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。     

基于支持向量机的发动机性能衰退指标分类和预测

基于支持向量机几何距离建立表征发动机性能衰退程度的指标,并基于相空间重构理论对该指标进行多步预测,表明回归支持向量机结果优于神经网络预测结果。利用主元分析、核主元分析方法对发动机性能特征量约简并提取其主元,得到核主元分析的分类效果更好。利用交叉验证的方法优化分类支持向量机和核函数中相关参数,给出发动机性能衰退指标曲线。通过建立统计量的方法分析发动机性能变化,确定性能变化关键点。所得结论对做好发动机维护保养工作,延长发动机使用寿命具有一定的指导意义。     

某型发动机起动模型的支持向量机辨识及应用

为了解决某型涡扇发动机慢车转速以下的数学模型难以建立,无法进行起动性能数值计算的问题,提出了用支持向量机辨识起动模型,依据辨识结果估算起动性能的方法。采用发动机起动试验数据作为学习样本,建立了基于支持向量机的非线性动态起动模型。根据该型发动机起动供油量调整试验得到的供油压力数据,利用所建立的模型对起动性能进行了估算,给出了估算结果与试验数据的对比情况。研究表明,将支持向量机用于起动模型的辨识是可行的,能够较好地解决某型发动机起动性能计算的难题。     

应用SVM的发动机故障诊断若干问题研究

支持向量机能够克服一般神经网络容易出现的过学习和泛化能力低等不足。提出一种基于支持向量机的航空发动机气路部件故障诊断方法,讨论了支持向量机的核函数选择和参数确定问题,并对"块算法"进行了分析。仿真实验表明,设计的正则化参数和核参数合理,故障分类器具有良好的分类准确性和泛化性能,可以对发动机气路部件的典型故障进行正确诊断。     

基于QPSO-ELM的某型涡轴发动机起动过程模型辨识

针对解析法建立某型涡轴发动机起动过程模型困难的问题,提出一种基于量子粒子群优化-极限学习机（QPSO-ELM）的某型涡轴发动机起动过程模型数据驱动辨识方法。首先构建基于状态空间法描述的某型涡轴发动机起动过程分段模型,然后结合发动机起动试验数据,采用QPSO-ELM算法对该起动模型进行辨识,试验结果表明：燃气发生器转子转速、发动机输出轴转速和燃气涡轮后温度的辨识结果都良好地逼近了实测数据,最大相对误差的均值分别为1.358%、1.628%和2.195%,满足实际应用的精度需求,并且QPSO-ELM的辨识精度优于极限学习机（ELM）、支持向量机（SVM）和反向传播（BP）神经网络。     

支持向量机在航空发动机起动模型辨识中的应用研究

支持向量机（SVM）可以优化网络,有效降低模型复杂性,不存在维数灾难和局部极小问题。本文以某型发动机起动调整试验的试车数据为样本,使用SVM对某一大气条件下的发动机起动模型进行了辨识,并使用另外一组试车数据．通过辨识模型对起动过程进行了仿真;最后,比较了SVM和RBF神经网络起动模型的辨识精度。结果表明,用SVM辨识发动机起动过程模型,方法简单,学习速度快,辨识精度较高。     

基于约简遗传规划的线参数模型及在航空发动机起动建模中的应用

提出了一种新的约简遗传规划(PGP)算法和一种新的基于约简遗传规划的航空发动机起动动态线参数模型.这种模型采用遗传规划产生航空发动机起动模型的输入输出非线性模型集,并以二叉树结构表征函数项,运用正交最小二乘算法(OLS)估计二叉树分支(基本函数项)对于模型精度的贡献并去除复杂、冗余的函数项,从而加快遗传规划的收敛速度,最后通过GP进化可获得简单、可靠、准确的线参数非线性模型.发动机起动过程试车数据建模和与支持向量机的比较证明,这种方法可以产生适用性好、解析性强的线参数非线性模型,产生的模型可获得与支持向量机相当甚至更优的结果.     

基于改进BP网络的航空发动机起动过程辨识

利用某型发动机地面试验数据作为学习样本,采用改进BP神经网络的方法,建立了航空发动机起动过程动态模型。利用所建立的模型对起动性能进行了估算,估算结果与试验数据基本相符。结果表明,将改进BP神经网络用于起动模型的辨识是可行的,该模型具有精度高,推广性好的优点。对于用BP神经网络对发动机进行起动性能计算具有一定的理论指导意义和应用价值。     

基于最小二乘支持向量机的小型无人直升机悬停动态建模

小型无人直升机(SUH)是一类典型的非线性动态系统,由于其本质不稳定性,由开环辨识实验获得的数据通常是小样本的,使用传统黑箱辨识方法难以获得较好的辨识效果。提出一种利用支持向量机(SVM)对SUH悬停动态进行辨识建模的新方法。通过动力学机理分析和合理的简化,确定了模型的非线性回归形式,以及从低维输入空间到高维Hilbert特征空间的映射关系和相应的机理核函数,并应用最小二乘支持向量机(LS-SVM)训练获得SVM模型和对应的参数化非线性多输入多输出（MIMO）模型。利用实际飞行数据辨识得到的模型不仅具有良好的预报精度,而且显式表达了各状态变量之间以及输入与状态之间的耦合关系,便于非线性控制策略的设计。     

基于遗传算法的航空发动机机载模型支持向量机修正方法

航空发动机的实时模型与发动机的匹配精度直接影响着航空发动机故障诊断的精度.提出了基于自适应遗传算法的最小二乘支持向量回归机(AGA-LSSVR)方法对航空发动机机载实时模型进行修正,有效的提高了模型的匹配精度.分析了最小二乘支持向量机中的参数的选取对模型修正的影响,在参数的选取空间里采用自适应遗传算法搜索最优参数.最后,比较了Back propagation(BP)神经网络、支持向量回归机、AGA-LSSVR等方法在机载模型中的修正效果.结果表明:提出的AGA-LSSVR具有很好的修正精度,验证了修正模型的有效性.      

SVM在气体减压器稳定性能中的应用

使用支持向量机(SVM)研究涡轮气封减压试验系统中高压卸荷膜片式减压器的稳定性问题,主要集中于以往方法不易涉及的多结构参数变化.针对稀疏易有残缺的小样本空间,与BP(back propagation)神经网络模型进行对比,得出SVM方法在所研究数据集上的一些结论:SVM模型预测性能在多结构参数变化情形下优于BP神经网络模型,预测误差平均降低了25.5%;SVM的泛化性好于BP;在双参数、三参数情形下,SVM模型为气体减压器的设计提供了更好的决策支持,给出了优化结构参数的设计建议.      

基于IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选，降低输入维度；采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化，并对优化的神经网络进行训练；用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法，并且在参选故障诊断的性能参数不同时，其诊断误差相近，展现出较强的适应能力。      

基于智能复合结构的可靠性分布模式自动识别

 采用Vor onoi 向量对SOM 网络算法进行了改进, 提高了学习收敛速度。通过提取数据的统计特征,建立了可靠性分布模式自动识别样本。提出的智能自动识别模型分两层, 在SOM 网络层对概率分布模式进行自动聚类, 在支持向量机层对各聚类组进行分类学习和识别, 获得识别模型的双层记忆权值。最后采用模型对常用可靠性分布模式进行了自动识别研究。测试结果表明, 建立的可靠性分布模式自动识别模型是可行、有效的。     

基于模糊神经网络的涡扇发动机加速控制

采用模糊神经网络对某型涡扇发动机加速过程进行自适应控制，为了进一步提高系统性能，采用遗传算法和BP算法相结合的方式，对系统分别进行了离线和在线优化。仿真结果表明，设计的模糊神经网络控制器具有良好的性能。     

基于BP神经网络的复合材料失效分析

创建了基于BP神经网络方法预测复合材料在复杂应力状态下的失效模型.依据现有的试验数据,建立了基于BP神经网络的数学模型,并给出了网络在多次训练的统计性评价参数.以及单次样本泛化性能的评价参数,并利用这些参数实现了网络的结构优化和训练优化,得到了比较精确的网络模型,成功预测了复合材料的失效数据,拓宽了计算复合材料失效的范围,同时可以对复合材料的失效分析和试验设计进行指导.     

基于神经网络的滚动轴承故障包络信号的自动识别方法

介绍了一种基于神经网络的滚动轴承故障包络信号的自动识别方法。将从包络信号的时域和频域信息中提取的反映滚动轴承故障的特征信息作为BP神经网络的输入,用BP算法对该网络进行训练。利用BP神经网络的智能性来实现滚动轴承故障的智能诊断。     

一种识别单盘柔性转子不平衡的新方法

基于柔性转子瞬态响应和反向传播神经网络理论,提出了一种识别单盘柔性转子不平衡的新方法.通过转子的理论模型建立识别转子不平衡方位角的BP神经网络,在此基础上只需两次加速启动过程就可完成对转子不平衡的识别.首先通过BP神经网络和第一次启动过程的瞬态响应数据,识别出转子不平衡的方位角;然后再通过一次加试重启动过程,利用瞬态挠度的幅值与不平衡大小之间的线性关系,识别出不平衡的大小.实验结果证明了该方法的有效性.