装载机载重动态测量的LS-SVM速度补偿方法

能否合理补偿动臂举升速度对所测油压信号的影响是制约装载机载重动态测量精度的关键问题.在给出载重测量的实现方法后,建立了实现载重测量速度补偿和载重量计算的框架模型,然后详细阐述了贝叶斯证据框架下最小二乘支持向量机(LS SVM,Least Square Support Vector Machines)参数的推断优化过程,以及基于贝叶斯证据框架下的LS SVM速度补偿方法.试验结果表明,采用该方法进行速度补偿后的载重测量误差均能控制到1%以下,验证了其有效性.      

宽体机发动机在低航段比运行状态下的使用策略研究

随着新冠肺炎疫情在全球蔓延,宽体机大量执飞国内航线,航段比及利用率大幅下降,导致发动机小时包修成本大幅上涨。通过充分利用各宽体机小时包修合同条款,优化宽体机使用策略,可降低其小时包修费用的支出。     

利用支持向量机预测大磁暴期间Dst指数的变化

利用支持向量机（SVM）模型对大磁暴期间Dst指数进行预报研究.以1995-2014年期间的80次大磁暴（Dst≤-100nT）事件共2662组观测数据为研究对象,以对应时间的太阳风参数为模型输入参数,同时建立了神经网络模型和线性机模型进行对比,并利用交叉验证提高预测结果的可靠性.为比较不同模型的预测效果,选用相关系数（CC）、均方根误差（RMS）、磁暴期间Dst指数最小值预测结果的平均绝对误差以及Dst指数最小值出现时间预测结果的平均绝对误差等统计量作为对比参数.结果显示SVM模型的预测效果最好,其中相关系数为0.89,均方根误差为24.27nT,所有磁暴事件的最小Dst值预测平均绝对误差为17.35nT,最小Dst值出现时间的预测平均绝对误差为3.2h.为进一步检验模型对不同活动水平磁暴预报效果的可能差异,将所有磁暴事件分为大磁暴（-200 相似文献   

基于机器学习的管材数控弯曲质量预测

在管材数控（NC）弯曲过程中,可能出现起皱、过度减薄的质量缺陷,同时会不可避免地发生回弹,都将严重影响成形质量。为了对数控弯曲成形质量进行预测,提出了使用有限元模拟与机器学习相结合的方法,并建立了快速的成形质量预测方法。首先,建立了有效的管材数控弯曲的参数化有限元模型,在工艺参数取值范围中随机选择进行大量的模拟实验作为样本,完成学习数据的挖掘。随后,基于径向基函数（RBF）神经网络建立壁厚减薄与回弹程度的预测模型并使用支持向量机（SVM）建立管材起皱的预测模型。最后,使用模型对新的实例进行预测,并利用模拟与数控弯曲实验对预测模型进行验证。 该方法可以对大直径薄壁管材数控弯曲质量进行有效的预测,提高弯曲管件零件设计效率。      

基于支持向量机的冗余陀螺故障诊断方法

为了弥补最优奇偶向量法在冗余陀螺故障诊断中存在的不足,提出了基于支持向量机的故障诊断方法.在最优奇偶向量法的基础上,将冗余陀螺测量单元中所有陀螺的奇偶残差看做整体,作为多故障支持向量分类机进行训练数据,并从训练数据预处理、核函数选择和参数寻优等方面进行了研究.将训练后的支持向量分类机用于对九陀螺冗余测量单元的故障诊断试验,试验结果表明,该方法具有良好的故障识别率、较低的漏检率和虚警率.     

涡轴-涡扇变循环发动机方案及性能匹配设计研究

针对旋转机翼式垂直起降高速巡航飞行器,提出了一种新概念结构形式的涡轴-涡扇变循环（TSFVCE）发动机,能够分别在涡轴和涡扇两种模态工作。首先对涡轴-涡扇变循环发动机的结构及工作模式进行了介绍,并建立基于变比热的部件级性能仿真模型;然后通过循环分析,确定发动机第二涵道比为3,Flade外涵风扇压比为1.98,第一涵道比为0.11,完成发动机设计点性能方案设计;最后分析了核心机驱动风扇（CDFS）可调机构对发动机性能影响机理,得出CDFS放气阀对发动机涡扇模态下的推力与涡轴模态下的功率影响较大,对涡扇模态的推力影响最大为61.5%,对涡轴模态的功率影响最大为33.3%,可利用此特性实现发动机在涡扇和涡轴模态下推力和功率输出的匹配。     

基于EMD和SVM的机载燃油泵故障诊断研究

针对机载燃油泵故障数据来源较少、诊断效率较低、维护费用较高、缺乏有效故障特征的问题,利用机载燃油转输系统实验平台收集的振动信号和压力信号,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的机载燃油泵故障诊断方法。首先,利用EMD提取振动信号不同频段的能量值作为特征参量,并结合压力信号均值构造故障特征向量;其次,分别采用遗传算法(GA)、粒子群优化算法(PSO)、樽海鞘群算法(SSA)、网格搜索算法(GS)对SVM的惩罚参数和径向基函数(RBF)参数进行优化,并对优化后的SVM诊断性能进行了评估;最后,分别采用SVM、极限学习机(ELM)、BP神经网络作为分类器,并对3种分类器的诊断性能进行了评估。结果表明:采用3种群智能优化算法的SVM故障诊断率均能达到100%,寻优过程中均未陷入局部最优解,且寻优时间相当,其中GA的训练时间最短,可以采用GA对SVM参数进行寻优;当采用GA_SVM作为故障分类器时,用时较短,且故障诊断率较高,可以选用GA_SVM分类模型实现机载燃油泵的高效故障诊断。      

高精度在轨实时轨道机动决策

为保证在轨机动实时性和高精度的要求,提出了一种基于机器学习的在轨实时机动决策方法。通过优化算法离线获得摄动下的精确解,减去二体解得到速度增量差,将其投影到轨道坐标系获得速度增量摄动修正项,以此作为神经网络输出,设计网络参数并训练得到摄动修正网络、组合应用摄动修正网络和二体解实现高精度的在轨实时轨道机动决策。仿真结果表明:卫星按照该决策机动完成后的终端位置偏差与按照优化算法给出的决策机动完成后终端位置偏差精度一致,且前者决策耗时仅为后者决策耗时的0.01%左右。所提轨道机动决策方法兼顾了精度与实时性,适用于星上决策。