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.      

使用BP神经网络模型研究逆向卸荷膜片式减压器的稳定性能

采用数据挖掘中BP(back propagation)神经网络模型来研究逆向卸荷膜片式减压器的结构参数与稳定性能之间的依赖关系,得到结构参数变化,尤其是多结构参数耦合变化下减压器的稳定性结果.其中稳定性对阻尼孔直径、膜片刚度非常敏感,对弹性元件材料的阻尼系数、低压腔有效长度较为灵敏.由此提出减弱振荡的各种措施:增大阻尼孔直径、增大膜片刚度、在一定范围(标准值的6.5倍)内增大弹性元件材料的阻尼系数、增大低压腔有效长度、减小阀芯质量.数值实验误差分析表明:该模型不存在过拟合、局部最优的情况,其预测结果是可靠的,可为减压器的设计和系统分析提供决策支持.而且,该模型对不同类型的数据集具有通用性,可以用来研究其他部件的结构参数与性能指标的依赖关系.