基于GM(1,1)残差修正模型的飞行训练量预测

做好阶段性的飞行训练量预测工作,对制定合理的飞行计划,安排合适的训练量,防止出现人机配比失衡,训练效率下降,保证足够的训练安排裕度,安全高效的飞行训练等具有十分重要的意义。为了对飞行训练量进行准确预测,针对某飞行学院的飞行训练统计数据,提出一种基于GM(1,1)灰色预测的残差修正模型,通过运用传统模型和改进后的模型分别对该飞行学院的训练量进行预测,得到对应的预测精度。最后的结果表明,改进后的预测模型能够弥补传统灰色预测模型的不足,可以达到较高的预测精度,能够有效地对该飞行学院的飞行训练量进行预测。     

基于EEMD和BiLSTM的航班准点率预测研究

航班准点率问题是民航业最为关心的问题之一,准确地预测出航班的准点率能够有效降低航班延误所带来的不利影响、提高乘客满意度。为解决普通深度学习预测模型存在的航班准点率数据挖掘程度不足、预测准确度较低的问题,提出一种基于集合经验模态分解法(EEMD)和双向长短时记忆神经网络(BiLSTM)的机场短期航班准点率预测模型。模型使用EEMD算法将准点率时间序列进行分解,采用BiLSTM结构作为预测模型,使模型能够更深层、高效地处理航班准点率数据,提高预测准确度。实验数据为2018年上海虹桥机场航班准点率及天气数据,实验建立了多个参照模型与所提模型进行对比分析。结果表明：提出的EEMD-BiLSTM模型相较于一般模型预测误差更小,准确度更高。     

基于试飞数据的航空发动机状态监测与故障诊断

在航空发动机飞行试验阶段,发动机技术状态变化快、故障频发,为了实时监控发动机工作参数变化情况,快速及时地预测并诊断发动机故障,本文研究了试飞数据驱动的航空发动机状态监控与故障诊断技术。文章基于实际试飞数据建立了航空发动机ANN-NARX参数预测模型,考虑到建模样本量大、模型结构复杂、训练时间长、输入输出延迟等因素,采用遗传算法对模型的最小数据样本需求和结构进行了改进优化,并利用蒙特卡洛方法确立了参数预测模型的自适应告警门限,同时基于构建奇偶空间残差模型实现了航空发动机典型故障诊断。结果表明：实际试飞中只需有限架次试飞数据的训练学习,即可得到发动机参数预测模型,高压转子转速、压气机后压力、涡轮后总温及滑油总回油温度预测相对误差最大值分别为：1.0%、1.7%、0.2%和1.2%,综合模型建模误差和参数测量误差后的自适应告警门限有效降低了模型预测结果的不确定性,在已有数据样本集上的典型故障识别率达到95.2%。     

基于增量学习的非定常气动力参数化降阶模型

气动降阶模型（ROM）是预测非定常气动力的有效工具,具有高精度和低计算成本的优点,近年来许多研究证实了该方法的有效性。但是关于飞行参数变化时,ROM的鲁棒性还需要进一步提高。为了提高ROM对不同飞行参数下的气动力预测能力,提出了基于最小二乘支持向量回归（LS-SVR）和增量学习算法的参数化降阶模型。LS-SVR是一种具有良好泛化能力的回归方法,基于LS-SVR的增量学习算法的主要贡献是在增加新样本集时,不需要重新学习整个数据集。为说明该方法的有效性,基于两自由度NACA64A010翼型构建参数化非定常气动力降阶模型。为了训练气动力输入和相应输出之间的关系,将马赫数和迎角作为附加的模型输入。仿真结果表明,该降阶模型能够准确描述气动力和气动弹性系统在不同飞行参数下的动态特性。     

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。     

多因素影响下舰载机备件需求的组合预测

舰载机列装时间较短,备件的样本数据较小,而且保障中受起落次数、飞行强度、海洋恶劣环境等因素影响较大。针对舰载机这一系列保障特点,选用了对多因素影响的小样本有较好预测效果的 BP神经网络、GM(1,N)预测模型和 SVM回归预测模型 3种预测方法,建立基于 IOWA算子的组合预测模型,以误差平方和为准则对数据进行分析,并利用 Matlab工具箱进行优化计算,从而得出最优组合预测结果。实例分析结果验证了该组合预测模型 的科学性和优越性。     

基于神经网络补偿的室内无人机组合导航系统

针对无人飞行器在环境特征突变情况下数据融合的可靠性大幅下降问题，提出了神经网络预测补偿的组合导航算法。首先利用扩展卡尔曼滤波和粒子滤波对激光、光流等传感器得到的数据进行融合，然后采用径向基函数（RBF）神经网络对粒子滤波前后的误差进行预测。当激光数据可靠时，RBF神经网络进行训练学习模式，当激光数据中断或者不可靠时，利用训练后的模型对系统进行误差补偿。利用无人飞行器在室内环境下进行定点和轨迹实验，结果表明补偿后的位置导航信息能够明显降低激光数据不可靠时带来的定位误差。     

基于飞行试验数据的双转子航空发动机 加减速瞬态模型辨识

为辨识航空发动机飞行过程中加减速瞬态模型,通过对某型航空发动机慢车至中间以及中间至慢车过程的飞行试验数据进行分析整理,将发动机上述加、减速过程简化为静态参数预测过程,利用3层前向人工神经网络,建立了某型发动机加、减速瞬态过程中的发动机关键参数预测模型,对发动机参数预测模型预测结果与飞行试验记录数据进行了对比分析,同时利用额外的飞行试验数据验证了辨识模型的泛化能力.结果表明:辨识得到的发动机模型在油门杆稳定时参数预测相对误差不超过3％,在油门杆动作期间参数预测相对误差不超过5％;验证点上辨识模型参数预测误差不超过3％.证明该型发动机参数预测模型可以很好地预测发动机瞬态过程中的参数变化情况.该方法为建立发动机其他状态的加、减速过程参数变化模型奠定了基础,也能为建立全包线范围内发动机瞬态参数预测模型提供参考.     

基于LSTM的飞行器纵向可用过载预测方法研究

针对执行较长飞行任务的飞行器在飞行任务期间难以实时准确预测机动能力的问题，开展了基于长短期记忆(LSTM)的飞行器纵向可用过载预测方法研究。首先，对飞行器纵向过载相关参量进行了分析。然后，以纵向可用过载为性能指标，建立了基于LSTM网络的BP神经网络预测模型。预测模型的输入是一段飞行时间内可测量的飞行状态数据序列，输出是未来时刻的纵向可用过载。最后，基于某型飞行器建立数字仿真模型并开展了仿真验证及结果分析。研究结果表明，所提出的预测模型准确有效，可以帮助实现飞行器飞行性能的实时评估和预测。     

基于CRBMs-RVR的涡轴发动机输出功率衰退预测

针对涡轴发动机全寿命期内输出功率衰退预测问题,提出一种含多层连续受限玻尔兹曼机（CRBMs）深度特征提取的相关向量回归（RVR）功率预测方法。对发动机气路部件测量数据进行重构,利用CRBMs深度网络提取数据深层特征,将特征数据作为RVR模型的输入,实现对输出功率的预测,并对预测结果提供概率分布。以某型双转子涡轴发动机部件级模型为试验对象,模拟全寿命期内发动机气路部件性能退化,对输出功率进行衰退预测。试验结果表明：基于CRBMs-RVR的预测模型与传统的RVR预测模型相比,训练时间缩短30.2%,预测结果的均方根误差减小64.6%;与基于主成分分析（PCA）进行特征提取的PCARVR预测模型相比,预测结果均方根误差减小42.4%,验证了所提出的预测方法具有模型结构简单、预测精度高、可提供概率式输出的优点。     

航空器导航系统飞参预测置信度评价方法研究

为了提高航空器的安全性能,需量化飞参预测过程中的不确定性,因此本文提出了基于预测模型的置信度评价流程。针对航空器导航系统中的飞参数据,采用卷积神经网络开发预测算法,对选定的飞参数据进行预处理和训练,实现高精度的目标飞参预测。综合考虑了模型搭建中的认知不确定性和数据层面的偶然不确定性,采用模型集成的方法来捕获认知不确定性,通过双头网络捕获数据中的偶然不确定性。在此基础上,构建多源不确定性模型,实现了飞参预测模型的置信度评价。经过试验测试,在正常飞参数据中植入噪声模拟实际工况的不确定性,结果显示所提置信度评价方法能有效地表示飞参预测结果的准确性,提高了航空器飞行决策过程中的安全性与可靠性。     

基于飞行员模型的民机擦机尾事件分析

为了准确分析飞行员在拉平阶段的操作特征,进而从飞行性能参数入手挖掘导致着陆俯仰角大的原因,基于飞行员模型建立民机擦机尾人因操作分析模型,从频域分析驾驶杆与俯仰角之间的相位差及飞行员模型参数变化对着陆俯仰角的影响。结果显示,着陆阶段的飞机俯仰增益与俯仰角呈显著正相关,驾驶杆增益与驾驶杆位置也呈显著正相关,仰角超限时的驾驶杆位置变化更加频繁且波动幅度较大;拉平阶段驾驶杆增益增大时,驾驶杆力量明显增大,水平尾翼的角度也比正常操纵时要大。该模型可研究民机擦机尾的人因操作原因,发现飞行员操作技能缺陷,从而改善训练,对飞行安全及航空公司的安全管理有一定的意义。     

基于飞行试验数据的进气道畸变预测与试验验证

采用响应曲面的试验设计方法,构建了基于试飞数据的进气道压力畸变预测模型,进行不同飞行工况进气道畸变模型预测与飞行试验验证研究。研究结果表明:模型预测与飞行试验结果相比,综合压力畸变指数平均相对误差为421%,稳态周向畸变指数平均相对误差为799%,结果吻合良好,能够满足对该型进气道畸变预测要求;大迎角、侧滑及其组合飞行时,进气道内部附面层气流分离是造成进气道出口畸变的主要因素;进气道出口低压区的位置与飞行姿态角相对应,并在周向上向压气机的旋转方向有小范围偏转,偏转角度与发动机状态相关;采用“模型预测+飞行试验”的模式能够完整、安全高效地考核评估飞机进气道的畸变特性,具有很好的工程适用性。     

基于支持向量机回归的民机航材消耗预测研究

航材作为装备保障的关键部件,其精确化保障在降低库存管理成本、优化资金分配、提高飞行安全等方面有重要作用。为保障飞机正常起飞,增加航空公司运营收入,降低航材保障费用,针对飞机航材消耗样本小、变化大难以预测的问题,提出一种基于支持向量机回归的航材消耗预测模型。以某国产民用飞机实际消耗数据为例,对支持向量机回归模型的预测精度进行验证。结果表明：该支持向量机回归模型对小样本数据有很好的适应性,相比指数平滑法具有更高的预测精度。     

基于SVR选择性集成的机场噪声预测模型研究

机场噪声预测对机场规划设计、航班计划制定以及机场噪声控制具有十分重要的作用。针对机场周围各个监测点上的单飞行事件进行噪声预测。由于机场噪声数据的复杂性,用单一的SVR方法对其预测往往得出局部优化结果,不能达到理想的预测效果,针对这一问题,提出一种基于SVR选择性集成的机场噪声预测方法,通过Adaboost方法对机场噪声数据进行采样训练得到多个SVR预测模型,并结合一种排序方法对预测模型进行选择集成得到最终机场噪声预测值,取得了较好的预测效果。     

基于Agent模型的机场网络延误预测

准确可靠的机场网络航班延误预测是科学认知空中交通运行态势,动态精准实施国家空域系统容流协同调配策略的重要依据。提出了基于Agent的机场网络延误模型,表征机场网络系统中各元素及子系统间的交互作用下的延误特征涌现。针对机场节点动态容量、预计起飞时间、最小飞行与周转时间等Agent模型中的关键参数,适应性选用了贝叶斯估计、模糊k近邻等数据挖掘方法建立参数模型,并采用2015—2017年全美历史航班和气象数据进行训练学习。为综合评价模型性能及泛化能力,选取全美2018年3个不同延误程度的典型日进行测试。实验结果表明,在全美34个核心机场组成的网络中,各节点在4小时预测区间内延误最大误差不过27.9 min,其中约80%的节点误差小于5 min,验证了所提延误预测模型在时空范围内的准确性和稳健性特征。另外,通过与其他模型对比,展示了本模型优良的延误预测性能。     

基于Bi-LSTM 的无人机轨迹预测模型及仿真

传统轨迹预测模型存在模型简化较大、考虑因素较少等问题。结合飞行轨迹连续性、时序性、交互性 的特点,提出基于双向长短期记忆(Bi-LSTM)神经网络的轨迹预测模型,将入侵者的位置、姿态和两机的相对 信息同时作为轨迹预测模型的输入,更加符合真实轨迹变化规律;对建立的基于 Bi-LSTM 的轨迹预测模型采 用综合考虑动量和速度的自适应调整学习步长的学习算法进行训练;并与基于 Elman神经网络的轨迹预测模 型进行仿真对比分析。结果表明:与基于 Elman神经网络的轨迹预测模型相比,所提模型在不同方向预测200 个点的平均绝对误差不超过4m,三维预测效果更优,可以较为准确地进行轨迹预测。     

民用航空器四维航迹预测技术综述

民用航空器四维航迹预测是保障飞行安全、提升运行效率、缓解航班延误、倡导绿色飞行的有效支撑和重要保证.四维航迹预测的研究集中于如下领域:预测结构与流程、预测模型与方法、误差分析与精度提升,其中航迹预测模型与方法是核心,主要包括混合估计模型、质点运动模型与机器学习方法.最后,总结与提炼开展民用航空器四维航迹预测研究的思路和热点,并相应指出了未来的研究方向.     

支持向量机的B737飞机水平尾翼裂纹故障预测

为保障飞机的飞行安全,做到预防性维修,提升飞机的飞行安全及任务出勤率,需要对飞机结构出现的疲劳裂纹进行及时检测并修理。基于支持向量机理论,建立了支持向量机回归预测模型,并应用该模型对B737飞机水平尾翼健康信息的特征值(小波包分解系数提取的能量)进行了故障预测研究。为建立最佳支持向量机模型,选用了支持向量机四种常用的核函数分别对特征值进行了预测。同时还对支持向量机预测模型与神经网络预测模型(BP神经网络预测模型)的预测结果进行了比较与分析,研究表明,应用支持向量机所设计的预测模型准确率比较高,可以较好地对飞机水平尾翼的裂纹故障进行预测。     

基于支持向量回归机的数控机床 几何误差元素建模研究

针对数控机床几何误差元素建模时面临的误差样本数据少且呈非线性的问题,研究在小样本数据集非线性回归分析中具有独特优势的支持向量回归机,并基于此建立数控机床几何误差元素的预测模型。分析现有几何误差检测中常用的九线法所存在的测量选点难和计算累积误差等问题,提出增加每条测量线垂直方向直线度的测量和修正误差项计算模型的改进方法。以高斯径向基核函数为支持向量回归模型的核函数,运用交叉验证法,选取合适的模型参数,求解凸二次规划问题,进而建立几何误差元素的预测模型。以QLM27100–5X五轴龙门机床X轴为例,基于改进的九线法进行测量辨识得到几何误差样本数据,然后分别基于支持向量回归机和最小二乘法建立几何误差元素预测模型,对比两个模型的预测精度,结果显示,前者的预测均方差值MSE为0.0238,小于后者的0.072,验证了支持向量回归模型在小样本集下具有更高的预测精度。