基于NRS-SVM模型的航空弹药消耗预测研究

结合航空弹药训练消耗的特点,研究邻域粗糙集(Neighborhood rough sets,NRS)与支持向量机(Support vector machines,SVM)融合的航空弹药训练消耗预测问题。通过邻域粗糙集将5个初始影响因素约简为3个核心影响因素,并以此训练集对支持向量机进行回归优化。通过参数寻优得到最优的惩罚参数和核参数,进而构建NRS-SVM组合预测模型来预测航空弹药消耗。实证研究表明,该模型预测结果与实际数据吻合度较高,且与其他预测模型相比具有更好的预测性能。     

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。     

基于SVR-随机森林模型的民机落地剩油预测研究

针对国产民机落地剩油的预测与单一算法预测精度较低的问题，本文提出了一种基于支持向量回归机（SVR）与随机森林（RF）算法组合的预测模型对国产民机落地剩油做预测。灰色关联度分析得到落地剩油关联度较高的因素，简化模型输入量；采用单一的SVR算法与RF算法进行落地剩油预测，利用倒数误差法将两个单一算法组合起来对落地剩油做预测。实例验证，单一的预测模型准确率为81.21%、83.91%；组合模型的准确率为93.2%，提高了落地剩油预测的精度，有利于飞机在安全飞行的前提下合理减少额外油，提高经济效益。     

基于BAS_RVM的APU涡轮剩余寿命预测

提出一种优化相关向量机的寿命预测方法,并用于对辅助动力系统（Auxiliary power unit, APU）涡轮的剩余寿命预测。首先,提出了改进的核函数,兼顾效率和精度,用天牛须搜索（Beetle antennae search, BAS）算法对相关向量机的核参数进行优化,建立寿命预测模型;然后,对历史数据进行分析,提取排气温度（Exhaust gas temperature,EGT）并进行修正、降噪,用多项式回归建立了EGT的涡轮性能退化模式库;最后,实例验证表明,文中算法在APU涡轮剩余寿命预测上与传统相关向量机相比效率提高40%,精度提高20%,通过敏感性分析确定了最佳的初始步长和输入维度。     

基于生理测量的飞行模拟试验方案设计

为研究工作负荷的评价问题,设计并实施详细的模拟飞行试验方案,能够为飞行员工作负荷进行详细研究提供数据基础:模拟飞行试验中,对被试的生理指标和其主观评价值进行测量;对试验中所采集的数据进行处理与分析,并验证了生理测量数据对同工作负荷的相关性,最终证明飞行试验中所采集的数据是有效的,可以用来研究飞行员的工作负荷。     

基于机器学习的机翼气动载荷重构及传感器优化布置

风洞实验通过在机翼表面布置传感器来测量相应位置的气动载荷，由于传感器布置数量有限，难以直接得到整个机翼全息气动载荷分布。本文采用机器学习方法通过有限传感器数据重构机翼表面全息气动载荷，并提出了利用仿真数据对传感器进行优化布置的方法。从计算流体力学（Computational fluid dynamics,CFD）计算所得的机翼全息气动数据中选取有限位置数据模拟传感器实验数据，对比深度学习模型、高斯过程回归（Gaussian process regression, GPR）、支持向量回归（Support vector regression, SVR）与BP神经网络（Neural network, NN）对气动载荷的重构精度。通过评估由传感器数据重构的全息载荷精度对传感器布置方式进行优化设计。以M6机翼为例在给定的两个工况条件下验证本文所提出的方法。实验结果表明，GPR模型获得了最高气动载荷重构精度；给出了M6机翼在不同传感器总数下最优的截面数和单个截面布点数，最低传感器布置数下的最优布置方式，以及流场变化相对剧烈的前缘区域与展向截面的传感器布置方式。     

基于RS-PSO-SVM的航材消耗预测模型

针对航材消耗预测影响因素多,结合航材消耗特点,研究粗糙集（Rough set, RS）与支持向量机（Support vector machine, SVM）相互融合的航材消耗预测问题。通过RS不完备信息系统的属性约简剔除航材消耗信息系统中冗余的定量因素,在属性重要性基础上将7个影响因素约简为3个影响因素,保留了该系统的核心知识。引入粒子群算法（Particle swarm optimization, PSO）优化SVM模型,寻优得到的参数组合,建立RS-PSO-SVM航材消耗预测模型。实例分析表明,RS-PSO-SVM模型的预测准确度较好,相比较于PSO-SVM、RS-BP（Back propagation）预测性能更佳。     

基于SVM方法的APU故障预测方法

针对辅助动力装置(Auxiliary power unit,APU)故障预测时,仅基于快速存取记录器(Quick access recorder,QAR)数据存在实时性欠缺或精度不足的问题,提出了基于实时报文数据的APU故障预测方法。首先,对报文所采集的数据进行预处理,将每次航班的报文数据规整为一条数据集;其次,从参数阈值、维修记录及APU序列号变化情况等角度对数据集进行标注工作;随后,针对特征选择算法具有较差解释性的缺点,提出通过相关性分析选取能够表征APU运行性能的参数;最后,建立基于支持向量机(Support vector machine,SVM)的多参数故障预测模型并优化。经验证,该模型提高了预测正确率,为APU视情维修策略的制定提供参考。     

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。     

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‰。