两级复合载荷下铝合金疲劳寿命预估

高低周或低高周复合载荷作用下的疲劳破坏广泛存在于飞机发动机等结构中。基于多机制损伤耦合模型,分别建立了高低周、低高周两级加载下金属疲劳寿命预估模型。通过LY12CZ铝合金两级加载疲劳试验对提出的低高周复合疲劳寿命预估模型进行了验证,并将其与Miner线性模型进行了对比。结果表明:提出的低高周复合疲劳寿命预估模型预测结果更为准确。     

多处损伤含孔结构随机裂纹扩展寿命预测

首先基于LY12CZ铝合金平板的中心裂纹扩展速率试验,考虑裂纹扩展速率的随机性,采用三参数对数正态分布表征Paris公式参数的分布特性,建立了LY12CZ随机裂纹扩展分析方法。利用Monte-Carlo法模拟裂纹扩展的随机性,进一步建立了多处损伤(multiple site damage, MSD)含孔结构随机裂纹扩展寿命预测模型,并将模型程序化。通过算例验证分析,该模型能够较准确预测多处损伤含孔结构裂纹扩展寿命,得到结构的失效概率,为含孔结构的MSD评估提供有效的工程分析方法。     

腐蚀疲劳裂纹扩展的马尔可夫链模型及实验验证

在腐蚀环境下对LY12CZ铝合金试验件进行疲劳裂纹扩展实验,通过高倍显微镜观测并记录裂纹长度及相应的循环数。基于腐蚀条件下疲劳裂纹扩展数据的分散性及统计特性,提出用马尔可夫链模型模拟腐蚀疲劳裂纹的扩展,建立腐蚀疲劳裂纹扩展规律的概率模型,得到给定疲劳寿命时的裂纹超出数概率分布和给定裂纹长度时的疲劳寿命累积概率分布。将模拟结果与实验结果进行比较表明:马尔可夫链模型能够相当好地描述腐蚀疲劳裂纹扩展规律,为飞机结构的寿命预测提供参考。     

多处损伤LY12 CZ铝合金加筋板疲劳裂纹扩展研究

进行了多处损伤LY12CZ铝合金加筋板的疲劳裂纹扩展的分析与试验研究.给出了典型的随机载荷谱下铝合金加筋板多裂纹扩展的预计方法.用组合法和类比法计算多处损伤LY12CZ铝合金加筋板的应力强度因子.考虑每个载荷循环裂纹之间的相互作用影响,以Walker裂纹扩展公式和Willenborg-Chang裂纹扩展公式为基础,用循环续循环进行裂纹累积,用虚拟施加剩余强度载荷和裂尖韧带塑性区连通判据确定临界裂纹尺寸.进行了恒幅谱载荷及程序块谱载荷下加筋板多裂纹的扩展试验研究.对比了铝合金多裂纹扩展的分析预计结果和试验结果,对比结果表明,预测的寿命与试验结果吻合较好.     

基于等压差充电时间的锂离子电池寿命预测

针对锂离子电池寿命在线预测时直接测量困难及容量再生的现象,提出一种基于等压差充电时间和改进高斯过程回归模型的电池寿命预测方法.建立了具备不确定性表达能力的高斯过程回归模型,并采用组合核函数与粒子群算法进行了模型优化.在恒流充电过程中提取等压差充电时间参数,将其作为健康因子建立了广义线性回归模型,通过预测等压差充电时间进行电池容量估计与寿命预测,根据电池充放电循环数据进行实验验证.结果表明:基于等压差充电时间的高斯过程回归模型预测方法可以预测容量非线性退化轨迹,具备较高的锂离子电池寿命预测精度及在线预测能力.     

基于Hermite组合核EMD-WT-LSSVM的非平稳非高斯风压预测

运用经验模态分解(EMD)将某大跨度膜结构测点非平稳风压分解为一系列相对平稳的固有模态函数和一个剩余分量.为消除实测风压中噪声对固有模态函数的影响,使用小波变换对每个固有模态函数进行去噪,将去噪后的固有模态函数及剩余分量作为样本输入.分别将径向基核函数、Hermite核函数及Hermite组合核与最小二乘支持向量机结合(LSSVM),运用粒子群算法(PSO)对3种算法的正则化参数及核参数进行智能寻优,建立基于径向基核函数、Hermite核函数及Hermite组合核的PSO-LSSVM风压预测算法,并基于超高层建筑实测风压验证了组合模型的鲁棒性.单点预测结果表明,基于Hermite组合核的PSO-LSSVM的预测算法较其余两种算法具有更高预测精度及泛化能力;空间点预测结果进一步证明了该方法对于非平稳非高斯风压预测的有效性.     

采用改进回归型支持向量机的滚动轴承剩余寿命预测方法

为准确评估滚动轴承运行状态、预测其性能退化趋势以及剩余寿命,提出一种改进回归型支持向量机(SVR)的滚动轴承寿命预测方法。提取轴承信号的时域和时频域特征,通过主成分分析(PCA)方法将特征指标融合成一个归一化综合指标来表征轴承运行状态;利用特征指标和综合指标构建训练和预测向量数据集,结合差分进化灰狼群算法(DEGWO)确定最优惩罚参数和径向基函数(RBF)核参数并构建回归型支持向量机模型;将预测数据集输入到DEGWO算法优化的SVR模型中得到轴承状态评估指标的预测值,实现轴承剩余寿命的预测。利用IEEE PHM 2012数据集验证所提方法的有效性,并将其结果与灰狼群算法(GWO)优化的SVR、网格搜索算法(GSA)优化的SVR和长短期记忆神经网络(LSTM)模型所得结果进行对比分析。仿真结果表明：与其他方法相比,采用所提方法得到的轴承剩余寿命预测均方误差分别降低了44.74%、66.67%、77.27%,决定系数则分别提高了7.25%、20.72%、11.94%,该结果说明了所提方法在轴承剩余寿命预测应用方面的优越性。     

腐蚀环境对直升机材料的力学性能影响分析

本文通过试验,完成了腐蚀条件下,铝合金LY12CZ疲劳性能规律;建立了该材料的动态S-N曲线,为建立直升机动部件寿命监控的算法体系奠定了基础。     

多处损伤LY12CZ铝合金加筋板的疲劳裂纹扩展研究

进行了多处损伤LY12CZ铝合金加筋板的疲劳裂纹扩展的分析与试验研究。给出了典型的随机载荷谱下铝合金加筋板多裂纹扩展的预计方法。用组合法和类比法计算多处损伤LY12CZ铝合金加筋板的应力强度因子。考虑每个载荷循环裂纹之间的相互作用影响,以Walker裂纹扩展公式和Willenborg-Chang裂纹扩展公式为基础,用循环续循环进行裂纹累积,用虚拟施加剩余强度载荷和裂尖韧带塑性区连通判据确定临界裂纹尺寸。进行了恒幅谱载荷及程序块谱载荷下加筋板多裂纹的扩展试验研究。对比了铝合金多裂纹扩展的分析预计结果和试验结果,对比结果表明,预测的寿命与试验结果吻合较好。     

基于结构初始不连续状态的结构全寿命评定方法

建立在材料初始不连续状态(IDS)的概念基础上,利用AFGROW软件分析了新LY12CZ试件的疲劳寿命试验数据,得到了LY12CZ材料的IDS值及其分布模型,选取四种分布对IDS尺寸值进行统计特征研究,结果表明IDS值较符合三参Weibull分布。利用IDS对结构进行全寿命评估,算例与试验结果吻合良好。     

基于遗传算法优化的支持向量回归的室内定位算法

基于zigbee接收信号强度指标的室内定位由于成本低,硬件功耗低,易于实现而受到越来越多的关注。为了提高zigbee技术的室内定位精度,减少环境因素的不利影响,本文提出了一种遗传算法优化支持向量回归的室内定位方法。该算法分为离线采集和在线预测两个阶段,离线采集进行指纹数据库的建立,在线预测则根据训练模型进行位置预测。首先所有的采集数据通过卡尔曼滤波进行处理,然后通过遗传算法优化支持向量回归(GA-SVR)的惩罚参数 、RBF核宽度 和损失函数变量 ,从而使支持向量回归达到最好的位置预测性能。在实际场景中的实验结果表明,与PSO-SVR, GS-SVR, SVR和WKNN算法相比,该算法具有较好的定位性能。     

基于ELM-SVR模型的装备关键部件寿命预测

摘 要 装备关键部件数量众多,其性能决定了武器系统的健康寿命。为解决单一模型预测精度不高的问题,提出了基于ELM-SVR模型的剩余寿命预测方法。使用ELM模型的隐层神经元激活函数将特征映射到高维空间,提高特征辨识度,对高维特征采用核函数SVR模型拟合,以软间隔函数代替均方误差函数为优化函数,有效提升了剩余寿命预测精度。依据多个装备关键部件的综合性能指标对其进行剩余寿命预测,实验结果表明：与ELM、SVR、KELM模型相比,平均预测精度分别提高了57.14%,44.44%,11.76%,可见ELM-SVR模型具有一定的泛化能力与鲁棒性,可显著提高剩余使用寿命预测精度。     

基于人工蜂群优化支持向量机回归的隧道塌方风险预测

为预测隧道塌方风险等级,减少隧道塌方引起的灾害事故,建立基于人工蜂群(artificial bee colony, ABC)优化支持向量机回归(support vector machine regression, SVR)隧道塌方风险预测模型。首先,从工程地质、水文气象、设计因素、施工因素4个方面综合考虑,遴选13个主要影响因素,建立隧道塌方风险指标体系;其次,引入人工蜂群算法优化SVR的核参数C和惩罚参数g,解决传统SVR稳定性低的缺陷,提高模型的精确度,为验证模型性能采用相关系数(R²)、均方误差(mean squared error, MSE)、均方根误差(root mean squared error, RMSE)评价参数对比分析;最后,以新疆北部某供水工程为研究对象,对隧道塌方风险测试样本进行预测,分别将ABC-SVR、PSO-SVR、GA-SVR及SVR模型对比分析。研究结果表明：ABC-SVR预测结果为100%,PSO-SVR预测结果为83.3%,GA-SVR和SVR均为66.67%,ABC-SVR的预测结果与实际工程结果一致性更高,可为隧道塌方风险...     

基于支持向量机的啤酒企业能源消耗预测模型

为提高啤酒企业包装车间生产耗电的预测精度, 提出了一种基于支持向量机和粒子群优化算法的预测模型构建方法。该方法将radial basis function函数作为支持向量机的核函数构建预测模型, 使用K-fold交叉验证方法, 利用粒子群算法(PSO: Particle Swarm Optimization)对惩罚参数c和g值寻优。以28天的生产耗水和生产耗电数据作为训练集, 以10天的生产耗水数据作为预测集, 分别构建基于radial basis function函数与polynomial函数的生产耗电支持向量机预测模型对生产耗电数据进行预测。实验结果表明, 以radial basis function函数作为核函数与以polynomial函数作为核函数相比, 该支持向量机预测模型对生产耗电的预测精度提高了51.495%,该方法具有一定的实用性。     

面向定制化需求的冷轧产品多目标质量控制方法

To deal with the increasing demand for low-volume customization of the mechanical properties of cold-rolled products, a two-way control method based on mechanical property prediction and process parameter optimization (PPO) has become an effective solution. Aiming at the multi-objective quality control problem of a company’s cold-rolled products, based on industrial production data, we proposed a process parameter design and optimization method that combined multi-objective quality prediction and PPO. This method used the multi-output support vector regression (MSVR) method to simultaneously predict multiple quality indices. The MSVR prediction model was used as the effect verification model of the PPO results. It performed multi-process parameter collaborative design and realized the optimization of production process parameters for customized multi-objective quality requirements. The experimental results showed that, compared with the traditional single-objective quality prediction model based on support vector regression (SVR), the multi-objective prediction model could better take into account the coupling effect between process parameters and quality index, the MSVR model prediction accuracy was higher than that of the SVR, and the optimized process parameters were more capable and reflected the influence of metallurgical mechanism on the quality index, which were more in line with actual production process requirements.     

Multi-objective quality control method for cold-rolled products oriented to customized requirements

To deal with the increasing demand for low-volume customization of the mechanical properties of cold-rolled products, a two-way control method based on mechanical property prediction and process parameter optimization(PPO) has become an effective solution. Aiming at the multi-objective quality control problem of a company's cold-rolled products, based on industrial production data, we proposed a process parameter design and optimization method that combined multi-objective quality prediction and PPO. This method used the multi-output support vector regression(MSVR) method to simultaneously predict multiple quality indices. The MSVR prediction model was used as the effect verification model of the PPO results. It performed multi-process parameter collaborative design and realized the optimization of production process parameters for customized multi-objective quality requirements. The experimental results showed that, compared with the traditional single-objective quality prediction model based on support vector regression(SVR), the multi-objective prediction model could better take into account the coupling effect between process parameters and quality index, the MSVR model prediction accuracy was higher than that of the SVR, and the optimized process parameters were more capable and reflected the influence of metallurgical mechanism on the quality index,which were more in line with actual production process requirements.     

基于心率变异性特征和PCA-SVR的PAD维度情感预测分析

对于PAD （pleasure：愉悦度；arousal：唤醒度；dominance：优势度）维度情感预测和分析中的数值预测问题，结合心率变异性（heart rate variability，HRV）特点，提出了基于主成分分析（principal component analysis，PCA）和支持向量回归（support vector regression，SVR）的PAD维度情感预测模型（PCA-SVR）。通过柔性离子传感器以音乐和视频的诱导方式采集了12名志愿者在放松和焦虑两种情感状态下的心率和心率间期数据，利用PAD量表进行标注，通过均值和方差计算等统计方法、Welch功率谱、Poincaré散点图等分别提取HRV的时域、频域和非线性特征，然后利用PCA模型对HRV特征降维，最后利用降维后的HRV特征作为SVR模型的输入特征进行训练和预测。实验结果表明，结合HRV特征的PCA-SVR模型在PAD的3个维度上均有良好的预测效果，其平均一致性相关系数达到了0.51。同时对比了SVR、极限学习机（extreme learning machine，ELM）和基于PCA的ELM这3种预测方法，结果显示所提方法相对于以上3种方法在一致性相关系数上分别提升了0.14、0.10和0.04，表明该方法能够细致地划分情感，结合可穿戴设备，在情感识别和分析方面有一定补充作用，为在日常生活中针对情感的识别和预测带来了可能。     

基于门控循环单元-支持向量回归组合模型的湖泊水位预测方法探索

为改善传统循环神经网络预测梯度消失的问题,并探讨组合模型在水位预测中的应用,提出了一种基于门控循环单元(Gated Recurrent Unit,GRU)和支持向量回归(Support Vector Regression,SVR)的组合预测模型,对猎德涌流域源头西湖水位进行预测。对GRU-SVR(多项式核、RBF核、Sigmoid核)模型进行了比选。组合模型通过GRU提取雨量与水位间时空特征,SVR增强整体的非线性预测能力。结果表明,与CNN-GRU及SVR相比,GRU-SVR(多项式核)模型在湖泊的降雨时期拥有较好的预测精度。     

基于小样本的GDI涡轮增压发动机性能预测方法比较分析

为了降低建立发动机性能预测模型消耗的实验成本，利用具有强大的非线性问题分析能力的机器学习算法：广义回归神经网络（general regression neural network，GRNN）和支持向量回归（support vector regression，SVR），预测GDI （gasoline direct injection）涡轮增压发动机性能。首先采用田口正交实验法和拉丁超立方算法确定训练数据和测试数据的操作点，然后基于仅包含25个样本的相同训练数据训练模型，使用100组相同的测试数据测试GRNN和SVR的预测性能并进行了对比研究。对比分析表明，在实验数据有限的情况下，GRNN有收敛到局部最小值的风险，而SVR可以找到最优的全局解，并具有良好的预测精度和泛化能力，因此SVR非常适合应用于GDI涡轮增压发动机性能预测，并将显著降低实验成本。     

基于相关向量机的发动机剩余寿命预测

针对民航发动机寿命预测中监测参数较多筛选困难的问题,提出一种基于信息融合与相关向量机的发动机剩余寿命预测方法。首先通过核主元分析方法从发动机多维监测数据中提取退化特征信息;然后利用非线性模型将主元序列融合成反映发动机退化趋势的健康指数序列;最后采用相关向量机以历史失效数据为训练样本建立预测模型,对现有的发动机健康指数序列进行外推预测得到当前样本的寿命预测值。通过NASA Ames研究中心公开的涡轮风扇发动机仿真数据验证了该方法的有效性,其预测性能优于常用的支持向量机模型和过程神经网络模型。