排序方式: 共有8条查询结果,搜索用时 0 毫秒
1
1.
2.
3.
为解决液体火箭发动机故障预测这一难题,提出一种基于误差预测修正的故障预测方法。在历史数据的基础上建立小波过程神经网络故障预测模型,同步计算学习样本的预测误差,根据上述误差建立双并联离散过程神经网络预测模型。预测时,将预测误差值实时补偿到小波过程神经网络预测模型以提高预测精度。通过液体火箭发动机地面试验中的涡轮泵数据对该方法进了验证。结果表明,该方法在预测精度和适应能力上较单一的过程神经网络预测模型有显著提高,进行10步预测时,预测值的标准化均方根误差为0.392,预测平均耗时为76ms,能够用于解决液体火箭发动机故障预测问题。 相似文献
4.
传统的机翼外形设计方法包括平面形状设计和关键剖面翼型控制,但有限的机翼剖面翼型无法完全控制机翼参数沿展向的完整分布。以主动控制机翼参数沿展向分布规律为出发点,基于 CATA 中创成式曲面设计模块,提出了一种新的机翼外形设计方法。在所展示的建模实例中,实现了对机翼弦长、几何扭转角、翼型厚度等参数沿展向分布规律的主动控制。建模结果显示,与传统的机翼外形设计方法相比,获得了理论弦曲面和理论前后缘曲线,而非理论弦平面和理论前后缘直线,同时得到前后缘线以外的其余条展向引导线。该方法可以很容易地推广到对后掠角、最大厚度、最大弯度等参数沿展向分布的主动控制,具有工程应用价值。 相似文献
5.
为了研究外加磁场对PPT性能的影响,建立了PPT带外加磁场的机电模型,并用三种不同放电能量水平的PPT验证了该模型的可靠性。利用该模型研究了外加磁场强度、模式、位置以及长度对PPT性能的影响。结果表明,对于尾部馈送型PPT,当外加磁场增加时,PPT性能先增加后减小,存在最优的外加磁场强度。对于LES-6 PPT和LES-8/9 PPT,外加磁场从极板的最左端开始施加效果最好;当外加磁场强度分别为0.25T,0.50T,0.75T,1.00T时,这两种PPT对应的最适合施加磁场长度分别是1.3mm,1.8mm,2.1mm,2.3mm和1.6mm,2.8mm,3.4mm,3.7mm。对于TMU PPT,外加磁场从极板的最右端开始施加效果最好,但是施加磁场长度应该根据具体实验结果并结合仿真计算来决定。 相似文献
6.
7.
以HB/Z 103-86《飞机水平测量公差》要求为前提,对飞机水平测量点位置度开展研究,同时以某中型Ⅰ级飞机为例开展水平测量点位置度设计,最后指出现代化飞机高精度要求有必要在相关标准中增加位置度要求,提出在标准规定暂缺的情况下水平测量点位置度要结合标准公差及飞机机体结构、工艺特点、制造能力以及经济性等建设性意见。 相似文献
8.
提出一种基于极限学习算法的离散过程神经网络模型,用于解决液体火箭发动机状态预测这一难题。首先,在历史数据的基础上建立离散过程神经网络(DPNN)预测模型;然后,根据在线更新的数据样本,采用递推极限学习(EL)算法对双并联前馈离散过程神经网络(DPFDPNN)隐层到输出层的权值进行更新,并应用权值更新后的过程神经网络对发动机状态进行预测;最后,以液体火箭发动机状态预测中氢涡轮泵扬程预测为例,分别采用有权值更新和无权值更新两种预测模型进行了试验。结果表明,通过更新过程神经网络权值可以使模型具有更高的预测精度和更好的适应能力,该方法能够为液体火箭发动机状态预测提供一种有效的解决途径。 相似文献
1