基于RBF神经网络的货运量预测模型

利用RBF神经网络进行了货运量预测.经过对预测结果的检验和分析,证明了RBF神经网络在货运量预测中效果较好,而且就具体网络训练而言,RBF神经网络的预测精度和训练速度均较BP神经网路优越,具有较大的计算优势.     

基于神经网络的轴承故障预测模型

利用在故障预测领域广泛应用的神经网络模型,对轴承监测数据的特征提取与建模,挖掘出监测数据与剩余寿命间内在关联,从而对轴承剩余寿命做出评估。在轴承全寿命数据的实际实验中,证实了该模型的有效性。     

基于神经网络预测模型的歼击机结构故障检测方法

提出了一种基于预测神经网络的歼击机结构故障检测新方法 ,与传统的基于模型的非线性系统的故障检测方法相比 ,神经网络方法有着非线性逼近能力强和故障检测实时性好等优点。给出了基于预测神经网络的故障检测方案 ,以及多步直接预测算法和阈值选取原则 ,最后以某型歼击机为例进行了仿真验证 ,仿真结果表明本方法能有效地检测出歼击机的各种结构故障。     

基于小波变换的脉冲耦合神经网络预测模型及其应用

被称为第三代人工神经网络的脉冲耦合神经网络(PCNN)模型,以其耦合机制、脉冲输出两大基本特性广泛应用于图像处理等领域。文章在两大基本特性的基础上对PCNN进行了改进:增加了绝对误差控制公式;连接强度以相关系数来控制,调整阈值设置为最小误差;网络的运行机制与以往的PCNN原理有所不同;将ATrous小波变换与PCNN模型相结合,形成了组合预测模型。将改进后的组合模型用于年降雨量的预测中,以求检验模型的可行性。预测结果表明,基于小波变换的PCNN组合模型用在年降雨量预测中是可行的,并取得良好效果。为进一步深化PCNN的理论、拓宽PCNN的应用领域、解决水文水资源中的预测问题提供了新的思路和方法。     

基于BP神经网络的机场安检旅客流量预测模型

机场安检服务资源智能分配及调度是提高机场旅客服务水平及运营效率的有效途径之一,而准确的机场安检旅客流量预测则是实现机场安检服务资源动态分配及调度的前提。以天津机场安检旅客流量的历史数据为研究对象,利用BP神经网络算法建立机场安检旅客流量预测模型,并将该预测模型通过天津机场实际旅客流量进行验证。结果表明:该基于BP神经网络的机场安检旅客流量预测模型的预测精度可达90%以上,证明其具有较高的预测精度,能很好地应用到机场安检流量预测中,为机场运营者动态调度安检服务资源提供高效的解决方案。     

基于神经网络的型腔电火花加工工艺效果预测模型

针对电火花加工的工艺特点及其复杂性 ,提出了一个基于神经网络的型腔电火花加工工艺效果的预测模型 ,可映射出电参数和加工结果之间的关系。计算机仿真结果显示了其良好的预测精度 ,最后分析了引起预测误差的原因     

不确定航迹自适应预测模型

针对现有航迹预测技术中,存在无模技术缺乏理论分析支持、能力有限、适用范围窄、有模技术先验假设过多、前提条件严苛、通用性差等问题,通过理论推导,利用循环和多层神经网络结构,研究提出了具有理论严谨、先验假设少、适用范围广、通用性强等优点的不确定航迹自适应预测模型,同时给出了典型的实现方法。该模型克服了现有航迹预测方法的缺点与不足,并具有无模与有模两类技术的优点与长处,仿真和实测实验验证表明：该模型能很好地提取识别出数据中存在的模式,并基于模式,进行正确有效地预测,能有效解决不同实际环境中的航迹预测问题,效果明显。     

城市固体废弃物无害化焚烧的探讨

本文介绍了城市固体废弃物焚烧处理过程中重金属，酸性气体和二恶英类等二次污染问题的危害。详细讨论二次污染问题的产生以及控制处理措施。从无害化焚烧角度对焚烧炉提出了要求，提出了21世纪城市生活垃圾焚烧新技术一气化熔融处理方式。     

融合机床精度与工艺参数的铣削误差预测模型

为弥补现有五轴联动数控铣床加工飞机结构件的加工精度评估系统的不足,提出利用机床精度检测数据和零件特征及其工艺参数来构建评估指标体系,基于BP神经网络建立了飞机结构件加工误差预测模型。通过完成训练的网络权值分布,计算出各输入指标对最后评估结果的影响,并通过实例分析检验了模型的可靠性。结果表明,经BP神经网络模型训练得到的结果和样本零件的三坐标测量机测量数据基本吻合,选取的评价指标具有有效性。该评估模型能够有效地融合机床精度检测数据和零件特征及其加工工艺参数,对飞机结构件的铣削加工误差进行预测。     

离港航空器滑出时间的BP神经网络预测模型

准确地预测离港航空器滑出时间可有效提升机场场面运行效率,降低运行成本。构建基于BP 神经网络的离港航空器滑出时间预测模型,分析影响离港航空器滑出时间的可量化因素,并对其相关性进行检验;通过我国中南某机场2 周实际运行数据对模型进行验证,并以均方根误差、平均绝对误差和平均绝对误差百分比检验预测结果的准确性。结果表明：同时...     

基于PSO-BP神经网络的固冲发动机推力估计器设计

为了对固体火箭冲压发动机的推力进行直接控制,提出了基于PSO（粒子群优化算法）优化BP（back propagation）神经网络的固体火箭冲压发动机推力估计方法。采用SPSO（标准PSO）和三种不同的BBPSO（骨干PSO）寻优神经网络权值,而后以最优权值进行BP网络训练,对其进行精调,如此便可获取推力和燃气流量、飞行马赫数以及飞行高度之间的非线性关系,从而完成推力估计器的设计。利用240组训练集数据对网络进行训练,并用180组测试集数据对网络进行验证。仿真结果表明：在SPSO、BBExp（exploiting BBPSO）、ABPSO^*（modified adaptive BBPSO）和SNPSO（simplified pruning strategy based BBPSO）等四种不同的PSO中,基于SNPSO优化BP神经网络实现推力估计器设计是最为便捷有效的方法,不仅形式简单,而且对于测试集数据而言,其能够将推力相对误差控制在5%以内。     

A point cloud deep neural network metamodel method for aerodynamic prediction

Aiming to reduce the high expense of 3-Dimensional (3D) aerodynamics numerical simulations and overcome the limitations of the traditional parametric learning methods, a point cloud deep learning non-parametric metamodel method is proposed in this paper. The 3D geometric data, corresponding to the object boundaries, are chosen as point clouds and a deep learning neural network metamodel fed by the point clouds is further established based on the PointNet architecture. This network can learn an end-to-end mapping between spatial positions of the object surface and CFD numerical quantities. With the proposed aerodynamic metamodel approach, the point clouds are constructed by collecting the coordinates of grid vertices on the object surface in a CFD domain, which can maintain the boundary smoothness and allow the network to detect small changes between geometries. Moreover, the point clouds are easily accessible from 3D sensors. The point cloud deep learning neural network, which employs re-sampling technique, the spatial transformer network and the fully connected layer, is developed to predict the aerodynamic characteristics of 3D geometry. The effectiveness of the proposed metamodel method is further verified by aerodynamic prediction and robust shape optimization of the ONERA M6 wing. The results show that the proposed method can achieve more satisfactory agreement with the experimental measurements compared to the parametric-learning-based deep neural network.     

航空机电作动器神经网络快速终端滑模控制

目前机电作动器由于具有干净、维护方便等优点,越来越受到航空业的青睐。航空机电作动器的特点是控制精度、稳定性和响应速度要求高,针对以上特点,提出了一种基于多层神经网络的快速终端滑模控制策略。为了提高航空作动器响应速度和跟踪精度,设计了快速终端滑模控制策略,不仅可以加快系统响应而且可以在无扰动情况下实现系统的有限时间稳定。针对系统参数不确定性和外部扰动,设计多层神经网络进行估计并通过前馈方法加以补偿。针对神经网络的重构误差,设计了非线性鲁棒项加以克服。利用李亚普洛夫稳定性定理证明了控制系统在有扰动情况下可以实现有界稳定。实验结果表明：所设计的控制器具有良好的参数自适应和抗干扰能力,同时具有更高的跟踪精度和更快的响应速度。     

基于Deform软件二次开发和BP神经网络的TA15多向锻造微观组织预报

通过热压缩实验构建了TA15合金的热变形真应力-应变曲线,以此为基础分别建立了合金双相区及单相区温度区间的热变形本构方程;基于热压缩试样动态再结晶的统计数据建立了TA15合金的动态再结晶模型。借助Deform提供的二次开发功能实现相关数学模型的程序化,制定正交实验方案,实现了TA15合金多向锻造变形的微观组织仿真。通过正交实验分析得出各项因子的影响对象及强弱差异,提出了双相区及单相区温度区间内的多向锻造最佳因子组合。建立了TA15合金多向锻造变形微观组织的BP （Back Propagation）神经网络预测模型,将预测结果与有限元仿真结果进行比较,结果表明两种方法的预测结果基本一致,但神经网络具备有限元仿真难以实现的良好细节预测能力,能更为细致地实现对微观组织分布状态的划分。     

状态预测神经网络控制应用于小型可回收火箭

随着商业航天的到来,可重复使用运载器的研究受到广泛关注,以SpaceX为代表的商业航天公司研发的部分可回收火箭表现出了前所未有的竞争力。为了研发可回收火箭技术,翎客航天利用民间工业力量研制了RLV-T3小型可回收火箭验证机,并在该验证机上通过数百次试验逐渐掌握了垂直起降（VTVL）技术。主要介绍了翎客航天在VTVL技术中的一项动力控制技术,提出了状态预测神经网络控制（SPNNC）算法。该算法具有鲁棒性强、适用范围广、控制参数易调整等优点。详细地描述了该算法的原理,并通过Simulink对SISO和MIMO 2种系统进行了仿真。同时详细地论述了将状态预测神经网络控制算法应用于RLV-T3小型可回收火箭的飞行及回收的试验,包括RLV-T3小型可回收火箭的基本特点、控制难点、存在的问题,飞行过程中各物理量的曲线和试验结论。经试验验证,状态预测神经网络控制算法具有良好的控制性能,基于该控制技术,即状态预测神经网络控制算法的RLV-T3小型可回收火箭验证机可以安全地实现垂直起飞、弹道飞行、空中悬停、软着陆回收全流程。     

基于域对抗门控网络的变工况刀具磨损精确预测方法

刀具磨损的精确预测对保证零件加工质量、提高生产效率和降低制造成本具有重要作用。在实际加工过程中,切削参数、刀具几何参数、刀具材料等工况复杂多变,工况信息和刀具磨损量对监测信号的耦合作用为刀具磨损的精确预测带来了很大挑战。针对以上问题,提出了一种基于域对抗门控网络（DAGNN）的变工况刀具磨损精确预测方法。引入工况分类网络并利用无磨损量标签样本,通过域对抗和门控过滤机制自适应地从不同工况的原始监测信号中提取表征刀具磨损且对工况变化不敏感的关键信号特征。对信号特征提取网络和刀具磨损预测网络进行迭代优化,从而实现变工况刀具磨损的精确预测。实验结果表明：相比已有的方法,本文方法能够利用少量带磨损量标签的目标工况样本实现刀具材料和刀具直径变化情况下的刀具磨损量精确预测,预测精度大幅提高。     

基于神经网络的翼型积冰预测

采用神经网络方法对翼型表面的积冰进行了预测研究.建立了一种型面曲线坐标系,通过坐标变换将积冰外形转化为几何曲线.利用傅立叶级数对此曲线进行拟合,实现积冰外形的参数化.以结冰条件作为输人,冰形参数作为输出构建神经网络,对NACA 0012翼型表面的积冰进行预测.通过将预测结果与实验结果以及数值模拟结果进行对比,说明所提出...     

一种基于动模态分解的翼型流动转捩预测新方法

考虑自由转捩的定常/非定常流动Navier-Stokes方程数值求解,对于翼型流动细节的精确模拟和气动力的精确预测均具有十分重要的意义。采用动模态分解(DMD)方法进行流动稳定性分析,再结合e N方法,提出了一套适用于翼型绕流的转捩预测新方法,称为DMD/e N方法。相比于传统的线性稳定性分析方法,DMD方法不需要求解附面层方程和线性稳定性方程,也没有引入平行流假设,具有更好的理论适用性和算法鲁棒性。开展了NLF0416、S809和SD7003等翼型的转捩预测数值验证研究,通过与实验结果以及与传统的基于线性稳定性分析的e N方法的比较,验证了本文所发展的转捩预测新方法在预测翼型的定常流动和非定常流动转捩方面的正确性,也表明了该方法具有解决含层流分离泡的翼型绕流转捩预测的能力。     

A transition prediction method for flow over airfoils based on high-order dynamic mode decomposition

This article presents a novel approach for predicting transition locations over airfoils, which are used to activate turbulence model in a Reynolds-averaged Navier-Stokes flow solver. This approach combines Dynamic Mode Decomposition (DMD) with e^N criterion. The core idea is to use a spatial DMD analysis to extract the modes of unstable perturbations from a steady flowfield and substitute the local Linear Stability Theory (LST) analysis to quantify the spatial growth of Tollmien–Schlichting (TS) waves. Transition is assumed to take place at the stream-wise location where the most amplified mode’s N-factor reaches a prescribed threshold and a turbulence model is activated thereafter. To improve robustness, the high-order version of DMD technique (known as HODMD) is employed. A theoretical derivation is conducted to interpret how a spatial high-order DMD analysis can extract the growth rate of the unsteady perturbations. The new method is validated by transition predictions of flows over a low-speed Natural-Laminar-Flow (NLF) airfoil NLF0416 at various angles of attack and a transonic NLF airfoil NPU-LSC-72613. The transition locations predicted by our HODMD/e^N method agree well with experimental data and compare favorably to those obtained by some existing methods (LST/e^N or $\gamma -\stackrel{￣}{R{e}_{\theta \text{t}}}$). It is shown that the proposed method is able to predict transition locations for flows over different types of airfoils and offers the potential for application to 3D wings as well as more complex configurations.