扰流板式畸变模拟装置的数值计算及人工神经网络建模

数值计算了用于某型空中试车台吊舱的扰流板式畸变模拟装置,应用总压恢复系数、周向畸变指数评价了该装置的畸变效果并与试验数据进行了对比分析,为后续发动机在空台上确定临界畸变指数及敏感系数提供了可用量值的参考.根据部分计算数据,建立了该扰流板式畸变模拟装置的人工神经网络模型,并预估了12个状态的畸变模拟效果,验证了该人工神经网络模型的有效性,为减少试验点数节省试验经费提供了有效的途径.     

High Temperature Flow Stress Prediction of Nano-Al2O3/Cu Composite Using an Artificial Neural Network

Alumina dispersion strengthened copper composite （nano-Al2O3/Cu composite） was recently emerged as a kind of potentially viable and attractive engineering material for applications requiring high strength, high thermal and electrical conductivities and resistance to softening at elevated temperatures. The nano-Al2O3/Cu composite was produced by internal oxidation. The microstructures of the composite were analyzed by the TEM and its hot deformation behavior was investigated by means of continuous compression tests performed on a Gleeble 1500 thermo-simulator. Making use of the modified algorithm-Levenberg-Marquardt （L-M） algorithm BP neural network, a model for predicting the flow stresses during hot deformation was set up on the base of the experimental data. Results show that the microstructures of the composite are characterized by uniform distribution of nano-Al2O3 particles in Cu-matrix. The sliding of dislocations is the main deformation mechanism. The dynamic recovery is the main softening mode with the flow stress decreasing gently from 500℃ to 850 ~C. The recrystallization of Cu-matrix can be retarded late into as high as 850 ℃, when it happens only partially. The well-trained BP neural network model can accurately describe the influence of the temperature, strain rate, and true strain on the flow stresses, therefore, it can precisely predict the flow stresses of the composite under given deforming conditions and provide a new way to optimize hot deforming process parameters.     

智能故障诊断方法的研究和展望

在综合大量智能故障诊断技术和方法文献的基础上,对目前国内、外智能故障诊断技术的发展和应用进行了总结,并指出了不同的智能故障诊断方法的特点,最后对智能故障诊断技术的发展方向进行了展望。     

体积成形过程的模型跟随自适应控制

为控制热锻的生产过程和锻件的产品质量 ,应用体积成形过程的有限元数值仿真离线训练人工神经网络 (ANN) ,采用电学模拟方法 ,通过简单的模拟电路构造出复杂的ANN模型 ,完成了从体积成形过程到模拟电路之间的映射。模拟电路与自适应控制系统并联 ,构成了模型跟踪的自适应控制系统     

基于神经网络预测的柱径特征点检出

针对峰值法中测量路径规划问题,提出了基于参数模型学习的神经网络预测器。通过预测器对测量路径的优化,测量系统的柱边特征点检出效率提高了近十倍以上。     

关于BP网络算法的输电线速断保护

建立人工神经网络BP算法，利用计算运行方式的变化改进传统的电力输电线系统的保护措施，可以实时跟踪故障点并同步实施控制。利用人工神经网络技术的快速性、自适应性和容错性，在一个周期内准确地定位区内、区外故障点，实现对输电线的速断保护。     

基于BP神经网络的航班需求预测模型

航班需求预测是航空公司收益管理的关键技术。BP神经网络用大量的历史数据进行学习,能够记忆复杂的历史订座规律和销售趋势,提出了一种基于BP神经网络的航班需求预测模型。通过对历史数据进行主成分分析获得该模型,用一元回归法和相关系数法对训练质量进行评估,对模型作了置信区间分析。将该模型与增量法、回归法进行了对比,具有在线预测速度快、预测精度相对较高等优点。     

用结构自适应神经网络预测航空发动机性能趋势

 将航空发动机作为复杂非线性系统考虑，运用神经网络超强的非线性映射能力和非线性时间序列分析的相空间重构理论，建立航空发动机性能趋势预测的神经网络模型，同时，针对神经网络的结构设计困难问题，建立了基于遗传算法的结构自适应神经网络预测模型，实现了神经网络结构的优化。最后，利用三组民航飞机发动机的性能数据进行了预测分析，验证了利用结构自适应神经网络对航空发动机性能趋势进行预测的有效性。     

基于BP神经网络的民航安全预测方法研究

为了对民航系统安全运行状态进行科学的分析和预测。针对反映民航系统安全运行状态的重要指标之一——飞行事故万时率，采用BP神经网络的时间序列非线性预测模型及方法，对其进行了分析研究和仿真验证，计算结果表明，该预测方法是可行的，并与实际具有较好的一致性。     

基于BGP神经网络的高性能道面混凝土强度预测研究

本文讨论了如何应用人工神经网络（ANN）方法预测高性能道面混凝土的抗折强度，详细论述了采用BP算法建立抗折强度网络模型的过程。仿真实例表明，BP网络可成功地反映混凝土抗折强度的非线性规律，且预测精度相对较高。