基于遗传-支持向量机的对置活塞二冲程柴油机气口高度优化

以某对置活塞二冲程柴油机为研究对象,基于一维仿真模型,利用遗传-支持向量机的方法,以油耗为优化目标,进行不同转速工况下进排气口高度组合的自动化寻优。结果表明:在1200r/min下,优化的进、排气口无量纲化高度组合为［0.075,0.105］,所得最小油耗为220.32g/(kW·h);对置活塞二冲程柴油机的气口最优高度应随着转速的提高逐渐增大;且在高转速(大于1600r/min)下,排气口最优高度增加趋势更加明显。      

台风多发区复杂场地设计风荷载参数比较

确定长大、高耸柔性结构设计风速是抗风设计的首要内容。对于我国东南沿海椒江入海口复杂场地条件,由周边气象站历史风速风向资料统计分析表明,利用规范建议的极值分布概型预测重现期设计风速存在不合理性,台风登陆衰减效应导致临近工程场地多个气象站极值风速预测结果差别较大,采用线性回归方法加权换算工程场地设计风速可以较为合理地定义结构设计基本风速。参考长三角地区Monte-Carlo台风随机模拟结果,进一步有针对性地分析了不同气候模式风环境参数取值对于结构风荷载取值的影响。     

一种基于SNM降阶技术的整体叶盘结构失谐识别方法研究

本文以谐调叶盘有限元模型解析模态和失谐系统的实验测量模态作为基础信息,提出了一种整体叶盘结构失谐识别方法。该方法基于SNM降阶技术,大大降低了识别过程的计算花费以及对基础信息的要求;采用了子矩阵型技术使得失谐参数定义更加的自由,并使得该方法具有模型修正的功能;利用最可能向量技术处理实验测量模态振型,有效的限制了测量噪声、非线性等因素对识别过程的影响。最后以一个真实叶盘结构的数值仿真分析证明了该方法的正确及有效性。     

Eurocat—X软件可靠性建模分析及预测

根据软件可靠性的建模过程对Eurocat—X软件的失效数据进行分析。通过非线性回归方法估计模型参数,比较3种模型的拟合度,得出最适用于该软件的可靠性模型．并预测其软件可靠性。     

涡轮泵试车数据单类支持向量机检测算法

为了在缺乏故障样本的情况下检测某型液体火箭发动机涡轮泵故障,实现基于不完整信息的状态决策,建立了基于v-支持向量分类器的单类支持向量机新异类检测模型。在分析了模型决策边界、支持向量和约束条件之间关系的基础上,为单类支持向量机引入并改进了序贯最小优化算法,提高了训练效率,解决了大样本训练问题。通过对某型液体火箭发动机涡轮泵历史试车数据的分析,结果表明,所建模型的训练速度得到了很大提高,对涡轮泵状态的检测效果良好。     

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.     

航空发动机性能衰退率计算方法研究

众所周知,航空发动机大修成本在航空公司维修成本中占有很大的比重,加上单次的大修费用很高,使得发动机送修成为影响航空公司现金流的主要因素之一.造成发动机送修和计划性换发的原因很多,其中最主要的原因就是发动机性能衰退.     

编与读

编与读读者朋友们:2007年在你们的热心支持中过去了。回顾过去的一年,《读者园地》版块给我带来了许多的惊喜,许多的感动,也有一些遗憾和愧疚。惊喜的是我看到了你们在事业上取得的成就,在学业上获得的成绩;感动的是你们对航空航天执着的追求和热爱;遗憾的是由于版面的关系,不能每一封信都一一回复和解答;愧疚的是由于疏忽,有时给读者的答复不是完全准确。我们迎来了2008年,这是令全国人民都欢欣鼓舞的一年——奥运会即将在北京召开。新年新气象,我们的《读者园地》也希望借着这阵东风,走上更高的台阶!我们热切地希望新老读者一如既往地支持我们!E-Mail:hkzszz@163.com《读者园地》编辑     

基于最小二乘支持向量回归的混沌时间序列预测研究

研究利用最小二乘支持向量机预测混沌时间序列。混沌时间序列预测是典型的小样本学习问题,基于结构风险最小化原理的支持向量机方法,克服了神经网络易于陷入局部极值点等缺点,能够获得全局最优解。最小二乘支持向量机是一种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,在保留支持向量机优点的同时使计算量大大减少。对典型混沌时间序列的预测结果表明,最小二乘支持向量机回归预测方法具有良好的泛化推广性能,预测精度高,适合于复杂非线性时问序列建模预测。     

基于EMD熵特征融合的滚动轴承故障诊断方法

研究了滚动轴承故障诊断单一故障信号的局限性和故障特征的非线性,从信息融合的理论出发,利用非线性动力学参数熵作为特征,提出了基于经验模态分解(EMD)熵特征融合的方法来解决滚动轴承故障诊断问题.首先将原始信号进行EMD,利用EMD的自适应多分辨率的特点计算EMD得到的固有模态函数(IMF)信号的多种熵值,然后采用核主元分析(KPCA)对提取的状态特征进行信息融合,从而得到互补的特征,最后将提取的融合特征通过支持向量机(SVM)进行故障诊断.滚动轴承故障诊断实验表明:该方法结合了EMD、信息熵理论和KPCA强大的非线性处理能力的特点,可以进行滚动轴承故障诊断.