关系数与随机森林组合模型进行特征选择可提高BP神经网络预测结果的精度,离港航空器的滑行时间预测误差在±5min内的占比由88.23%提升至92.26%,且预测效果较为稳定。模型可以精确预测离港航班的滑行时间,为机场运行提供决策依据。     

基于时间序列分析的装备可用度预测方法

阐述了装备可用度预测的重要性,并以此为需求牵引,构建了具有非线性、非平稳的装备可用度时间序列。基于奇异值分解滤波算法,将原始序列分解为趋势成分和随机成分,分别应用粒子群训练的径向基神经网络模型和函数系数自回归模型进行组合预测,充分体现了2类模型的各自的优势。实例分析,验证了模型和算法的有效性。实验与应用结果表明,该组合方法的预测性能和效果比单一使用RBF和FAR进行预测更好。     

三种钻头钻削CFRP轴向力的时变曲线及预测

采用二刃、三刃双锋角钻头和圆弧形钻头钻削CFRP单向板,研究钻削过程中轴向力时变曲线的特征,并探索用预测轴向力时变曲线上的关键拐点的方法来构建预测轴向力时变曲线模型。结果表明:三刃双锋角钻头的轴向力时变曲线最为稳定,钻削过程最为稳定;轴向力最大的是三刃双锋角钻头,其次是圆弧形钻头,最小的是二刃双锋角钻头,说明二刃双锋角钻头适合钻削CFRP;用预测轴向力时变曲线上的关键拐点的方法构建的轴向力时变曲线可以很好地预测双锋角钻头轴向力时变曲线。     

基于LightGBM算法的机场聚合离场延误预测

航班延误预测具有非线性聚合的动力学特征。在保证准确率的前提下为提高预测效率,提出一种基于轻量级梯度提升机(Light gradient boosting machine, LightGBM)算法的机场聚合离场延误预测模型。通过对历史航班数据的分析处理,提取时间特征、飞行计划特征和延误特征三类重要特征,并以提取出的特征作为输入变量,采用LightGBM算法基于广州白云机场的历史运行数据对航班延误时间进行预测。结果表明：模型预测延误时间与实际延误时间吻合良好;与其他常用算法的预测结果相较而言,所提模型在各种预测指标上结果更优,效率更高。     

基于双隐层过程神经网络的飞机发动机故障检测

利用双隐层过程神经网络模型可以直接处理时变信号的特点，提出了一种用双隐层过程神经网络模型对飞机发动机进行故障检测的方法。由过程神经元隐层完成对输入信息过程模式特征的提取和对时间的聚合运算，非时变一般神经元隐层用于提高网络对系统输入输出之间复杂关系的映射能力。分别利用递归神经网络和双隐层过程神经网络对发动机排气温度裕度进行仿真预测。结果表明，双隐层过程神经网络收敛速度快、精度高，优于递归神经网络的预测结果。为飞机发动机状态监测问题提供了一种有效的方法。     

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。     

基于LSTMAttention网络的短期风电功率预测

提出一种基于LSTMAttention网络的短期风电功率预测方法。首先,使用LSTM网络对数值天气预测(NWP)数据的特征信息进行提取,同时采用注意力机制有效分析了模型输入与输出的相关性,从而获取了更多重要时间的整体特征；其次,使用卷积神经网络(CNN)提取NWP数据的局部特征,并引入压缩和奖惩网络(SE)模块学习特征权重,利用特征重新标定方式提高网络表示能力；最后,将局部特征和整体特征进行特征融合,通过分类器输出分类结果。利用NOAA提供的美国加利福尼亚州某风电场的数据进行案例分析,证明了所提方法的有效性。试验结果表明,与BP神经网络、自回归积分滑动平均模型(ARIMA)模型和LSTM模型相比,LSTMAttention模型具有更高的预测精度,证明了该方法的有效性。