基于支持向量机回归的民机航材消耗预测研究

航材作为装备保障的关键部件,其精确化保障在降低库存管理成本、优化资金分配、提高飞行安全等方面有重要作用。为保障飞机正常起飞,增加航空公司运营收入,降低航材保障费用,针对飞机航材消耗样本小、变化大难以预测的问题,提出一种基于支持向量机回归的航材消耗预测模型。以某国产民用飞机实际消耗数据为例,对支持向量机回归模型的预测精度进行验证。结果表明：该支持向量机回归模型对小样本数据有很好的适应性,相比指数平滑法具有更高的预测精度。     

基于遗传算法的航材周转件多周期库存优化

为了应对航材需求和降低成本,针对航材周转件库存优化问题,建立了一个考虑需求预测的多周期优化实例模型。根据模型特点采用遗传算法（GA）进行求解。用某航空公司航材周转件库存实际数据进行了优化计算,计算结果表明,基于遗传算法的多周期优化在基本满足航材需求的同时可降低总库存成本。     

卫星地面站资源配置的SVM回归模型

针对卫星地面站资源配置问题输入输出关系的复杂性,提出支持向量机（SVM）回归模型。在模型学习过程中,利用正交设计抽样抽取小数量样本对SVM进行训练,求解二次规划问题,根据测试结果对模型参数进行调整以实现较小的预测误差。实验结果表明,该方法具有较好的拟合精度和泛化能力。     

基于GRA-IPSO-SVM的航材携行需求预测研究

异地执行飞行任务中航材需求的准确预测是做好携行保障的主要内容之一,为此提出灰色关联度（GRA）与改进的粒子群算法（IPSO）及支持向量机（SVM）相结合的航材预测方法。首先运用GRA 对航材携行需求的影响因素进行分析;其次引入活性因子和非线性惯性系数改进粒子群算法,并通过IPSO 对SVM 参数进行寻优;最后使用优化后的SVM 模型预测航材需求。结果表明：GRA-IPSO-SVM 方法预测结果的均方根误差比PSO-SVM 方法下降0.16,平均绝对百分比误差下降2.18%,且预测时间减少了0.7 s。     

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。     

航材共享对可修理备件保障成本的影响研究

针对航空业竞争加剧,可修理件资金占比较大的现状,探索通过航材共享降低可修理件保障成本的可行性。在对可修理航材备件特点及保障成本构成分析的基础上,结合共享模式下备件保障需求产生机制,建立航材共享保障成本模型,并以自主供应为对照,采购单价为影响因素,保障率为约束,将两种备件供应策略下的最小保障成本做差,建立差值成本模型,用蒙特卡洛法对备件故障时间及维修周转时间进行模拟,通过案例分析采购单价变化对差值成本的影响。结果表明：差值成本与备件采购单价正相关,且机队规模扩大将增加差值成本增幅,即航材共享在备件采购单价较高,购买成本较大时,优势明显,而机队规模扩大将增加航材共享保障成本优势。     

多语言混合编程的民用飞机航材预测与配置平台

合理采购并在多个航站之间合理配置航材数量对于民用飞机的经济运行十分重要,而航材预测与配置研究形成的理论算法内容相对复杂。为推动这些算法程序能够有效投入工程应用,基于 Java 语言,并整合Matlab、Python 语言编写的算法程序,开发多语言混合编程的民用飞机航材预测与配置平台。首先,介绍平台中集成的航材预测与配置的支持向量机算法和边际分析算法,并叙述混合编程的实现方式;然后,阐述平台设计的详细内容,并对混合编程的实现方式及不同程序语言间参数类型的转换方法进行说明;最后,运用实际工程数据对平台的功能进行使用测试。结果表明：平台的人机界面友好、操作简便,较好地实现了航材预测与航材配置功能,能够为相关理论算法通过平台技术满足工程需要提供借鉴和思路。     

基于改进支持向量机回归的非线性飞机结构载荷模型建模

为进行飞机结构载荷安全监控并为飞机结构疲劳寿命评估积累相关数据,需建立与飞行参数相关的 飞机结构载荷模型。针对飞机结构载荷与飞行参数之间的非线性关系,采用改进停机准则的 SMO 算法及粒 子群模型参数优化算法对支持向量机回归方法进行改进,并通过飞行动力学理论分析结合皮尔逊相关系数的 方法对参与建模的飞行参数进行选取。以飞机跨声速俯仰机动为例,建立机翼某一测载剖面结构剪力模型,并 对该建模方法进行仿真验证。结果表明:采用改进支持向量机回归方法所建立模型精度优于原始支持向量机回归方法建立的模型,即采用改进支持向量机回归方法可提高建模精度及泛化能力。     

基于SPSO-SVR的融合航空发动机传感器故障诊断

针对航空发动机常见的传感器故障问题, 提出了一种利用改进的粒子群算法训练支持向量回归机, 并利用融合机制将其应用于传感器故障诊断.论述了用一簇支持向量回归机(SVR)预测器对传感器进行实时检测, 通过逻辑判断机制隔离故障传感器, 并且依据剩余的无故障传感器信息实现信号重构.以某型航空发动机传感器在其整个工作范围内受到的冲击、偏置和漂移故障为例, 验证了基于自协调粒子群优化支持向量回归机(SPSO-SVR)算法的融合诊断机制对传感器单一故障和多重故障具有较高的精度和计算效率.      

一种基于多支持向量机的增量式并行训练算法

为了改进传统算法,利用支持向量的特性,提出了一种基于多支持向量机的增量式并行训练算法(PMSVM)。选择对分类超平面有影响的样本点作为支持向量,以增加单个分类器的训练时间为代价换取整体训练和分类的精度。考虑到训练样本的分布对最终结果的影响,加入反馈向量进行适当的重复训练,以调整各分类器的学习性能。通过在测试数据集上进行的实验表明,该算法与批学习增量BSVM算法相比,在提高训练效率和分类精度的前提下,大大降低了训练时间。