基于灰色近似支持向量机的加速度计参数预测

温度、振动等环境载荷使得石英挠性加速度计参数产生漂移,直接影响了惯导系统的测量精度和性能,石英挠性加速度计参数变化趋势为非线性的,很难用常规的建模方法进行趋势预测。基于灰色理论适合进行小样本、贫信息不确定型系统建模以及近似支持向量机不需要求解二次规划就能求得非线性模型参数的优点,提出了基于灰色近似支持向量机进行石英挠性加速度计参数预测的方法。为了验证该方法的有效性,针对自然贮存的加速度计进行了固定周期的参数标定,结果表明灰色近似支持向量机具有很好的预测效果。     

基于Q-GERT的装备维修保障流程仿真模型

在分析流程仿真主要建模仿真方法特点的基础上,针对维修保障流程的特点,运用Q-GERT对装备基层级维修保障过程进行了建模,并给出了具体的仿真算法,仿真分析了不同维修保障资源配置下的资源利用率、任务成功率等指标,为装备基层级维修保障资源的优化配置提供决策支持,仿真结果证明该方法的实用性和可行性。     

基于在线LS-SVM算法的变参数混沌时间序列预测

研究利用最小二乘支持向量机(LS-SVM)预测变参数混沌时间序列。变参数混沌系统适合于描述现实中的复杂混沌现象,但由于参数的慢变导致系统动力学特性不断发生变化,基于Tan-kens嵌入定理的建模预测方法难以适用,其时间序列预测可以看作是小样本学习问题。最小二乘支持向量机是在二次损失函数下采用等式约束求解问题的一种支持向量机,保留支持向量机优点同时计算量大大减少。提出用一种具有遗忘机制的最小二乘支持向量机在线递推算法,并引入历史数据的高次项预测变参数混沌时间序列。对典型变参数混沌时间序列的预测结果表明,该方法具有较高预测精度,能快速跟踪预测变参数混沌时间序列。     

基于二叉树支持向量机的装备故障诊断研究

本文提出了一种基于二叉树支持向量机的某型装备故障诊断方法,应用该方法构造了多故障分类器,并通过某型装备故障实例验证了该方法故障诊断结果的正确性,证明了该故障诊断方法具有良好的鲁棒性和推广性。     

引进装备备件可靠性及保障研究

介绍了备品备件的定义及分类,给出了引进装备的可靠性分析方法,基于装备的可靠性建立了装备备件的需求预测模型,用经济订货批量模型的原则设定了引进装备的订货方法,最后,介绍了装备备件保障软件。     

基于PHM技术的导弹维修保障

为解决传统导弹维修保障方法所存在的问题,加快军队信息化建设,提出了基于PHM技术的导弹维修保障方法。分析了不同维修方式、导弹维修保障及信息化建设与PHM技术的关系,利用PHM技术并结合决策支持的思想,建立导弹健康状态的信息管理系统,初步分析了系统的基本结构组成,并结合实际提出了一些需要重点解决的问题。     

高速风洞试验中运输机支撑形式的选择

合理选择模型的支撑形式和解决支架干扰问题是准确获取气动力数据的关键因素。为了寻找一种合适的运输类飞机在高速风洞试验中的支撑形式,首先通过计算分析和试验验证,给出了运输类飞机高速风洞试验中30°尾支撑支架干扰问题存在的原因,然后根据0°、5°、15°以及30°不同尾支撑形式的计算分析和专项试验论证结果,提出并验证了小角度尾支撑是现阶段运输类飞机高速风洞试验中最合理、最有效的支撑形式。     

大飞机布局模型跨声速风洞实验尾支撑干扰研究

对某大飞机布局风洞实验尾支撑干扰开展了数值模拟和实验研究,发展的数值方法计算结果与风洞实验结果有很好的一致性。对于类似构型的飞机,在迎角-2°～6°范围,可认为尾支撑干扰量随迎角呈线性变化,采用前位叶片支撑作为辅助支撑带来的二次干扰量可以忽略,新型双天平辅助支撑系统试验进一步验证了这一结果;尾支撑对机身、尾翼、机翼等部件的绕流都有影响,干扰量随构型而变,对阻力、力矩影响较大,且随Ma数变化,因此不同构型实验数据需要单独修正。所发展的带风洞支撑系统的数值模拟软件能够满足工程应用要求,可用于支撑干扰修正研究以及风洞实验支撑系统优化设计。     

基于直升机/涡轴发动机综合仿真平台的发动机非线性模型预测控制

 基于具有可靠置信度的直升机/涡轴发动机综合仿真平台,研究了涡轴发动机带约束优化的非线性模型预测控制(NMPC)技术。首先通过设计多输出迭代约简最小二乘支持向量回归机(RRLSSVR),训练具有较好实时性、精度及泛化能力的内嵌式预测模型,在高度0~5 km、前飞速度0~75 m/s范围内模型精度达5‰。其次,考虑了扭矩、燃油流量、动力涡轮转速、燃气涡轮转速等综合信息及相关约束对控制效果的影响,利用在线序列二次规划(SQP)算法实现滚动优化控制,而后加入目标转速偏差的积分项以消除静差,保证输出恒定。最后,通过对直升机进行机动飞行大扰动仿真验证了该预测控制器对扰动的抑制能力,相比传统串级PID控制,能够显著降低动力涡轮转速下垂/超调量,达到更好的控制品质。     

基于小波分析与支持向量机的时间序列预测

时间序列广泛存在于工业、经济、军事等各个领域,时间序列预测是数据分析处理的一个重要方面。目前提出的预测模型大多基于＂原始时间序列是无噪的＂这一假定,而实际应用中,对时间序列去噪处理的好坏将直接影响预测的准确率,针对这一事实,使用小波分析对原始时间序列去噪。利用小波变换对时间序列进行多尺度分解,对各尺度上的细节序列使用阀值法去噪;使用支持向量机对重构后的各组小波系数进行预测并将结果融合,得到预测结果。实验结果表明,用于时间序列预测,能及时反应序列的变化趋势并具有较高的预测精度。