基于BCI的生物信息提取算法设计与研究

本文介绍了脑机交互技术的基本概念和研究现状,在对脑电波信号进行研究的基础上,使用ThinkGear脑电模块提取脑电信号,并选取注意力和平静度两个信号进行训练,实现对外部设备的控制。     

基于融合信息(火用)的转子振动故障SVM诊断方法

通过提取信息(火用)特征,提出基于融合信息(火用)的转子振动故障支持向量机（SVM）诊断方法.首先,在转子试验台上分别模拟转子不平衡、轴系不对中、转子裂纹和转子碰磨4种典型故障,采集这4种典型故障在多转速和多测点下的振动加速度信号;其次,提取基于时域的奇异谱熵和频域的功率谱熵的转子振动故障过程变化规律的信息(火用)特征;最后,将提取到的信息(火用)特征作为故障向量,建立SVM故障诊断模型,进而对转子振动故障进行诊断.实例诊断结果表明：将信息(火用)特征与支持向量机相结合进行转子振动故障诊断,诊断结果准确率达到了97%,有效地提高了故障诊断的准确率.     

基于SVM和SNN的航空发动机气路故障诊断

为了区分航空发动机气路故障诊断过程中出现的相似故障,提高诊断准确率,提出了一种支持向量机(SVM)和协同神经网络(SNN)相结合的故障诊断方法.首先利用参数优化后的SVM对测量数据进行初步故障诊断分类,对诊断结果进行分析统计,得出难以区分的相似故障类型,并根据SNN对这些相似故障进一步地区分判断,最后根据实际数据对此故障模型进行仿真.结果显示:基于SVM的初步故障诊断准确率达到96%;而经过SNN进一步地相似故障区分后,诊断准确率提升到100%.     

TC17钛合金激光喷丸应力场及支持向量机应力热松弛模型

对TC17钛合金进行了不同功率密度下激光喷丸强化,使用X射线衍射仪测试了激光喷丸冲击波诱导的残余压应力场的分布,测试了不同温度真空保温下残余压应力的热松弛规律,最后基于支持向量机理论建立了残余压应力热松弛预测模型,并用试验结果对模型进行验证.研究表明:TC17钛合金在功率密度为4GW/cm2时表层残余压应力场最佳;残余压应力在280℃和450℃真空保温150min后分别有11.24%和27.11%的松弛;在280℃和450℃交替保温160min后应力松弛33.9%;残余压应力在试验温度保温160min后有大部分剩余,可以有效提高TC17钛合金抗疲劳性能、基于支持向量机的预测模型能够较精确的表征TC17钛合金的应力松弛规律,满足工程使用要求,对其他材料表层残余压应力热松弛分析具有借鉴意义.      

运输类飞机RVSM适航审定中的机体差异分析及处理

对运输类飞机的RVSM适航审定要求进行说明,并就机体差异导致的高度测量误差进行了分析。提出了评估机体差异导致的剩余静压源误差的一种思路和方法,以及RVSM适航审定中预算分析应考虑的各误差分量。最后指出了为满足飞机持续适航要求而应进行的工作。     

叶身/端壁融合技术研究

角区流动的现象普遍存在,其中角区流动分离是制约叶轮机性能提升的关键因素。针对抑制或消除角区分离情况,在简要回顾二面角原理的基础上,提出叶身/端壁融合技术(Blended Blade-EndWall,BBEW),指出了其所包含的二面角原理的3种应用方式,并以NASA 67号转子叶片为例,采用数值方法研究了应用第2种方式(即增大过渡曲面最小曲率半径方式)的改型效果。结果表明:采用二面角原理第2种应用方式的BBEW能够有效地减弱或消除高负荷叶片吸力面角区分离,进而明显改善了67号转子叶片性能,因此BBEW是抑制或消除角区分离的有效技术。     

LS-SVM稳健设计及正则化性能分析

LS-SVM(最小二乘支持向量机)把传统的支持向量机求解由二次规划变为求解线性方程组问题,使得在计算效率和算法设计的简单性上都有很大提高。然而,LS-SVM由于其误差函数是二次函数,对训练样本中的野值比较敏感,采用传统的LS-SVM方法,容易歪曲系统,并可能直接导致函数逼近失败。针对这一情况,基于最优化理论及稳健估计思想,提出了RLS-SVM(稳健LS-SVM)的设计方法。数值计算表明,在有野值的情况下,RLS-SVM对函数逼近具有良好的稳健性。另外,分析了正则化因子与核函数的选择对逼近性能的影响,并给出了在不同情况下的一些使用规则。     

基于改进HMM和LS-SVM的机载设备故障预测研究

针对传统故障预测方法不能直接预测设备状态的不足,提出了将改进隐马尔科夫模型（HMM）和最小二乘支持向量机（LS—SVM）相结合的机载设备故障预测方法。首先,采用多智能体遗传算法对HMM参数进行训练优化,克服了B-W算法易陷入局部最优解的缺陷;其次,分别研究设计了设备是否具有使用阶段状态退化过程数据2种情况下的故障预测算法流程;最后,以飞机发动机温控放大器为应用对象进行仿真计算。结果表明,该算法不仅预测精度高,而且预测结果直接与设备状态相关,易于理解分析。     

应用快速多分类SVM的航空发动机故障诊断方法

提出了一种新的快速多分类SVM算法,用于解决大样本情况下航空发动机的多类故障诊断问题。首先,选用层次支持向量机(H-SVM)来实现多类分类,用各类数据中心代表该类数据,通过自组织特征映射神经网络(SOFM)进行聚类,把类中心之间距离较近的数据归为同一个子类进行训练,得到H-SVM层次结构。其次,在训练H-SVM中的二元分类器时,应用相对边界向量(RBV)代替全部训练样本,在保持分类精度几乎不变的条件下大幅度减少了训练样本数,使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短。在分类数据混迭较为严重的情况下,新算法先剔除混迭的异类数据,再计算RBV,并且把与计算的RBV距离小于一定数值的样本都选择来训练SVM,保证了RBV的合理性,防止了关键数据的丢失,有效提高了分类精度。针对一个航空涡喷发动机5类复合故障的分类进行了实例仿真,总的故障分类正确率达到91.2%,二元SVM的训练时间最多只有原来的16.20%;当训练样本总数达到7500的大规模情况下,根据本算法,约减后的样本数量只有原来的3.05%。仿真结果表明,提出的算法有效、可靠,容易实现。     

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。