基于BP与SA-GA的飞机发动机风扇叶片清洗参数优化

针对目前飞机发动机风扇叶片清洗存在工人劳动强度大等问题,提出采用超声波清洗代替人工清洗,进而对风扇叶片清洗参数进行优化。通过飞机发动机风扇叶片清洗效果影响因素分析建立BP神经网络模型;对模型进行训练和测试;采用模拟退火算法与改进遗传算法相结合的方式进行全局寻优。对比优化分析得到的清洗优化参数进行清洗实验,使用图像检测方式,提出一种飞机发动机风扇叶片清洁度计算算法。实验数据充分表明,采用混合算法优化后清洁度能够达到92%以上,有效提高了清洗效果,为飞机发动机风扇片叶的自动化清洗提供了指导。     

汽车发动机风扇叶片的逆向造型与分析

以汽车发动机风扇为研究对象,采用ATOS光学测量系统对风扇表面数字化得到其三角网格模型,利用三角网格数据预处理技术、过渡曲面特征提取方法、三维重构及实体造型原理对叶片进行逆向造型,并对重构的模型进行光顺性和精度校检。获得符合设计要求的叶片实体模型。     

基于模糊PID的飞机防滑刹车系统动态仿真

在飞机防滑优化控制问题的研究中,存在飞机防滑刹车系统响应速度慢、抗干扰能力差等问题。由于飞机着陆时发动机处在慢速工作状态,防滑系统处于复杂的非线性过程。为提高刹车效率,提出将遗传算法优化的模糊控制应用到飞机防滑刹车系统中。采用遗传算法对采用"串联二进制编码"的隶属函数参数进行联合优化,并将优化过的控制规则用于设计模糊控制器。将设计的控制器和刹车系统模型在Simulink环境下进行数字仿真。仿真结果表明,遗传算法的模糊PID控制,在飞机防滑刹车控制中,具有良好的控制效果和抗干扰能力,为防滑刹车系统控制设计提供了一条新的手段。     

基于最优控制的ANN驾驶员模型与仿真分析

在分析驾驶员行为特性和行为操纵的基础上 ,根据预测跟随理论 ,建立了驾驶员预测控制神经网络 (ANN)模型 ;提出了用最优控制方法确定ANN模型参数的计算方法 ,采用遗传算法 (GA)进行全局优化保证参数的收敛 .对飞机俯仰角操纵进行仿真计算 .结果表明 ,所建立的驾驶员模型考虑了系统的非线性因素 ,实现了多输入多输出功能 ,具有智能特点 .     

基于遗传算法优化小波神经网络的短期天然气负荷预测

天然气负荷预测对于燃气经营企业尤其重要,对保证天然气管网的用气量、优化管网的调度具有重要意义.传统的天然气预测模型预测精度低、模型泛化程度低.为了克服模型缺陷,提出了一种基于遗传算法优化小波神经网络的天然气负荷预测模型.通过遗传算法对小波神经网络的阈值以及网络连接权值等参数进行优化,从而建立预测效果最好的模型,通过企业提供的历史门站数据对预测模型进行验证.仿真结果表明,使用遗传算法优化网络参数的小波神经网络提高了模型的预测精度,具有一定的工程应用价值.     

基于FPGA及RBF神经网络的电磁无损检测技术

电磁无损检测技术是无损检测领域的一个研究重点,针对电磁无损检测技术中的超声波处理,提出了一种基于FPFA的参数优化的RBF神经网络;首先,通过FPGA编程实现对电磁超声波信号的采集,设计了放大电路将原始的电磁超声波进行放大处理已满足RBF神经网络的需求;提出一种采用K-means聚类算法来计算RBF中径向基函数的中心和宽度的参数优化RBF算法,K-means聚类算法的初始聚类中心难以确定会导致RBF算法的参数无法优化,提出KL散度,采用数据密度分析法来计算K-means算法的聚类中心;试验表明,改进后的K-means算法的聚类误差的数量级为10~(-12),传统K-means算法的聚类误差为10~(-13),改进后的K-means算法的聚类结果更准;参数优化后的RBF神经神级网络对具有1.02 mm缺陷长度的发动机涡轮叶片的缺陷长度预测结果为0.9~1.1 mm,传统的RBF神经网络的预测结果为0.7~1.2 mm,参数优化后的RBF神经网络的预测结果更准确。     

基于LS-SVM的航空润滑油金属含量分析

在航空润滑油光谱分析故障诊断中,对润滑油浓度的变化趋势进行预测是油液光谱分析故障诊断的重要内容之一.针对这一分析方法,介绍了最小二乘支持向量机并对航空发动机滑油系统铁元素浓度的变化趋势进行了预测;并采用遗传算法对最小二乘支持向量机的参数进行优化,通过与灰色模型的预测结果作比较,其结果表明,优化后的最小二乘支持向量机的预测精度高,具有很好的泛化能力和学习能力.     

膜盒超声波清洗工艺改进

介绍了超声波清洗的机理,通过对膜盒清洗工艺的改进,提高了膜盒零件的清洁度以及清洗效率,使得质量稳定可靠.     

航空发动机碳纤维复合材料风扇叶片叶尖间隙测量研究

动叶片的叶尖间隙参数直接决定航空发动机的工作效率和运行安全，随着发动机朝着质量更轻、运转效率更高的方向发展，碳纤维复合材料(CFRP)被广泛应用于大涵道比航空发动机风扇叶片的设计，然而材料导电性会影响间隙测量结果。提出了一种基于电容法的CFRP叶片叶尖间隙测量方法；利用显微观察和元素分析，获取了CFRP叶片导电性规律，建立了仅碳纤维层参与构成电容器极板的叶尖间隙测量模型；开展了金属叶片和CFRP叶片叶尖间隙测量的仿真和实验，结果表明，两种叶片在不同间隙值下的电容输出呈比例关系，CFRP叶片的叶尖间隙测量精度优于45μm;完成了某型大涵道比航空发动机的测量试验，验证了航空发动机CFRP风扇叶片叶尖间隙测量方法的可行性和可靠性。     

基于神经网络与遗传算法的传动部件设计优化

为了提高设计效率,得到最优设计效果。依据人工神经网络模型和遗传算法的基本原理,建立了基于神经网络和遗传算法的传动部件设计优化模型,用Matlab语言编制了应用程序,对神经网络的参数预测与遗传算法的优化过程进行求解,试验仿真结果表明,采用设计优化切实可行,具有良好的实际应用效果。     

基于大数据分析的风机叶片结冰故障诊断

为了实现风力发电机叶片结冰故障诊断,及时进行风机叶片除冰,消除隐患。提出了基于大数据分析的人工智能算法识别风机叶片结冰的方法。首先,用结冰机理研究和数据探索的方法对风机运行数据进行分析,初步提取了24个特征量;然后,采用遗传算法对24个特征量、滑动窗口宽度和支持向量机参数进行联合优化,并据此建立叶片结冰故障诊断模型。诊断结果表明,用该模型诊断叶片结冰故障的准确率为86.2%,比采用SCADA采集所有数据或初步提取的24个特征量作为模型输入的准确率有大幅度的提高;并且,将该模型用于另一个#2风机时,故障诊断准确率也达到了78.5%,证明了该方法的有效性,并具有较好的泛化能力,为识别风机叶片结冰故障提供了新思路。     

Prediction of service life of large centrifugal compressor remanufactured impeller based on clustering rough set and fuzzy Bandelet neural network

In order to predict the service life of large centrifugal compressor impeller correctly, the rough set and fuzzy Bandelet neural network are combined to construct the novel prediction model which can give full play to theirs advantages. The attribute reduction algorithm based rough set and clustering method is firstly designed to optimize the inputting variables of fuzzy Bandelet neural network. And then the prediction model based on fuzzy Bandelet neural network is proposed, the Bandelet function is used as the excitation function of hidden layer and is combined with fuzzy theory to improve the prediction effectiveness of the prediction model. The training algorithm of fuzzy Bandelet neural network is designed based on improved genetic algorithm, the improved genetic algorithm introduces the adaptive differential evolution method into the traditional genetic algorithm, which can effectively optimize the parameters of fuzzy Bandelet neural network. Finally, the original 30 input variables of fuzzy Bandelet neural network are reduced to 9 input nodes based on rough set using 500 remanufacturing impellers as research objects. The service life of remanufacturing impeller is predicted based on three prediction models, and simulation results show that the fuzzy Bandelet neural network optimized by improved genetic algorithm has highest prediction precision and efficiency, which can correctly predict the service life of remanufacturing impeller.     

基于PSR-LSSVM的网络流量预测

为了提高网络流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种遗传优化最小二乘支持向量机的网络流量预测方法。首先将相空间重构和最小二乘支持向量机参数作为遗传算法的个体,将模型预测精度作为个体适应度函数,然后通过遗传操作获得模型全局最优参数,最后通过网络流量仿真实验进行性能测试。结果表明,相对于传统预测方法,遗传优化最小二乘支持向量机提高了网络流量的预测精度,为网络流量预测提供了一种新的研究思路。     

遗传算法在混沌时间序列预测中的应用研究*

在混沌时间序列研究中,相空间重构和预测模型参数优化是影响预测性能的关键步骤,利用两者之间的相互联系来提高混沌时间序列预测模型的整体性能,提出一种基于遗传算法的混沌时间序列参数同步优化方法。同步优化方法将相空间重构和最小二乘支持向量机参数作为遗传算法的染色体,预测精度作为遗传算法的适应度函数值,通过遗传算法对参数同步优化问题进行求解。通过混沌时间数据对同步优化方法进行了验证性实验。实验结果表明,相对于单独参数优化方法,同步优化方法不仅提高了混沌时间序列的预测精度,同时降低了计算时间的复杂度。     

基于改进FOA算法的上市公司Z-Score模型财务预警

为了提高传统Z-Score财务预警模型的预警能力,本文将改进FOA算法的良好寻优能力和Z-Score财务预警模型相结合,提出了一种改进FOA算法的上市公司Z-Score财务预警模型.采用改进FOA算法来优化Z-Score模型的参数,降低预测值和目标值之间的均方根误差（RMSE）.经对选取上市公司财务数据的预测值和目标值对比,且检验其准确率.实验结果：传统的Z-Score模型、基本FOA算法优化Z-Score模型和改进FOA算法优化Z-Score模型的预测准确率分别为65%、70%和80%.实验表明改进的算法较大提升了Z-Score财务预警模型的预测能力,也表明了该算法的有效性.     

航段油耗深度学习高质量区间预测算法

为提高给定置信水平下航段油耗区间预测结果的可靠性和稳定性,提出航段油耗深度学习高质量区间预测算法.通过对初级数据源进行按航段分类、无量纲化等预处理,提高预测结果的可靠性和算法的普适性;通过自适应相关参数、柔和化处理优化损失函数,进一步提高算法的可靠性、稳定性和普适性.训练得到的预测区间覆盖率在设定的置信水平周围,多次训...     

基于XGBoost的民航飞机发动机性能参数预测模型

为提高民航飞机发动机性能参数的预测精度,本文提出一种基于模糊推理和XGBoost算法的发动机性能参数预测方法。对发动机进行总体性能分析,确定油门杆位置、气压高度、总温、全重、马赫数及飞行阶段为影响发动机性能参数的主要因素。其次采用模糊推理对快速存取记录器（QAR）数据进行纵向飞行阶段划分,消除人为划分训练数据对预测精度的主观影响。最后,建立各发动机性能参数的XGBoost预测模型,并与多种预测模型进行对比实验。实验结果表明：对发动机N1、燃油流量参数的预测,XGBoost预测模型相比支持向量回归（SVM）、线性回归模型和BP神经网络,其精度更高且不需要对训练数据进行缩放。     

基于组合模型的网络流量预测

网络流量预测是网络管理的基础,网络流量受到多种因素影响,具有周期性、时变性和非线性,传统单一线性模型ARIMA或非线性模型SVM均难以准确描述网络流量复杂变化规律,为此,提出一种网络流量组合预测模型（ARIMA-LSSVM）。采用ARIMA对网络流量进行预测,捕捉其周期性变化趋势,采用LSSVM对网络流量非线性变化趋势进行预测,同时采用遗传算法对LSSVM参数进行优化,采用LSSVM两种预测结果进行融合,得到网络流量的最终预测结果。仿真实验结果表明,相对于单一网络流量预测模型,ARIMA-LSSVM提高网络流量预测精度,更能全面刻画网络流量变化趋势。