利用神经元拓展正则极端学习机预测时间序列

为实现对于时间序列预测数据的准确预测,提出一种神经元拓展正则极端学习机(NERELM,Neuron-Expanding Regularized Extreme Learning Machine),并研究了其在时间序列预测中的应用.NERELM根据结构风险最小化原理权衡经验风险与结构风险,以逐次拓展隐层神经元的方式自动确定最佳的网络结构,以避免传统神经网络训练过程中需人为确定网络结构的弊端.应用于时间序列的仿真结果表明:NERELM可有效实现对于RELM最佳网络结构的自动确定,具有预测精度高与计算速度快的优点.      

基于预测扭矩前馈的涡轴发动机内模控制方法

基于内模原理设计了涡轴发动机功率涡轮转速控制器.针对主旋翼扭矩变化对功率涡轮转速的干扰,提出了一种基于极端学习机的扭矩预测方法.极端学习机训练基于动态仿真数据,其输入通过相关分析获得.基于内模原理的功率涡轮转速控制器采用极点配置的设计方法,将输入信号的内模直接加入控制器,实现鲁棒跟踪.扭矩前馈采用比例微分(PD)控制策略,实现对发动机负载变化干扰的有效补偿.数字仿真结果表明:极端学习机扭矩预测精度高,扭矩相对误差小于1.5‰,与不加前馈控制相比,所提出的控制方法减小了机动飞行过程中功率涡轮转速的超调或下垂30%以上.      

极端低温下电液伺服阀温漂特性分析

针对电液伺服阀在极端低温下温漂大的问题，以＋40℃时电液伺服阀初始零偏为基准，采用线性回归方法分析了某型射流管伺服阀不同温度的零偏试验数据，得到了极端低温下的伺服阀温漂与＋40℃时初始零偏的数学关系。分析与试验结果表明：极端低温时射流管伺服阀的温漂与＋40℃时的初始零偏存在非常显著的线性关系。温漂与电液伺服阀制造与装配工艺过程密切相关，与结构及其装配不对称有关。电液伺服阀结构上的微观不对称现象，在极端低温下显现出来，尤其是呈现出较大的温漂。降低温漂的主要措施是提高电液伺服阀结构与装配的对称性，降低初始零偏。     

行星际空间环境对探测器可靠性影响分析

空间环境是影响航天器可靠性的重要因素。与地球轨道航天器相比,行星际探测任务可能会遭受更加恶劣的空间环境,例如极端温度环境,辐射环境,腐蚀性大气环境、宇宙尘等,再加上行星际任务寿命长,采用先进的器件和材料,空间环境对行星际探测器的可靠性构成严重的威胁,直接关系到探测目标能否实现。因此考虑空间环境对行星际探测器的影响,开展相关的预先研究无论是对于制定行星际空间探测计划,还是搭载仪器的设计都具有非常重要的意义。文章分析了极端温度、辐射环境和行星表面综合环境对探测器的影响,并对开展相关研究提出了建议。     

极端天气状况下交通系统的公共安全管理

极端天气的发生,使得大量旅客滞留于车站、机场,给交通系统的公共安全管理造成了严重的危害。本文就此提出极端天气状况下交通系统公共安全管理应特别重视的几个方面:安全管理,预防为先;安全管理,安保为重;严防二次灾害的发生;加强舆论监督和管理;重视灾后总结工作的开展,希望能对保障极端天气状况下交通部门的公共安全有所裨益。     

基于UKDE和XGBoost的航班过站时间动态预测

为了提高机场运行高峰时航班过站时间预测的精度及可靠性,研究了一种结合无偏核密度估计（Unbiased kernel density estimation, UKDE）和极端梯度提升决策树（Extreme gradient boosting, XGBoost）模型的航班过站时间动态预测方法。首先,考虑模型输入变量航班密度的连续性和不确定性变化,利用UKDE法估计机场航班密度,将其作为动态指标输入模型。其次,引入量子粒子群（Quantum particle swarm optimization, QPSO）法优化XGBoost模型。最后,考虑前序航班延误发生前后输入特征的变化,利用初始预测结果对航班密度进行修正,得到二阶段预测结果。研究结果表明：本文方法在高峰时段的预测平均绝对误差为7.365 min,效果优于随机森林（Random forest, RF）、粒子群（Particle swarm optimization, PSO）-XGBoost和XGBoost,修正后的预测结果平均绝对误差减少了3.373 min;模型输入参数按敏感性程度由高到低依次为航班密度、前序航班提前到港时间和延误...     

什么是极端环境?

极端环境,这是由美国NASA空间探测计划引出的一个新概念。为了牵引美国科学技术及经济发展,NASA制定了一系列以科学为目标的具有挑战性的空间探测计     

基于ADE-ELM的涡轴发动机建模方法

提出了基于自适应微分进化-极端学习机(ADE-ELM)求解平衡方程的高精度涡轴发动机实时部件级模型建立方法.基于牛顿-拉夫逊(N-R)迭代模型,以迭代计算前模型平衡方程残差为输入,迭代收敛后平衡方程猜值修正量为输出,训练极端学习机,并采用自适应微分进化(ADE)算法优化极端学习机(ELM)参数,提高猜值修正量映射精度.ADE算法中采用sigmoid型自适应缩放因子,提高了微分进化算法的寻优能力.在涡轴发动机不同飞行状态下的测试结果表明,以N-R迭代算法模型为基准,基于ADE-ELM的发动机模型,最大建模误差约为一次通过算法的1/3,运算耗时约为一次通过算法的1/3,验证了算法的有效性.      

航空发动机气路部件故障融合诊断方法研究

针对发动机气路部件故障,提出了一种基于模型和基于数据驱动的融合诊断方法。采用极端学习机(ELM)实现基于数据驱动的故障诊断。针对ELM随机选择输入层权值和隐含层偏置带来的缺点,采用改进微分进化(IDE)算法以训练样本的均方根误差(RMSE)和输出层权值的范数为评价标准对其进行优化,减少了ELM的隐含层节点数,提高了网络的泛化能力。同时,由于传感器数目的不足,采用基于奇异值分解(SVD)的Kalman(SVD-Kalman)滤波器实现基于模型的部件故障诊断。为了提高航空发动机部件故障诊断的精度,利用改进的迭代约简最小二乘支持向量回归机(IRR-LSSVR)算法对两种算法的估计结果在特征层进行定量融合。仿真结果表明,在发动机稳态状态下,与单独使用基于模型和数据驱动的诊断方法相比,采用特征层融合有效地提高了部件故障诊断的精度和准确率。