航空发动机主轴承使用状态寿命预测模型(英文)

航空发动机主轴承寿命的实际可靠预测对于发动机的安全运行至关重要。使用状态寿命(即状态良好、初始损伤、故障发展和即将失效4个寿命阶段)描述航空发动机主轴承的使用寿命,并提出了一种基于支持向量机和模糊逻辑推理的主轴承状态寿命分析模型。首先,讨论了理论计算模型,采用轴承疲劳累积损伤模型,利用修正的Lundberg-Palmgren模型,结合飞参记录数据计算主轴承装机以来的累积寿命消耗,确定状态寿命的理论值。然后,详细阐述了状态寿命评估模型,该方法通过选取轴承振动的时域、频域统计量作为特征矢量,利用支持向量机作为辨识算法进行滚动轴承状态寿命的智能评估。最后,基于模糊逻辑推理融合主轴承状态寿命的理论计算模型和状态寿命评估模型得到主轴承状态寿命模型。采用滚动轴承的全寿命试验验证模型的有效性和可行性。     

基于支持向量机和人工免疫的新结合算法

为了减少大规模数据的支持向量机的样本训练时间，提出了人工免疫（aiNet）和支持向量机（SVM）相结合的算法（ai—SVM）。aiNet能在进行样本压缩的同时抽取原始数据的相关信息并保持原始数据的样本分布。压缩后的样本组成了抗体网络，并在此抗体网络上构建了支持向量机模型。最后结合实际数据样本对ai—SVM算法进行了验证。结果表明，ai-SVM算法可大大减小训练样本集和训练代价，且不降低精度。     

基于支持向量机的结构损伤程度识别研究

支持向量机(SupportVector Machine,SVM)是一种基于统计学习理论的机器学习算法,能够较好的解决小样本的学习问题,具有很优秀的回归特性。本文提出了一种基于支持向量机辨识结构损伤程度的方法,构造模态频率作为损伤标识量训练支持向量机对损伤程度进行预测,并以悬臂梁为例进行了仿真计算。结果表明:支持向量机是一种很有潜力的结构损伤识别方法,具有很好的应用前景。     

基于融合先验知识SVM的航班延误预警模型

针对日益严重的航班延误问题,有必要通过预警机制减少其负面影响,对机场各时段延误程度的预警其实质是一个多类分类问题.利用先验知识确定了一种新的基于相对紧密度的方法来计算各样本的权值,并将其融合到支持向量机模型中,进而结合一对一法(OAO)形成一种一对一加权间隔支持向量机(OAO-WMSVM),用以实现一个多级航班延误预警模型.实验证明,用OAO-WMSVM建立的预警模型能有效判定机场各时段的延误等级;同时还证明,融合了先验知识的SVM比标准SVM具有更好的分类性能.     

基于VMD-LSSVM的扇区流量短期预测

对扇区流量进行短期预测,是精准实施扇区流量优化和管理措施的前提。基于分解集成预测方法论,建立了变分模态分解-最小二乘支持向量机（Vibrational mode decomposition-least square support vector machines,VMD-LSSVM）预测模型。首先,应用变分模态分解（Vibrational mode decomposition,VMD）方法将扇区流量时序数据分解为若干个模态;然后,使用最小二乘支持向量机（Least square support vector machines,LSSVM）模型分别对模态进行预测;接着,对模态的预测结果进行加和集成,得到了最终的预测值。算例计算结果显示,针对60 min统计尺度流量时间序列,VMD-LSSVM模型在1～6 h的均等系数（Equal coefficient, EC）值为0.97,在7～12 h的EC值为0.94;与差分自回归滑动平均模型（Autoregressive integrated moving average model,ARIMA）,反向传播（Back propagation,BP...     

Boosting稀疏最小二乘支持向量回归机及其在推力估计中的应用

为实现航空发动机的直接推力控制代替传统的基于传感器的液压机械式控制,本文使用boosting技术提升最小二乘支持向量回归机的性能设计了推力估计器。在使用boosting的过程中,有两点与传统方法不同：（1）为了在建立稀疏最小二乘支持向量回归机的时候使数值计算更稳定,使用无放回抽取;（2）为了实现最小二乘支持向量回归机的稀疏性和降低计算的复杂度,用训练数据集的一个子集来建立最小二乘支持向量回归机,不再使用全部训练数据。仿真实验表明,基于boosting稀疏最小二乘支持向量回归机的推力估计器能够满足直接推力控制的需要,即估计推力相对误差不大于5‰。     

基于支持向量机的航空发动机滑油监控分析

分析支持向量机用于时间序列预测的理论基础,针对某型发动机滑油金属含量的预测分别采用传统的AR模型和基于现代统计理论下的支持向量回归模型对滑油时间序列进行预测建模     

基于支持向量机的直升机旋翼不平衡故障分类研究

提出一种利用支持向量机进行直升机旋翼不平衡故障诊断的方法,建立了用于直升机旋翼不平衡故障识别的支持向量机诊断模型,进行了直升机旋翼不平衡故障模拟试验,分别采集了在旋翼配重不平衡、桨距不平衡、后缘调整不平衡和正常状态下的试验台体振动信号,并对其进行了功率谱分析.采用基于支持向量机的诊断模型对旋翼不平衡故障进行了故障分类识别,并与基于径向基神经网络的诊断模型进行了故障识别效果对比.结果表明基于支持向量机的诊断方法在小样本条件下,对旋翼不平衡故障具有良好的识别能力.     

一类增量式支持向量机的分析

针对训练数据发生增量改变时,标准一类支持向量机的批处理算法需要重新进行训练,不适合在线增量环境学习的问题,提出一种详细的增量式标准一类分类向量机算法,并通过理论分析对该算法的可行性和有限收敛性进行了证明,确保该算法的每步调整都是可靠的,并确保该算法通过有限步调整最终收敛到问题的最优解。在标准数据集上的实验结果验证了理论分析的正确性。     

一种小样本民机产品的可靠性预测方法

将最小二乘支持向量机(Least square support vector machine,LS-SVM)应用于小样本民机产品的可靠性预测分析。通过重构相空间的饱和嵌入维数,确定最小二乘支持向量机的最佳输入变量;然后,使用最小二乘向量机建立可靠度回归预测模型,运用自动网格搜索法,优化了最小二乘支持向量机的建模参数,实现了比现有方法精度高、泛化性好的模型。训练和测试的可靠性样本取自某机型襟翼液压锁寿命可靠性数据。与神经网络模型的比较实例表明,提出的方法合理有效。