基于SSA/ LS/ SVM的通用航空机队可靠性预测方法

作者： 陈农田   陈凯   李梦飞   来源： 航空计算技术 年份： 2023 文献类型 ： 期刊 关键词： 麻雀搜索算法   最小二乘支持向量机   通用航空机队   可靠性预测  

描述： 通用航空机队的可靠性直接影响通用航空运行单位的安全与经济效益。以某通航单位Cessna 172R机队为研究对象，根据通用航空机队功能结构及故障特点，参考ATA100规范遴选可靠性指标，选取可靠性评估方法并进行可靠性等级划分，按指标分类统计各系统的故障数量，计算各系统的故障频率，建立基于最小二乘支持向量机理论(LS/SVM)和麻雀搜索算法(SSA)的Cessna172R通用航空机队可靠性预测方法，与LS/SVM模型预测结果对比，SSA/LS/SVM模型预测的准确度最高可达到95%,比原模型准确率提高了25%左右，证明了改进模型在通用航空机队可靠性预测上有较好适用性。

基于网络搜索信息的多模态数据驱动航空客流集成预测

作者： 孙景云   于婷   何林芸   来源： 运筹与管理 年份： 2023 文献类型 ： 期刊 关键词： 机场旅客吞吐量预测   网络搜索信息   麻雀搜索算法   ICEEMDAN分解  

描述： 为了对机场旅客吞吐量进行更高精度的预测，提出了一种基于网络搜索信息的“分解-重构-集成”组合预测新方法。首先，采用平均影响值和时差相关分析法对机场旅客吞吐量相关的网络搜索关键词进行筛选，合成综合搜索指数。其次，利用改进的自适应白噪声完备集合经验模态分解(ICEEMDAN)方法分别将机场旅客吞吐量和综合搜索指数分解为若干子模态序列，依据子序列的样本熵值重构为高、中、低频序列。以搜索指数中的不同频率成分作为辅助输入信息，分别对机场旅客吞吐量的高频和中频序列采用麻雀搜索算法优化的BP神经网络(SSA-BP)模型进行预测，而低频序列采用自回归分布滞后模型进行预测，最后将不同频率序列预测值用SSA-BP模型进行综合集成得到最终的预测值。通过实证发现，该组合预测新方法能显著提高预测的精度，并表现出较好的鲁棒性。

基于多元退化数据的航空机电系统竞争故障预测

作者： 孟蕾   许爱强   董超   来源： 舰船电子工程 年份： 2018 文献类型 ： 期刊 关键词： 航空机电系统   性能退化   最小二乘支持向量机   竞争故障  

描述： 针对基于多元退化数据的航空机电系统竞争故障预测问题,根据复杂机电系统的故障模糊特点,在退化数据和突发数据相关度的基础上,分析了航空机电装备的退化特性,而且建立了以多元退化数据为指标的航空机电系统中的预测模型。针对航空机电系统退化参数的非线性、小样本的特点,运用最小二乘支持向量机预测模型对未来某一时刻参数进行预测,并用退化量和突发故障求出的相关度得出退化量和突发故障的相关参数,从而根据航空机电系统竞争故障预测模型得出航空机电系统未来某一时刻的竞争故障概率。最后,实例分析,实现了航空机电系统的竞争故障预测,并与其它预测方法进行了对比,验证了此方法的合理性。

具有动态和输入不确定性的航空发动机自抗扰控制

作者： 王伟   赵哲   来源： 航空科学技术 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   麻雀搜索算法   加速控制   自抗扰控制   动态和输入不确定性  

描述： 加速过程中，动态和输入不确定性会给航空发动机控制系统造成不同程度的性能冲击。为改善控制系统性能，本文利用自抗扰控制方法补偿动态和输入不确定性造成的不良影响，采用麻雀搜索算法整定自抗扰控制器参数，以某型涡扇发动机为研究对象，基于Matlab/Simulink开展仿真分析。仿真结果表明，自抗扰控制器可以较好地抑制系统中的动态和输入不确定性造成的不良影响，能够实现对高压转子转速的准确快速跟踪，无稳态误差，超调量不超过0.07%，动态调节时间为2.5s，燃油流量变化较平滑，几乎无大幅值振荡。

基于智能算法优化BP的航空器滑出时间预测

作者： 朱晓波   贾鑫磊   王楚皓   来源： 科学技术与工程 年份： 2023 文献类型 ： 期刊 关键词： 机场场面运行效率   粒子群优化   麻雀搜索算法   BP神经网络   滑出时间  

描述： 滑出时间是评估大型机场场面运行效率的主要性能指标，科学准确地预测离港航空器的滑出时间，对于提升场面运行效率至关重要。首先，分析了航空器滑出时间影响因素及相关性，构建了基于反向传播(back propagation, BP)神经网络的航空器滑出时间预测模型。针对BP神经网络存在对初始权值和阈值敏感、准确性和稳定性欠佳等缺点，分别采用粒子群优化(particle swarm optimization, PSO)算法和麻雀搜索算法(sparrow search algorithm, SSA)获取BP神经网络的最优权值和阈值，并采用中国中南某枢纽机场2周的实际运行数据对智能算法优化后的预测模型进行了验证。结果表明：滑出时间与半小时平均滑出时间、起飞队列长度、同时段滑行的离港航空器数量均有强相关性，与同时段滑入的进港航空器数量中度相关，与滑行距离和经过冲突热点区域个数相关性较弱；考虑强相关和中度相关影响因素的4元组合预测模型的预测结果最佳；智能优化算法通过获取神经网络的局部最优权重和阈值，可有效地提升航空器滑出时间预测结果的精度，但运算过程耗时也更长；基于PSO优化后的BP神经网络预测结果较优化前的平均绝对百分比误差(mean absolute percentage error, MAPE)提升了1.13%,平均绝对误差(mean absolute error, MAE)减少了4.48 s,均方根误差(root mean squared error, RMSE)减少了4.68 s;基于SSA优化后的BP神经网络预测结果较优化前的MAPE提升了3.05%,MAE减少了16.55 s, RMSE减少了14.31 s。

基于支持向量回归的一维频率域航空电磁反演

作者： 姚禹   张志厚   石泽玉   刘鹏飞   赵思为   张天一   赵明浩   来源： 浙江大学学报(工学版) 年份： 2022 文献类型 ： 期刊 关键词： 多输出   最小二乘支持向量机   航空电磁   端到端   一维频率域反演  

描述： 为了提高一维频率域航空电磁的反演精度,将机器学习方法应用于航空电磁数据的反演中,提出基于多输出最小二乘支持向量回归(MLS-SVR)的一维频率域航空电磁端到端反演方法.对不同地电模型进行正演计算,获得样本数据集;搭建MLS-SVR模型框架,输入端为归一化后的垂直磁场分量,输出端为地电模型参数;利用网格寻优和K-折交叉验证进行调参;利用MLS-SVR模型进行反演.试验结果表明,利用MLS-SVR可以准确地反演出各地电模型参数,与单输出支持向量回归(S-SVR)和多输出支持向量回归(M-SVR)算法相比,该反演方法的精度更高,实测数据反演表明了该方法的有效性.

基于支持向量回归的一维频率域航空电磁反演

作者： 姚禹   张志厚   石泽玉   刘鹏飞   赵思为   张天一   赵明浩   来源： 浙江大学学报(工学版) 年份： 2022 文献类型 ： 期刊 关键词： 多输出   最小二乘支持向量机   航空电磁   端到端   一维频率域反演  

描述： 为了提高一维频率域航空电磁的反演精度,将机器学习方法应用于航空电磁数据的反演中,提出基于多输出最小二乘支持向量回归(MLS-SVR)的一维频率域航空电磁端到端反演方法.对不同地电模型进行正演计算,获得样本数据集;搭建MLS-SVR模型框架,输入端为归一化后的垂直磁场分量,输出端为地电模型参数;利用网格寻优和K-折交叉验证进行调参;利用MLS-SVR模型进行反演.试验结果表明,利用MLS-SVR可以准确地反演出各地电模型参数,与单输出支持向量回归(S-SVR)和多输出支持向量回归(M-SVR)算法相比,该反演方法的精度更高,实测数据反演表明了该方法的有效性.

基于动态优化数据的航空发动机过渡态控制方法

作者： 黄如意   黄金泉   潘慕绚   来源： 推进技术 年份： 2020 文献类型 ： 期刊 关键词： 最小二乘支持向量机   涡轴发动机   序列二次规划   比例积分控制器   前馈补偿   过渡态控制  

描述： 针对一般稳态燃油前馈PID算法在发动机过渡态过程中控制效果差的问题,提出了一种基于动态优化数据的涡轴发动机瞬态控制方法。采用带约束限制的序列二次规划(SQP)优化算法采集包线范围内各点的过渡态参数变化数据作为样本数据,利用稀疏化的最小二乘支持向量机(LSSVM)对样本数据进行训练、测试,将训练得到的LSSVM模型作为前馈与PI构成闭环控制器共同对涡轴发动机进行过渡态控制。通过对民用涡轴发动机部件级模型的包线内某两点不同功率水平进行仿真,结果表明,过渡态过程中动力涡轮转速超调量与下垂量均小于0.4%,稳态误差为0,动力涡轮转速稳定时间小于2s,各参数均未超限,因此,该控制器能有效提高涡轴发动机过渡态控制效果,实现对参数的限制管理。

基于灰色和LSSVM的航空发动机状态预测

作者： 崔建国   高波   蒋丽英   于明月   郑蔚   来源： 计算机工程与设计 年份： 2018 文献类型 ： 期刊 关键词： 状态预测   航空发动机   最小二乘支持向量机   排气温度   主燃油泵   灰色模型  

描述： 为克服单一模型预测精度较低这一缺陷,提出一种基于灰色模型(grey model,GM)和最小二乘支持向量机(least squares support vector machine,LSSVM)的组合预测方法。通过灰色累加对原始数据序列进行处理,建立灰色预测模型,利用灰色预测模型的预测结果作为输入,原始数据作为输出,训练构建LSSVM预测模型进行预测。选取航空发动机主燃油泵作为具体研究对象,采集排气温度作为其状态预测参数进行状态预测。研究结果表明,相比单一预测模型,灰色最小二乘支持向量机预测精度更高,为航空发动机状态预测提供了一种有效的解决途径。

LSSVM与HMM在航空发动机状态预测中的应用研究

作者： 崔建国   高波   蒋丽英   于明月   郑蔚   来源： 计算机工程 年份： 2018 文献类型 ： 期刊 关键词： 隐马尔科夫模型   状态预测   航空发动机   最小二乘支持向量机   小波包分解   振动信号   降噪  

描述： 传统单一的状态预测方法难以精确预测航空发动机状态的缺陷,而最小二乘支持向量机(LSSVM)具有较强的非线性预测能力和泛化能力,可以有效地对信号进行非线性预测,隐马尔科夫模型(HMM)有利于处理连续的动态信号,能够精确计算出似然度概率。提出一种结合LSSVM与HMM的状态预测方法。利用提升小波函数全阈值降噪法对采集的振动信号进行降噪,采用小波包分解提取有效的特征,选择不同状态下的特征量训练多个HM M模型,并通过此模型对未知信号特征量以及LSSVM预测的特征量进行状态监测,从而预测出发动机未来时刻的状态以及状态的退化趋势。实验结果表明,该方法的预测准确率达到92%以上,能够有效地预测航空发动机的状态情况。