燃烧室声载荷时域信号预测自回归模型—时域Monte Carlo法预测结构声疲劳

利用航空发动机燃烧室噪声测试数据,采用时间序列自回归滑动平均分析方法建立了燃烧室噪声及动压预测模型ARMA(17,16),并用其对噪声时间历程进行了最佳预测.     

随机声载荷时域信号门限自回归模型研究

利用航空发动机燃烧室噪声测试数据[1],采用门限自回归分析方法建立随机声载荷门限自回归模型SETAR(2;2;30,30),得到令人满意结果,并将拟合和预测均方误差与文献[1]非门限的自回归滑动平均模型ARMA(17,16)的结果进行了比较.     

随机声载荷时域信号仿真模型研究

利用航空发动机环行燃烧室噪声测试数据，采用时间序列自回归分析方法得到了燃烧室噪声及动压仿真模型ARMA（17，16），并用其对噪声时间历程数据进行了最佳预测。     

基于AR模型对滑油中金属元素含量的预测

利用时间序列分析方法对某型航空发动机滑油监控系统中需重点监控的金属元素含量建立了AR模型。并根据该模型对其含量变化趋势进行了预测分析。某部队通过对不同实测数据的检验证明，可根据该模型的预测结果预报金属含量是否招标。     

基于蚁群改进 BP算法的组合预测模型在军械器材需求预测中的应用

针对在军械器材采购计划制定环节中的器材需求测算问题,提出基于蚁群改进BP算法的组合预测模型。先结合历史数据,利用多元线性回归预测法和自回归滑动平均模型（ARMA）进行初步预测,将初步预测的结果作为蚁群改进BP网络的输入,从而得到最终的预测结果。实验结果表明,基于蚁群改进BP算法的组合预测模型能够对积累的历史数据进行充分的应用,并且有较高的预测准确性。     

基于最小二乘估计原理的飞机流量预测

流量预测是空域评估管理系统的重要组成部分，目前流量的预测方法主要有回归分析和时间序列方法。应用系统辨识理论介绍了最小二乘格式模型在空中交通流量预测中的应用，以全国为例，根据所建立的模型对飞机的年流量进行了预测，并与回归分析方法做比较，说明了该方法的有效性。     

基于改进果蝇算法优化的GRNN航空发动机排气温度预测模型

利用广义回归神经网络(GRNN)良好的非线性映射能力,对航空发动机排气温度(EGT)进行预测。由于GRNN的预测性能受宽度系数的影响,因此采用改进的果蝇算法优化广义回归神经网络(IFOA-GRNN),并用优化后的GRNN对航空发动机的EGT进行预测。以某发动机为案例,选取相关参数作为预测模型的输入变量,EGT作为预测模型的输出变量。在相同的样本分配下,将FOA-GRNN(fruit fly optimization algorithm to optimize GRNN)、GRNN、自回归预测模型和优化的支持向量回归机作为对比算法。分析结果表明:IFOA-GRNN的收敛精度高于FOA-GRNN;IFOA-GRNN对EGT预测的平均相对误差为2.47%、拟合优度为0.8506,其预测效果均优于其他对比算法;同时,IFOA-GRNN对噪声的敏感性也低于其他对比算法。      

基于改进BP神经网络的民用航空器SDR数量预测

阐述了BP神经网络的原理及其改进方式,利用一种基于改进BP神经网络的分析方法对民航领域SDR进行预测。研究实例表明:无论是从数值拟合,还是检测、预测情况来看,该方法都有着很高的精度,可以作为SDR预测的一种行之有效的方法。     

分析和预测天津滨海机场的吞吐量

将天津纳入京津冀经济圈中，用经济学原理分析了天津机场吞吐量流失的原因；用回归预测分析方法预测了天津机场的理论吞吐量，提出天津机场应当采取必要的措施以提高吞吐量水平。     

基于小波的能源消费弹性系数预测方法

能源消费弹性系数反映了一个国家能源消费增长速度与国民经济增长速度之间的比例关系,是衡量一个国家能源利用效率的重要指标。鉴于数据中存在较多的噪声,首先用小波分析方法对数据进行滤波,然后用滤除了噪声的数据作为输入变量,用支持向量回归方法建模,并预测未来10年我国能源消费弹性系数变化的规律。实际数据检验表明,该预测方法还是可行的。     

考虑刀具偏心的微铣削加工表面粗糙度预测模型研究

基于微铣削刀具轨迹建立了考虑刀具偏心、最小切削厚度的塑性材料微铣削底面粗糙度的预测模型,预测结果表明粗糙度表面形貌呈锯齿状,刀具偏心会影响表面粗糙度的形貌周期和高度,并进行微铣削加工实验,对粗糙度预测模型进行了验证。采用回归统计方法,建立了脆性材料微铣削加工表面粗糙度预测模型,对加工表面形貌进行观察,利用响应曲面法得到了各铣削用量对表面粗糙度的影响规律。     

基于高分辨率数据重构的固体燃料冲压发动机燃料平均燃速测试

采用一种非接触主动式扫描和结构光栅投影定位技术,对以高密度聚乙烯(HDPE)为推进剂的固体燃料冲压发动机地面实验后药柱内孔燃烧形貌进行了三维点云数据重构,获得了固体燃料内表面当地平均燃速的三维分布云图。研究发现:①通过该方法计算所得药柱燃烧去除质量与实验后实际质量变化量误差在0.1%内,精度满足用于固体燃料燃速的评估要求;②构建的数据重构燃速测试方法能真实反映燃料药柱结构变化,且具有一定的适用性;③通过该方法得到了当地平均燃速与总平均燃速的关系并通过线性拟合的方法得到了燃速与来流空气质量通量关系。通过对该方法的验证分析,认为所提出的燃速测试方法对深入研究固体燃料冲压发动机燃速具有一定的参考价值。      

基于核近邻非参数回归的航材消耗预测

针对某型直升机服役时间短、机型较新、备件采购周期长等特点,使用核近邻非参数回归对平稳型航材建立消耗预测模型。对比多种回归方法,证明基于非参数回归的航材消耗模型对区间预测具有较好的效果。     

固液火箭发动机试验瞬时燃速分析方法

介绍了一种用于固液火箭发动机试验的瞬时燃速分析方法,运用该方法对H2O2/HTPB固液火箭发动机单室双推力长时间热试车试验进行燃速分析,拟合得到该工况下的燃速公式为r=1.847×10-2G0o.7304。根据燃速公式等计算结果对一次发动机试验进行了预估,计算得到的预估内弹道性能曲线与试验结果吻合较好,验证了该瞬时燃速分析方法的可行性,为发动机工作时间较长、氧化剂流率变化较大时的燃速分析提供了一种途径。     

定时截尾数据回归分析方法

提出定时截尾数据回归分析方法,建立定时截尾数据回归方程,给出回归系数和标准差的最佳无偏整体估计、百分位值的点估计及其置信限估计.详细讨论了工程中常见的极值分布、Weibull分布、正态分布以及一般位置-尺度分布场合下定时截尾数据的回归分析问题.该方法可以充分利用截尾时刻的试验信息,并将各个状态下的定时截尾数据作为一个整体进行统计分析,具有信息量大、精度高的特点,从而可以在试验时间、经费等有限的情况下对产品进行高精度的寿命预测和可靠性评估.     

基于数据挖掘算法的热压罐固化周期预测研究

目前,计划人员只能根据相关工艺文件中固化参数及热压罐固化周期的历史数据对热压罐进行连续排罐,导致计划人员无法制定精细的排产计划,还没有利用数据挖掘算法对热压罐固化周期进行预测的研究。采用支持向量回归和KNN预测两种预测方法,并对两种方法的预测结果进行对比试验。试验表明KNN预测的预测结果中有90%的罐次均优于支持向量回归的预测结果,且有90%罐次的误差小于0.5h。最后对两种方法的预测结果进行了原因分析。     

TC4钛合金盘铣开槽加工残余应力

整体叶盘盘铣开槽加工过程中铣削力大,铣削温度高,会在加工表面表成较深的残余应力层,对零件的疲劳寿命造成严重影响。为提高零件的疲劳寿命,本文以钛合金试块为研究对象,利用残余应力测试分析系统测量表面残余应力,利用拨层法测量次表面的残余应力,采用线性回归技术建立残余应力预测模型,并利用极差分析法分析工艺参数对残余应力的影响规律。试验结果表明:盘铣表面均为压应力,且轮毂面上的残余应力大于叶盆叶背面上的残余应力,均由挤光效应引起;回归预测模型的显著性水平为0. 01,其回归效果良好;各因素对σAx、σAy(σAx、σAy分别表示轮毂面x、y方向残余应力)的影响程度依次为主轴转速>进给速度>切削深度;对σBx(σBx表示叶盆叶背面x方向上的残余应力)的影响程度依次为主轴转速>切削深度>进给速度;残余应力纵向均为压应力,轮毂面上的分布深度为230~270μm,叶盆叶背面上的分布深度为170~175μm。     

一个实际回归模型的优化选择

本文是对一个实际问题作最优咽归模型的选择。对本文所论及的问题（见应用举例），作者所见到的均以指数回归模型或双曲回归模型作为最优的模型，可通过回归拟合、显著性检验与区间预测及方差分析发现更优的回归模型应是反比例回归模型。而且，作者还发现双曲线和指数回归模型的结果不能严格地满足平方和分解定理，反比例回归模型能精确满足。     

基于飞行参数的飞机结构载荷最优回归模型

基于飞行参数获取外场飞机疲劳关键结构载荷历程是结构故障预测与健康管理系统的一项关键技术,如何构建鲁棒性好且精度高的结构载荷回归模型是保证载荷识别和寿命预测准确性的关键。结合多元线性回归分析,提出并详细介绍了一种筛选最优输入参数组合的技术途径：首先,进行多重共线性诊断以减弱自变量之间的多重共线性;然后,进行残差分析,删除异常样本点;最后,采用逐步回归法筛选出最优自变量组合。指出传统的多重共线性诊断方法存在一定弊端,并分别基于偏相关系数法和辅助回归方程法,提出了2种更为合理可行的诊断方法。以典型战斗机翼身连接框某关键部位的载荷和应力为样本数据,对最优输入参数组合的筛选步骤展开详细说明,验证了所提出的技术途径不仅可以确保飞机结构载荷模型的精度,而且可以提高模型的稳定性和鲁棒性。     

基于支持向量机回归的电力负荷预测研究

不同于传统的基于经验风险最小化的回归方法,支持向量机回归方法基于结构风险最小化准则.与神经网络相比,该方法在解决学习精度和推广性之间的矛盾方面有明显的优势.本文以城市电力负荷预测为应用背景,对比研究了基于统计学习理论的支持向量机回归方法和神经网络方法.预测结果显示支持向量机可能是一种非常有前景的预测工具,其预测精度明显好于神经网络.