基于GA优化BP算法的滑油状态监测

滑油状态的监测与分析是航空发动机状态监测与故障诊断的重要手段。为了解决以往滑油金属质量分数预测模型算 法的局部性、收敛速度慢及预测结果误差大等问题,结合遗传算法（GA）收敛速度快、鲁棒性好等优点,对反向传播（BP）神经网络 算法进行GA优化,通过GA对参数寻优,并应用于发动机滑油金属质量分数预测。由于滑油的状态参数并不能确定部件故障与 否,利用贝叶斯（Bayes）决策规则对诊断结果进行了错误率计算。将所提方法应用于某航空发动机滑油铁质量分数预测,结果表 明：采用GA优化后的BP神经网络（GA-BP）得到的预测结果具有更高的精度,其最大预测误差不超过6%,平均预测误差为1.7%, 所测数据与原数据具有较好的拟合性,利用Bayes决策规则对诊断结果进行分析,对于部件故障与否的判别更具说服力。     

轴流压气机通流计算中代理模型的应用（两机专刊）

在轴流压气机初始设计阶段,二维通流计算方法可以快速评估压气机的性能,其准确性高度依赖于经验模型的预测精度。当压气机超出经验模型适用范围时会增大模型的预测误差。为提高预测精度,研究了在通流计算中采用代理模型取代传统经验模型的可行性。以双级跨声轴流速压气机的几何参数和气动实验数据作为代理模型的训练样本库,采用敏感性分析方法确定最重要的特征参数作为输入。分别基于支持向量机回归（SVR）和高斯过程回归（GPR）两种监督学习方法构建代理模型,并在模型训练中通过贝叶斯优化算法寻找模型最佳超参组合。将代理模型集成到基于流线曲率法（SLC）的通流程序中,对该压气机特性进行评估,并与传统经验模型计算结果相对比。对比显示,相较于传统经验模型,SVR和GPR两种代理模型分别降低了62.2%与55.2%的总压特性平均预测误差以及48.4%与50.1%的绝热效率特性平均预测误差。对比结果表明,当超出传统经验模型适用范围时,代理模型不失为一种可靠的替代方案。     

Al-Cu-Mg-Ag合金强度性能的支持向量回归预测

为了研究不同时效工艺下Al-Cu-Mg-Ag合金强度性能,根据实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了SVR预测模型.模型以Al-Cu-Mg-Ag合金时效温度与时效时间为输入,合金的抗拉强度、屈服强度为输出.经过与BP神经网络模型进行比较,结果表明:对于相同的训练样本和检验样本,支持向量回归模型比BP神经网络模型具有更高的预测精度.     

流线曲率法在多级跨声速轴流压气机特性预测中的应用

为研究多级跨声速压气机的分析问题,以通流理论为基础,采用了一系列适用于跨声速压气机的攻角、落后角和损失等经验模型,发展了一套基于流线曲率法的通流计算程序来预测跨声速压气机流场及其工作特性。为提高经验模型的预测精度,考虑到真实压气机中复杂的三维流动效应,针对部分早期模型进行了合理改进,包括改进了落后角模型使其适用于更大弯度范围叶型,以及采用一种更为合理的可变结构激波损失预测模型。针对两台跨声速压气机算例进行了计算校验,并将校验结果与实验值和三维数值计算进行对比。对比表明,设计工况下总压比最大计算误差为4.1%,效率误差为1.1%,在非设计工况特性预测和展向流场参数计算中也能得到和实验值相符的变化趋势,该通流计算方法可为现代跨声速轴流多级压气机特性分析提供具有参考价值的预测结果。     

神经网络模型在压气机通流特性分析中的应用

为了解决通流特性分析程序中原始模型对压气机性能预测精度不足的问题,提高压气机通流特性分析过程的可靠性,基于对大量多圆弧叶栅的数值模拟结果建立了压气机叶栅性能数据库,并以该数据库为依托,采用神经网络建模方法建立了压气机叶栅基准损失系数和基准落后角模型。结果显示:两模型对叶栅基准损失系数和基准落后角的预测精度均满足工程应用要求,其精度分别为±0.002和±1°。在对采用神经网络模型的通流特性分析程序校验过程中发现,其无论对压气机整机性能还是对流动细节的预测精度上都获得了显著提高,尤其是在主流区。此外从压气机整体特性上看,基准损失系数和基准落后角精度的提高对非设计工况损失系数和落后角的预测精度影响是积极的。      

神经网络在无人机电控活塞发动机试验中应用

分析了无人机用电控活塞发动机试验特点以及试验中存在的难点,针对电控发动机高海拔标定试验中进气歧管压力(manifold air pressure,简称MAP)传感器数据的传统线性插值方法不能完全表述电控发动机非线性特性的缺陷,提出采用BP(back propagation)神经网络模型的解决方案.为避免目前应用神经网络方法中所存在的不足,通过采用原始数据分组方法进行网络训练误差的实时反馈和控制,较好地解决了神经网络训练过程中容易陷入"局部最优"和"过拟合"状态,并对BP神经网络预测结果给予了详细研究,训练误差和预测误差分析结果表明了该方法的可行性和计算结果的可信性.      

固体废弃物热解产物的神经网络预测模型

本文采用3层BP神经网络建立了固体废弃物热解产物的产率和特性的预测模型。采用遗传BP算法来优化隐层节点数和学习速率η0与回归方法相比，其预测误差明显小于回归公式的预测误差。     

一种实现轴流压气机试验特性关联的经验方法

采用系统研究思想,对10余台轴流压气机稳态性能试验数据进行了整理分析,在统计层次上探索了现有气动/结构设计体系下离散试验数据之间的内在关联规律.详细阐述了关联基准点的选取、关联基准线的构造、稳定工作边界的预估、特性线的泛化拟合和关联基准点的求解等环节,成功构建了一种实现多级轴流压气机试验特性有效关联的经验分析方法.结果表明:该经验方法对于大流量低速压气机变工况特性具有较好的预估能力,总体相对误差小于±10%.该方法可应用于同类型新设计压气机变工况特性表征关系的经验重构和先期性能评定,为压气机离散试验数据的挖掘、利用提供技术支持.      

基于BP神经网络的惯导初始对准误差辨识方法

针对弹道导弹捷联惯导系统初始对准问题,提出一种基于BP神经网络在线辨识初始对准误差的方法。首先设计了初始对准误差辨识总体方案;然后,基于SINS/GPS组合导航系统测量信息,以SINS与GPS之间的位置偏差为输入量,以初始对准误差为输出量,分别采用三输入和六输入的BP神经网络建立位置偏差与初始对准误差参数之间的映射关系,生成BP神经网络结构;最后,设计仿真试验,分别采用三输入BP神经网络、六输入BP神经网络和卡尔曼滤波算法预测初始对准误差参数。仿真结果表明,六输入BP神经网络算法识别精度最好,初始水平姿态角误差小于30″,瞄准方位角误差小于70″。     

基于RBF神经网络的压气机特性仿真

为克服传统仿真方法误差较大的问题，提出了一种基于RBF（多变量插值的径向基函数）神经网络的压气机特性仿真方法。利用RBF神经网络能逼近任意非线性系统的特点，对压气机特性进行了拟合。试验结果表明，此方法具有精度高，收敛速度快等优点，可广泛运用于发动机数值仿真及控制模拟等领域。     

基于遗传算法与神经网络微电阻点焊工艺参数优化

文摘微电阻点焊工艺参数的设置对焊点力学性能有着至关重要的作用,通过正交试验极差分析研究了工艺参数对0.05 mm厚TC1箔材焊点剪切力和剥离力的影响程度。通过赋予剪切力和剥离力相应的权值将双优化目标转化为单一的混合优化目标,结合神经网络与遗传算法,对工艺参数进行了优化,建立了基于BP神经网络的焊点力学性能预测模型。结果表明预测模型的误差小于4%,预测模型具有较高的精度和预测能力,可以准确地预测焊点的力学性能。同时通过gatool工具箱对各项工艺参数进行了优化,获得焊接参数的最优组合:焊接电流800 A、电极压力8.89 N、爬坡时间1.608 ms、焊接时间8 ms,混合优化目标为55.73 N。通过与正交试验优化结果对比,遗传算法寻优可以获得更好的综合力学性能。     

连分式扩充的粒子群神经网络压气机特性重构方法

对航空发动机压气机原始二维等转速线的数据点进行连分式扩充,通过两次网络训练,增加转速特性数据,在三维空间中进行BP(back propagation)网络模型重构.根据压气机特性数据空间分布的特点,引入压力比函数,调整计算区域,定义网络的输入输出数据,利用试探法确定隐含层维数.采用基于趋利避害原则的粒子群算法对网络的初始权值和阈值进行优化,建立了压气机压比和效率特性的整体代理模型.最后以某型发动机的低压压气机为例进行了压气机特性模型的重构.通过模型的校核与验证表明:采用这种方法建立的模型精度较高,优于普遍采用的传统二维插值方法和普通BP神经网络模型.最终建立的重构模型对于采用选配法、坐标法和部件法等以压气机通用特性曲线为基础的发动机模型的求解,可提高计算精度和迭代速度,具有一定的工程应用价值.      

粒子群优化的Kriging近似模型及其在可靠性分析中的应用

将粒子群优化(PSO)算法引入Kriging建模过程,依靠PSO算法的群体搜索能力克服了模式搜索法单点序列搜索方式的局限性以及严重依赖于初猜解的缺点,保证了在任意初始条件下都能获取极大似然意义下的最优相关参数,从而有效确保了Kriging预测结果的最优无偏性.涡轮盘低循环疲劳可靠性分析实例表明,粒子群优化的Kriging(PSO-Kriging)近似模型对危险点周向应变变程的预测精度相对神经网络有数量级上的优势(最大误差由5.94%降低到0.09%),可不牺牲精度地代替有限元程序进行Monte Carlo模拟;同时PSO-Kriging建模与预测的总时间不及一次有限元分析的1/10.由于预测精度高(其最优无偏性由PSO算法保证)且计算开销不大,提出的PSO-Kriging对于实际工程结构的可靠性分析有一定应用价值.      

基于一维模型的跨声速轴流压气机特性预测研究

为发展一套对于现如今多级跨声速轴流压气机特性预测较为精准、快捷的计算程序,选取了合适的压气机参考攻角模型,建立了适用于双圆弧大弯角叶型的设计点/非设计点落后角模型。采用某套大弯角平面叶栅在多个工况下的实验数据对新建立的落后角模型进行校验,并将攻角、落后角模型嵌入到HARIKA算法中,实现对HARIKA算法原模型的替换,用新建立的HARIKA算法和三维数值计算软件NUMECA对某型两级跨声速轴流压气机在设计/非设计转速下进行特性计算。结果表明：本文建立的落后角模型对于叶栅出口气流落后角预测值与实验值较好地吻合,平均误差为0.42o,预测误差较小。新的HARIKA算法对于压气机特性的预测结果相比于三维数值计算结果更贴近于实验值,其中压比最大预测误差2.54%,效率最大预测误差3.68%,总体预测误差较小,证明本文建立的非设计点落后角模型具有一定的准确性与适用性,改进后的HARIKA算法在多级跨声速轴流压气机特性预测方面具有一定的工程实用性。     

基于粒子群神经网络的轮盘优化

将粒子群算法(PSO)和BP神经网络相结合, 构建了一种新型智能结构优化算法.PSO方法除用于结构优化外, 还被用于BP神经网络的构造及网络训练, 使之可自适应调整优化.结构优化中, 以BP神经网络取代有限元方法, 通过设计变量来映射目标函数和约束, 从而大大提高了计算速度.将此方法用于轮盘结构优化, 使得轮盘体积减少了17.5%, 结果通过检验.该方法便捷、高效, 为解决工程结构优化问题提供了一个新途径.      

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。      

利用试验设计法建立翼型气动特性的人工神经网络模型

建立了翼型气动特性预测的BP(Back Propagation)神经网络模型,重点研究了3种选取训练样本的试验设计(DOE)法:完全析因法、正交设计法和均匀设计法,对BP神经网络预测精度的影响,利用所建立的BP神经网络对FX63-137翼型几何型线进行了优化设计。研究结果表明:在因素数和水平数较少时,完全析因法、正交设计法及均匀设计法的平均测试误差分别为0.002%、0.029%、0.023%;在因素和水平数较多时,完全析因法的样本规模太大而不再适合,正交设计法和均匀设计法的平均测试误差分别为0.42%和0.15%,均匀设计法的预测精度更高,更适合于翼型气动特性预测的人工神经网络模型。优化后翼型的升阻比在迎角为0°~18°范围内均高于原始翼型,在迎角为1°、4°和15°时升阻比分别提高了4.38%、1.38%和5.51%。该研究方法及成果可以应用于翼型的多参数优化设计。     

基于BP人工神经网络的离心压气机叶轮多目标优化设计方法

利用Concept NREC软件建立离心压气机叶轮设计样本库,借助BP（back propagation）人工神经网络建立样本库中各设计参数与压气机性能之间的关系,接下来以多目标遗传算法寻找Pareto解,从而获得离心压气机叶轮最佳设计参数.将该方法应用于Krain叶轮设计工况,所得叶轮的效率、压比较Krain叶轮原型分别提高1.4%和10.9%.通过对人工神经网络模型可靠性的讨论、多目标优化模型的主成分分析和所设计叶轮性能的CFD验证,证明了所构建的目标函数与所获得的Pareto解集的合理性,说明本方法可以有效应用于在离心压气机设计、选型.