材料腐蚀预测数学模型的研究

分别用灰色 GM( 1,1 )模型、动态数据双向差分模型对腐蚀试验数据进行了拟合和预测。结果表明 :灰色 GM( 1,1 )模型对腐蚀数据有较好的拟合和预测精度,且对数据有较好的适应性;动态数据双向差分模型对波动不大的腐蚀数据有较好的拟合和预测精度,对波动较大的腐蚀数据其拟合和预测的误差较大。并将两种模型和大气腐蚀研究中常用的幂函数模型进行了比较。     

基于灰色神经网络的疲劳裂纹预测方法研究

为对构件疲劳损伤进行预测,提出了基于灰色神经网络模型的疲劳裂纹扩展预测方法。将灰色GM（I,1）模型向BP网络映射,建立了一维灰色神经网络GNNM（1,1）模型。基于灰色GM（1,1）模型的发展系数和灰作用量给出了GNNM（1,1）模型初始权值。应用建立的GNNM（1,1）模型预测了某不锈钢构件腐蚀疲劳裂纹的扩展,并与GM（I,1）模型的预测结果进行了对比,表明GNNM（1,1）模型具有更高的预测精度和模型精度。     

基于IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选,降低输入维度;采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化,并对优化的神经网络进行训练;用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法,并且在参选故障诊断的性能参数不同时,其诊断误差相近,展现出较强的适应能力。      

基于BP神经网络的翼型空气动力系数预测

本文介绍了BP神经网络的基本原理,建立了面向BP神经网络预测模型,对翼型的升力系数和阻力系数进行预测,并与风洞试验数据对比分析。结果表明,神经网络的预测精度很高,与试验数据的误差是可以接受的,验证了BP神经网络预测空气动力系数的可行性。     

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。     

基于神经网络的光纤陀螺温度漂移误差建模与补偿

光纤陀螺（FOG）温度漂移误差是影响其输出精度的主要误差源之一,在实际应用中必须对光纤陀螺温度漂移误差进行适当补偿。传统的最小二乘法等线性补偿方法很难满足补偿精度的要求且适用性较差,利用BP及RBF神经网络分别建立非线性光纤陀螺温度漂移误差模型,可以有效提高补偿精度,使用FOG温箱实测数据对最小二乘模型及神经网络补偿模型进行了测试对比,验证了基于神经网络的非线性补偿算法在FOG温度漂移补偿中的有效性。     

机床热变形误差的动态模型

尝试采用动态线性模型来提高机床热变形误差的预报精度，并且可在较少温度测点情况下仍然得到满意的预报结果．     

航空活塞发动机大修成本的GM(1,1)优化预测模型

以某台Lycoming型航空活塞发动机2009年-2013年的大修费用为时间序列样本,对其进行准光滑检验和准指数规律检验,表明可以建立GM(1,1)模型。建立常规GM(1,1)模型,求得关联度、方差比、小误差概率等指标均为一级精度,但第7次预测的相对误差较大(5.22%)。为了得到较高预测精度,采用新陈代谢GM(1,1)优化模型,结果表明第7次预测的相对误差减小到0.18%,其余指标均保持一级精度。新陈代谢GM(1,1)模型适用于航空活塞发动机的大修成本预测。     

基于BP人工神经网络喷射成形7055铝合金的本构模型

基于Gleeble热力模拟技术对喷射成形7055铝合金的高温流变应力特征规律进行研究,并构建耦合应变量的唯象型Arrhenius本构方程用以预测合金的流变应力,同时基于BP人工神经网络构建该材料的神经网络型本构方程对比预测流变行为。结果表明:喷射成形7055铝合金的流变应力状况受变形参数的影响较为显著,与变形温度呈负相关,并与应变速率呈正相关。利用两类本构模型预测该合金的流变应力,其中唯象型Arrhenius本构方程的平均相对误差δ值大于2%,该模型的预测误差随变形温度升高呈上升趋势,且在热加工温度区间下(450℃左右),平均绝对误差及平均相对误差达到峰值,较难精准预测该变形区间内合金的流变应力特征。而BP人工神经网络模型的预测准确度更高,平均相对误差δ值仅为0.813%,且具有较高的温度稳定性。     

高空台特种调节阀建模方法对比研究

为了获得准确的轮盘式特种调节阀流量特性模型,提高高空舱进口流量预测精度,提出了基于BP神经网络和NARX网络的建模方法。在对调节阀与传感器测点位置分析的基础上,将调节阀和阀后容腔作为整体进行建模。对比研究了流量系数、静态BP神经网络以及基于Gamma Test的动态NARX网络建模方法,并给出了工程中选取建模方法的建议。以试验流量数据为基准,仿真对比了不同阀门开度变化时,各模型输出流量的稳态误差和动态误差。结果表明,BP神经网络方法和NARX网络方法建模精度要优于流量系数法。同时,BP神经网络模型最大稳态误差为0.52kg/s,优于NARX网络模型和流量系数模型。NARX网络模型的最大动态误差为2.04kg/s,相比于BP神经网络模型和流量系数模型,能够更准确地反映流量的动态特性。     

基于灰色系统预测直升机航迹的研究

 反直升机智能雷对直升机航迹的预测在作战中非常重要,但在数据非常有限的情况下,准确地预测又很困难。提出了用灰色系统理论解决直升机航迹预测问题,建立了灰色系统 GM预测模型和 n次累加残差模型并对GM预测模型进行修正。在每个采样期间内,实时在线建立GM预测模型和残差模型以提高预测精度。通过实例计算能看出用较少的探测数据可以得到较高的预测精度。     

基于改进BP神经网络的飞行落地剩油预测方法

针对落地剩油的监测方法有限、监控效率低等问题,提出了一种基于改进BP神经网络的飞行落地剩油预测方法。首先,采用相关性分析以及主成分分析方法简化模型,将飞行前可获得的19个参数转化为8个主成分;然后,考虑到BP神经网络存在收敛速度慢、易陷入局部极小值等问题,将遗传算法(GA)与BP神经网络相结合,构建GA-BP落地剩油量预测模型。仿真结果表明,该模型预测准确度超过95%,与传统BP神经网络相比,最大相对误差下降了5.08%,平均相对误差下降了0.79%,提高了落地剩油预测的精度和稳定性,为合理管控飞机燃油工作提供了理论依据和技术支持。     

Al-Cu-Mg-Ag合金强度性能的支持向量回归预测

为了研究不同时效工艺下Al-Cu-Mg-Ag合金强度性能,根据实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了SVR预测模型.模型以Al-Cu-Mg-Ag合金时效温度与时效时间为输入,合金的抗拉强度、屈服强度为输出.经过与BP神经网络模型进行比较,结果表明:对于相同的训练样本和检验样本,支持向量回归模型比BP神经网络模型具有更高的预测精度.     

基于神经网络的翼盒结构响应重构方法应用

翼盒结构复杂，航行中承载条件恶劣，利用有限测点信息重构其它位置响应对于实时健康监测具有很强的现实意义。通过误差反向传播神经网络训练得到响应之间的非线性关系，建立基于神经网络的响应重构方法，开展有限元分析对其进行数值仿真验证，并将该方法应用于实测随机激励环境下翼盒典型承力结构的响应重构及损伤定位与判断分析。结果表明：采用该方法重构出的预测响应功率谱密度的均方根相对误差不超过1.90 dB，主要频点误差小于10%；判断出翼盒关键测点e 的损伤或故障发生在所截取片段数据3 s 后，其故障特征频率为240 Hz 左右，该方法应用于响应重构预示及健康监测分析具有可行性。     

利用试验设计法建立翼型气动特性的人工神经网络模型

建立了翼型气动特性预测的BP(Back Propagation)神经网络模型,重点研究了3种选取训练样本的试验设计(DOE)法:完全析因法、正交设计法和均匀设计法,对BP神经网络预测精度的影响,利用所建立的BP神经网络对FX63-137翼型几何型线进行了优化设计。研究结果表明:在因素数和水平数较少时,完全析因法、正交设计法及均匀设计法的平均测试误差分别为0.002%、0.029%、0.023%;在因素和水平数较多时,完全析因法的样本规模太大而不再适合,正交设计法和均匀设计法的平均测试误差分别为0.42%和0.15%,均匀设计法的预测精度更高,更适合于翼型气动特性预测的人工神经网络模型。优化后翼型的升阻比在迎角为0°~18°范围内均高于原始翼型,在迎角为1°、4°和15°时升阻比分别提高了4.38%、1.38%和5.51%。该研究方法及成果可以应用于翼型的多参数优化设计。     

基于RBF网络的航空发动机辨识模型

利用实测到的发动机飞行试验数据作为学习样本, 采用径向基函数 (RBF)神经网络建立了发动机的辨识模型。利用这种方法对不同飞行高度发动机的参数进行了辨识, 并与几种 BP网络进行了比较。研究结果表明: 这种方法具有训练时间短、学习速度快、辨识精度高等优点。      

一种解决经验模态分解端点效应的边界延拓法

用于电子设备或系统辐射发射趋势预测的数据大多呈现非线性、样本量小的特点,这大大增加了预测建模的难度,而经验模态分解(EMD)可以将非线性、非平稳的数据分解成若干个呈现一定周期性的本征模态函数(IMF),并且EMD具有完备性和正交性,可通过分别对分解得到的IMF分量建模,从而完成对原始数据的建模。但EMD被端点效应问题所困扰,为了提高EMD的分解精度,针对分解过程中的端点效应问题,以及辐射发射趋势预测的时间序列数据样本量小的特点,利用建立灰色均值GM(1,1)预测模型所需数据量小的优点,提出了一种基于灰色均值GM(1,1)预测模型的边界延拓方法,在原始数据两端各拓展一个极大值和一个极小值,对原始数据进行边界延拓,从而抑制EMD的端点效应。仿真对比结果表明:该方法在分解层数和平均相对误差方面均优于未经延拓处理的EMD,且对数据样本量要求不高。     

基于QGA算法优化支持向量机回归的数控机床主轴热误差建模研究

针对精密数控机床主轴的热误差的实时监测反馈问题，提出了一种用于主轴热误差的建模方法。该方法利用QGA(Quantum Genetic Algorithm)寻优算法和支持向量机回归方法的复合建模方式，建立了机床主轴热误差回归模型。并通过搭建主轴热特性测试平台，采用聚类方法筛选主轴的温度敏感点，将采集到的热特性数据用于构建的热误差建模中。实验结果表明，该方法在机床主轴热误差预测中，残差值小于1.5μm，能够为主轴热误差的闭环控制过程提供准确反馈。     

基于组合预测模型的飞行器健康预测

针对飞行器健康状况难以准确预测的问题,结合GM(1,1)模型和MGM(1,n)模型的各自优点,提出了基于组合预测模型对飞行器健康信息进行预测的新方法.首先对由声发射传感器募集到的飞行器关键部件原始声发射信号进行五级sym4小波分解,分别提取其第五层小波分解系数的绝对值平均值、标准差和奇异值三种特征向量;然后分别用GM(1,1)模型和MGM(1,n)模型对绝对值平均值进行预测,利用BP神经网络将这两种模型的预测结果作为输入、原始数据作为输出进行组合预测.实验表明,这种组合预测方法可以很好地实现对飞行器关键部件故障信息的准确预测,其预测准确度明显高于单一预测模型,从而证实了该方法的有效性.     

某型航空活塞发动机进气门烧蚀变形量的灰色预测技术研究

根据灰色GM(1,1)预测模型预测某型航空活塞发动机进气门烧蚀变形量,并利用Mat LAB进行计算分析。结果表明,采用灰色预测理论进行预测分析,可以得到满意的预测精度,可以为该型发动机的维修提供一定的理论支持。