基于多点协调加载试验的机翼飞行载荷模型研究

研究了基于多点协调加载试验的机翼飞行载荷测量技术。在某型飞机机翼载荷校准试验中,使用了自动液压加载系统,并研制出新的飞机约束装置,从而实现了多点协调加载试验,其中试验数据由机载测试系统进行采集。提出了建立机翼载荷模型的方法,最后通过地面检验试验和飞行试验验证了机翼载荷模型的合理可靠性。结果表明:该方法能够建立更高精度的机翼载荷模型。     

有起落架布置的双三角翼载荷测试技术研究

针对起落架布置在机翼上从而很难实现对机翼根部切面载荷测试的问题,结合某型飞机全机载荷测试项目,分析研究了该型机翼的结构特点,并设计机翼根部弯矩、剪力、扭矩测试应变电桥。考虑到外场无承力结构可作为约束载荷点的试验条件,提出全机自平衡多点协调加载标定模型,得到了较准确的载荷标定数据。同时对标定试验数据进行多元回归分析,建立了载荷标定方程,并通过校验工况对载荷标定方程进行了误差分析,大载荷下的误差均不超过5%,可满足一般的工程要求。最后经飞行实测验证,得到了该类机翼根部切面准确的载荷-时间历程。该技术可以运用到有起落架布置的机翼载荷外场测试上,对起落架以内的切面载荷测试可作为通用方法使用。     

基于遗传算法的人工神经网络在航空发动机磨损预测中的应用

提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络,实现网络结构的优化,并用优化后的BP人工神经网络建立了航空发动机的磨损预测模型。将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较。检验结果表明：基于遗传算法的BP神经网络优于BP算法及多元线性回归法,具有良好的预测效果。     

直机翼静气动弹性特性研究

现代亚音速飞机的柔性较大,其静气动弹性对载荷分布有重要影响。为此,基于全机地面共振试验结果建立机翼的结构有限元模型,利用颤振风洞试验测量的弹性变形对基于偶极子格网法的定常气动力进行下洗修正,建立了直机翼的静气动弹性模型,分析了静气动弹性对直机翼飞行载荷分布的影响。结果表明:静气动弹性使直机翼存在"弹性加载"效应。直机翼结构设计时,应考虑静气动弹性引起的飞行载荷分布问题。     

应变电桥选择方法在飞行载荷测量中的应用

随着飞机结构的日益复杂,应变电桥选择在飞行载荷应变电桥测量方法中亦越来越重要,直接关系着载荷测量的精度。本文基于MT应变电桥选择方法,给出MT公式中各参数的详细表达式以及具体的物理或数学意义,并对所得载荷方程进行F检验,最后将之应用于某具有较复杂机翼的根部载荷测量。结果表明:该方法可以获得具有可接受精度的弯矩和扭矩载荷方程,由于缺乏足够的剪力应变电桥,剪力载荷方程的误差较大;三者应变电桥之间有耦合的效应。     

采用BP神经网络预测碳纤维增强树脂基复合材料的钻削力

采用双锋角钻头对碳纤维复合材料进行钻削试验,基于反向传播算法的人工神经网络建立钻削轴向力与主轴转速、进给速度之间的非线性关系模型,对比分析三种不同第二主切削刃与第一主切削刃之比的双锋角钻头在试验加工参数下钻削轴向力变化规律。结果表明:与多元线性回归预测模型对比,在相同试验数据为基础的预测计算下,BP神经网络预测值相对误差明显减小,网络预测值误差均在3%之内,而多元线性回归模型最大误差值达到了12.46%,BP神经网络能建立更精准轴向力预测模型。从降低钻削轴向力的角度分析,应采用第二主切削刃与第一主切削刃之比为1的双锋角钻头进行钻削加工。     

基于BP神经网络和多元线性回归的航发叶片铣削力预测研究

针对航空发动机叶片加工过程中铣削力的变化预测和控制问题,通过研究铣削加工工艺系统的主要工艺参数,利用正交试验法确定了若干组工艺参数方案,建立了AdvantEdge FEM叶片二维铣削模型完成了叶片铣削仿真试验;提取了仿真试验的铣削力,通过方差分析确定了不同工艺参数对铣削力变化影响能力的强弱;利用影响能力强的参数设计了对比试验,建立了BP神经网络铣削力预测模型和多元线性回归铣削力预测模型,比较分析了两种预测模型对铣削力的预测能力。研究结果表明:铣削深度对铣削力变化的影响最大,其余影响较小;BP神经网络预测的准确度和稳定性整体上优于多元线性回归。     

数控机床热误差补偿建模方法

通过ＮＣ系统用软件方法补偿热误差是抵消热变形的有效方法,多输入多输出模型可以用于建立机床热行为数学模型。文章介绍了神经网络和多元线性回归方法,可用来建立大型数控铣床的热变形数学模型。试验和计算表明,这两种多变量模型能够预报大部分的热变形误差。     

用BP神经网络预测热镀锌钢板的拉伸强度

运用BP神经网络,建立了热镀锌各工艺参数对热镀锌钢板力学性能影响的数学模型,并与线性回归模型进行了比较.结果表明:BP神经网络预测均方根偏差明显比线性回归预测均方根偏差小,表明该BP神经网络模型用于热镀锌板力学性能预测是可行的,并具有一定的实用性.     

基于神经网络和模型迁移学习的不相关多源频域载荷识别

针对使用模型初始权重随机设定的神经网络模型进行不相关多源频域载荷识别时训练效率低、精度低的问题,提出一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法.首先,利用某频率点的历史数据对不相关多源载荷识别的多输入多输出神经网络模型进行训练;其次,将该频率下的神经网络的模型参数迁移到相邻的目标频域的神经网络中作为网络权值的初值;再次,利用目标频率的历史数据对神经网络进行微调训练,从而得到目标频率的不相关多源频域载荷识别模型;最后,将该频率的训练好的神经网络的模型参数迁移到下一个相邻频率的模型,循环该过程直到建立所有频率点的神经网络模型.在圆柱壳声振实验数据集上的载荷识别结果表明,该方法具有较好的网络权值初值、能有效减少训练时间,比不使用迁移学习的神经网络方法、基于传递函数和最小二乘广义逆的方法、基于多元一次线性回归的方法具有更高的识别精度.     

Prediction of Wing Aerodynamic Performance in Rain Using Neural Net

A new method for prediction of wing aerodynamic performance in rain condition was presented.Three-and four-layer artificial neural networks based on improved algorithm for error Back Propagation(BP)network were respectively built.Detailed approaches to determine the optical parameters for network model were introduced and the specific steps for applying BP network model to predict wing aerodynamic performance in rain were given.On this basis,the established optimal three-and four-layer BP network model was used for this prediction.Results indicate that both of the network models are appropriate for predicting wing aerodynamic performance in rain.The sum of square error level produced by two models is less than 0.2%,and the prediction accuracy by four-layer network model is higher than that of three-layer network.     

Prediction of the machined surface quality of ball-end milling of H13 die steel using MLBP method

Abstract

Based on the characteristics of the surface quality prediction system of high-speed milling, the prediction model is used to predict the surface quality of analyzing the advantages of the two methods of using the multilinear and BP neural network model (MLBP) method. This article through the in-depth study of the surface quality, study the surface quality prediction based on the characteristics of multiinput multioutput nonlinear systems, respectively, established a linear regression equation, BP neural network model, and the surface quality of specific conditions to start prediction. The prediction results show that these prediction methods can play a special role as certain conditions. However, owing to the limitations of multiple linear regression and BP neural networks, their generalization ability and robustness cannot meet actual needs. Drawing on the idea of interpolation, and analyzing the advantages and disadvantages of linear regression and BP neural network to solve nonlinear problems, a new prediction method is developed. The main idea are to use interpolation method to insert preprediction under the premise of linear prediction; to process the values and obtain a unified prediction result from linear regression; to combine the experimental results from the pretreatment results; to use these input information as the input content of the BP neural network; to establish a training model based on the BP neural network model self-learning process. This training model predicts the quality of the machined surface. This method is abbreviated as the MLBP method. The experimental results and comparison of model prediction results show that this method can effectively improve the generalization ability and robustness of the prediction model, and further improve the model’s prediction accuracy.     

BP-GA算法对斗轮堆取料机回转平台的结构优化

提出了一种基于BP神经网络和遗传算法(GA)的多工况离散变量结构优化设计方法,并对某斗轮堆取料机回转平台进行优化设计。该方法将多工况问题处理为多约束问题,利用正交试验法选择神经网络训练样本点,通过参数化有限元模型计算出各工况下的样本数据,建立起基于BP神经网络的回转平台数学模型,为遗传算法提供适应度函数,最后运用遗传算法完成寻优计算。结果表明,回转平台自重减轻13.8%,取得了满意的优化效果。     

基于模糊神经网络的故障预测方法研究

在对模糊神经网络技术进行研究的基础上,介绍了故障预测原理,建立了预测分析的模糊神经网络模型,提出了改进的预测算法,并举例对算法进行了仿真验证。预测结果表明该方法能够取得比传统的BP更好的效果,是可行而有效的。为仪器设备的尽快维修提供了可靠的依据,具有良好的应用前景。     

基于粒子群优化案例推理的RH终点温度预测

针对RH流程终点钢温预报问题,提出了一种基于多元线性回归和粒子群优化算法改良的案例推理方法。首先,对待一般案例推理方法中缺乏影响因素的问题,利用多元线性回归的方法进行属性约简;其次,面对案例检索中相似度计算缺乏权重计算方法的问题,采用粒子群优化算法对权值进行优化;最后,基于简化的影响因素和优化权重,采用改进的灰色关联相似性的案例检索来预测RH终点的钢水温度。利用某钢铁厂RH工艺的实际生产数据,分别对多元线性回归、BP神经网络、一般案例推理方法和粒子群优化案例推理方法进行测试,从结果可以看出,文中所使用的基于粒子群优化过的案例推理方法的预报精度,相较于多元线性回归,BP神经网络以及一般案例推理更加准确。     

基于MEA-Elman神经网络的电力日负荷预测

Elman神经网络是一种动态反馈网络,对历史状态敏感,具有短期记忆功能和处理动态信息的能力,可以建立动态、非线性电力负荷预测模型。由于Elman神经网络采用BP算法,容易陷入局部极小解,迭代次数多且学习效率低,该文利用思维进化算法(MEA)优化Elman神经网络的方法,提出基于MEA-Elman神经网络的电力负荷预测模型。实验表明,该方法能够避免不成熟收敛问题,减少迭代次数,有效提高了配电网短期负荷的预测精度,对电力系统合理调度与规划具有重要意义。     

一种新型弹翼加载试验方法研究

弹体在飞行过程中弹翼受载情况复杂,主要受弹体姿态、气流方向、飞行高度、飞行速度诸多因素影响,弹翼展开机构在研制过程中必须进行综合模拟联合展开试验.以往加载方式为加最大恒力,这种加载方法既增加试验的难度,又增大了实际飞行状态下弹翼展开到位对弹体的冲击.为此研制了一种新型弹翼加载方法,更好地模拟弹翼展开的真实载荷,经试验验证该试验方法能够完成弹翼各量级载荷加载,且加载安全、方便,能够有效缩短试验时间.     

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。