高温高压有机工质密度实验测量及预测方法

针对有机工质高温高压下密度的测量较为困难的问题,特别是超临界状态下,设计出高温高压下密度的测量方法,并提出了基于最小二乘支持向量机（LSSVM）的密度预测方法.该方法首先利用实验手段对有机工质在不同温度、压力点下的密度进行测量,并通过对该离散的实验段数据的学习,利用最小二乘支持向量机方法预测得到T-p面上密度的连续值,尤其是实验手段难以测量的超临界下的密度.基于该方法,以有机工质六甲基二硅氧烷为例,得到了其在T（600~850K）与p（1.3~2.25MPa）范围内的密度值及密度关于温度压力的函数公式,并将其结果与公布的密度数据对比,结果表明:两者的相对误差仅为2.4%,证明了方法的有效性.      

基于SVR和NSGA-II的钛合金铣削参数多目标优化

对钛合金材料Ti6Al4V铣削加工进行有限元数值计算,结合试验设计方法构建了基于支持向量回归机（SVR）的铣削力预测模型,以材料去除率和刀具寿命为优化目标,提出一种基于支持向量回归机和带精英策略的非支配排序遗传算法（NSGA-II）的优化方法。结果表明,该方法能够获得满意的Pareto解集,为钛合金铣削参数优化提供一种新的方法,具有良好的推广价值。     

航空发动机直通型篦齿径向变形稳健性优化

为了降低参数不确定性对发动机直通型篦齿径向变形的影响,提出了一种基于最小二乘支持向量机(LS-SVM)和概率分位数区间模型的稳健性优化方法。通过LS-SVM建立参数与篦齿径向变形的响应面近似模型,考虑到参数不确定性分布类型的差异性,采用概率分位数区间方法建立稳健性优化模型,对篦齿结构径向变形进行了稳健性优化设计。结果表明:优化后的篦齿结构径向变形概率分位数区间比优化前减少6%,参数灵敏度分析结果也验证了该优化方法的有效性。     

主成分分析和支持向量机在无刷直流电机故障诊断中的应用研究

针对无刷直流电机(BLDCM)故障诊断问题,提出一种基于主成分分析(PCA)和支持向量机(SVM)的故障诊断方法。首先对故障时刻无刷直流电机三相电流进行分析,提取故障特征值;再由PCA从提取的故障特征值中选取敏感特征;最后使用SVM对特征值集合进行训练和测试,实现故障诊断与识别。该方法在6种无刷直流电机典型故障中进行了验证,故障诊断准确率高达92%,证实了该方法的有效性。     

基于改进LS-SVM的航空发动机传感器故障诊断与自适应重构控制

提出了一种基于改进LS-SVM的航空发动机传感器故障诊断与自适应重构控制方法.该方法通过给误差变量赋予不同权值因子提高LS-SVM的鲁棒性,采用修剪算法提高LS-SVM的稀疏性;该方法从某涡扇发动机输入输出空间中建立其正常模型,采用阈值判别法对传感器故障进行实时监视与诊断,并用模型输出值代替故障传感器测量值反馈回闭环控制系统,实现对发动机的自适应重构控制.仿真结果表明,该方法能及时准确地定位故障,并进行有效的自适应重构控制.      

基于支持向量机的飞行器多余物信号识别

针对飞行器控制电路在生产制造过程中可能引入金属线头等微小多余物,从而留下短路等安全隐患的问题,提出了一种基于微粒碰撞噪声检测（PIND）的飞行器多余物材质识别方法。首先,利用短时自相关函数提取PIND信号的脉冲部分;然后,提取多种时频域统计特征,并与梅尔频率倒谱系数（MFCC）特征结合起来;最后,训练多分类支持向量机模型实现材质分类。为验证所提方法的有效性,采集了3种不同材质多余物的PIND信号进行模型训练及测试,实验结果表明,所提方法材质识别准确率达98%,优于同类方法的相关结果。      

“凤凰”计划研究进展及其启示

地球静止轨道（GEO）卫星以其独特的轨道特性,在民用和军用领域正发挥着越来越重要的作用,该类卫星的损坏和失效将造成巨大的经济损失和极大的社会影响。     

航空发动机传感器故障与部件故障诊断技术

结合局部学习思想与集成学习技术,提出了一种基于支持向量机-极端学习机-卡尔曼滤波器(SVM-ELM-KF,Support Vector Machine-Extreme Learning Machine-Kalman Filter)的航空发动机传感器故障与突发性部件故障诊断的方法.将改进的迭代约简最小二乘支持向量回归机训练技术推广到分类机中,用于区分传感器故障与部件故障,使得该分类机具有一定的稀疏性.对于传感器故障,利用ELM分类机对故障进行定位.对于部件故障,利用改进的卡尔曼滤波器对发动机各部件的健康参数进行估计,从而对部件故障进行定位.仿真结果表明,提出的故障诊断方法能够准确地区分传感器故障和部件故障,实现故障的有效定位,验证了方法的可行性.     

一种改进的SVM算法

当训练集的规模很大特别是支持向量很多时,支持向量机的学习过程需要占用大量的内存,寻优速度非常缓慢,这给实际应用带来了很大的麻烦。文献[4]提出了一种针对大规模样本集的学习策略,该方法虽大幅降低了学习的代价,但存在着一个致命的弱点:如果初始样本集选择不当,SVM的分类精度将得不到保障。基于此,本文引入了“最远邻”,对文献[4]中算法进行了改进。实验表明,采用这种改进的算法不仅保留了文献[4]方法的优点,而且这样获得的分类器的分类精度完全可以与直接通过大规模样本集训练得到的分类器的分类精度相媲美,甚至更优。     

协同设计中的版本管理解决方案

版本管理是计算机协同设计系统的重要组成部分。本文提出了一种基于对象的版本管理模型,讨论了在该模型下版本管理的解决方案和应用。