抗离群值的鲁棒正则化贯序超限学习机

针对离群值环境下的在线学习问题,提出一种鲁棒正则化贯序超限学习机(Robust regularized online sequential extreme learning machine,RR-OSELM)。RR-OSELM以增量学习新样本的方式实现在线学习,并在学习过程中基于样本的先验误差进行逆向加权计算以降低学习模型对于离群值的敏感性;同时RR-OSELM通过融合使用Tikhonov正则化技术进一步增强了其在实际应用中的稳定性。实验结果表明,RR-OSELM具有较同类算法更好的鲁棒性和实用性,对于离群值环境下的在线建模与预测问题是积极有效的。     

基于优化智能网络的发动机推力指令模型

针对航空发动机性能退化缓解控制中推力指令模型输入量有限问题,提出1种双智能网络串联的推力指令建模方法.其中子模型Ⅰ采用BP网络映射与推力密切相关的气路参数,其输出作为子模型Ⅱ的输入;子模型Ⅱ采用优化极端学习机(ELM)算法,输出为额定发动机推力,并以此推力为性能蜕化缓解控制指令.为了减小ELM网络规模,提高推力指令模型实时性,采用微分进化算法(DE)优化ELM初始网络参数.数字仿真验证表明:各飞行包线内推力指令模型预测值最大相对误差小于4‰,远优于单一神经网络最大8.17％和单一极端学习机最大14.5％的误差,模型推力指令计算时间仅需0.64ms,实时性好,验证了该推力指令模型的有效性.     

基于改进无模型自适应算法的涡扇发动机限制保护控制方法

针对发动机限制保护控制问题,提出了一种基于数据驱动的改进无模型自适应限制保护控制方法。以主回路闭环系统为设计对象,通过在常规无模型自适应控制律的准则函数中增加误差变化率,使超限保护系统具有更快的响应速度,给出了改进后系统的稳定性条件,并采用临界比例度法进行了控制器参数整定。仿真结果表明:在不同工作点,所设计的改进无模型自适应限制保护控制器相比常规无模型自适应限制保护控制器,最大超限平均减小2.97%,响应时间平均缩短2.30s,实现了发动机超限后的迅速回调,保证了发动机系统的安全运行。     

结构自适应序贯正则极端学习机时间序列预测及其应用

为提高初始小样本情况下时间序列在线预测的精度,提出了一种结构自适应序贯正则极端学习机(SA-SRELM)。该方法在在线序贯学习阶段,针对不同训练样本规模选择不同的递推方式对输出权值进行更新;同时,在训练样本达到一定规模后,为提高预测模型对系统的动态适应性,在加入新样本的同时对旧样本进行剔除,完成预测模型的训练。利用3种混沌时间序列预测实例对所提方法的有效性进行了验证。最后,将所提方法用于航空发动机排气温度预测中,结果表明该方法相对正则极端学习机(RELM)和序贯正则极端学习机(SRELM)方法具有更好的泛化性能,预测精度分别是二者的约6倍和2倍。     

基于GA-ELM的飞行载荷参数识别

针对用复杂飞行数据识别飞行载荷时的精度低、速度慢等问题,提出一种结合遗传算法(GA)和极限学习机(ELM)的GA-ELM模型。该模型使用ELM神经网络作为计算核心,用遗传算法产生ELM网络输入层到隐含层的权值矩阵和隐含层偏移量;用GA-ELM模型对飞行数据进行识别,并与BP神经网络和原始ELM神经网络的识别结果进行对比。结果表明:GA-ELM模型是一种有效且高精度的飞行载荷参数识别方法。     

冰雪天气下基于MFOA-KELM残差修正的跑道温度混合预测

道面温度短时精准预测是跑道积冰预警的关键因素之一, 为了解决单一机理预测模型随预测时间延长而造成误差累积的问题, 提出了一种冰雪天气下跑道温度混合预测方法。将跑道温度机理预测模型与核极限学习机(KELM)相结合, 建立一种数据驱动修正残差的跑道温度机理预测模型。针对果蝇优化算法(FOA)收敛速度慢、易陷入局部最小值的问题, 引入权值更新函数和距离扩充因子, 调整果蝇的全局寻优效果, 避免陷入局部极小值。利用改进的果蝇优化算法(MFOA)对KELM的正则化参数与核参数联合优化, 以冰雪天气下跑道温度实际数据为例, 建立基于改进果蝇优化核极限学习机(MFOA-KELM)的跑道温度混合预测模型, 并在不同时间尺度下对该混合预测模型进行仿真测试。实验结果表明:与单一机理预测模型相比, 当预测时长为120 min时, MFOA-KELM混合预测模型的平均绝对误差至少减小了61.43%, 在残差阈值为±0.5℃时, 平均预测准确率为91.25%。可见, MFOA-KELM混合预测模型具有更高的预测准确性, 研究结论显示该混合预测方法能够为机场跑道温度短时精准预测提供新思路。      

基于在线滚动序列核极限学习机的涡轴发动机非线性模型预测控制

针对涡轴发动机控制系统设计,提出了1种基于在线滚动序列核极限学习机的非线性模型预测控制方法。综合考虑直升机旋翼扭矩、燃气涡轮转速、动力涡轮转速、涡轮级间温度和压气机喘振裕度等信息,设计具有较好实时性、精度和泛化能力的多输出在线滚动序列核极限学习机作为预测模型,引入预测模型输出与发动机输出的误差进行反馈校正,利用序列二次规化算法在线求解包含限制约束的预测控制问题。在某型直升机/涡轴发动机综合平台的仿真环境中进行了直升机大幅度机动飞行仿真验证,结果表明:该模型预测控制器相比于传统串级控制具有更好的控制品质,可显著降低动力涡轮转速超调/下垂量。     

基于PSO-ELM的军用飞机维修保障系统效能评估研究

维修保障系统效能评估是军用飞机精细化、规范化管理的一项重要措施,科学的维修保障系统效能评估是精细化保障的基础,是提升战斗力的保证。针对军用飞机的维修保障系统效能评估问题,在总结军用飞机维修保障系统效能评估体系的基础上,提出基于粒子群优化极限学习机算法(PSO-ELM)的维修保障系统效能评估模型;并通过实例进行验证。结果表明:该算法应用于军用飞机维修保障系统的效能评估是可行的,可为军用飞机维修保障效能评估提供借鉴。     

利用神经元拓展正则极端学习机预测时间序列

为实现对于时间序列预测数据的准确预测,提出一种神经元拓展正则极端学习机(NERELM,Neuron-Expanding Regularized Extreme Learning Machine),并研究了其在时间序列预测中的应用.NERELM根据结构风险最小化原理权衡经验风险与结构风险,以逐次拓展隐层神经元的方式自动确定最佳的网络结构,以避免传统神经网络训练过程中需人为确定网络结构的弊端.应用于时间序列的仿真结果表明:NERELM可有效实现对于RELM最佳网络结构的自动确定,具有预测精度高与计算速度快的优点.      

基于预测扭矩前馈的涡轴发动机内模控制方法

基于内模原理设计了涡轴发动机功率涡轮转速控制器.针对主旋翼扭矩变化对功率涡轮转速的干扰,提出了一种基于极端学习机的扭矩预测方法.极端学习机训练基于动态仿真数据,其输入通过相关分析获得.基于内模原理的功率涡轮转速控制器采用极点配置的设计方法,将输入信号的内模直接加入控制器,实现鲁棒跟踪.扭矩前馈采用比例微分(PD)控制策略,实现对发动机负载变化干扰的有效补偿.数字仿真结果表明:极端学习机扭矩预测精度高,扭矩相对误差小于1.5‰,与不加前馈控制相比,所提出的控制方法减小了机动飞行过程中功率涡轮转速的超调或下垂30%以上.