多语言混合编程的民用飞机航材预测与配置平台

合理采购并在多个航站之间合理配置航材数量对于民用飞机的经济运行十分重要,而航材预测与配置研究形成的理论算法内容相对复杂。为推动这些算法程序能够有效投入工程应用,基于Java语言,并整合Matlab、Python语言编写的算法程序,开发多语言混合编程的民用飞机航材预测与配置平台。首先,介绍平台中集成的航材预测与配置的支持向量机算法和边际分析算法,并叙述混合编程的实现方式;然后,阐述平台设计的详细内容,并对混合编程的实现方式及不同程序语言间参数类型的转换方法进行说明;最后,运用实际工程数据对平台的功能进行使用测试。结果表明:平台的人机界面友好、操作简便,较好地实现了航材预测与航材配置功能,能够为相关理论算法通过平台技术满足工程需要提供借鉴和思路。

基于支持向量机航材预测模型

航材保障中存在着部分航材因为消耗数据样本小变化大难以进行有效航材消耗预测的问题。支持向量机对小样本数据有很好的适应能力。该模型常用于解决小样本非线性回归问题但参数优化影响着预测结果合理性。人工免疫算法具有较好的数据优化能力,采用人工免疫算法对基于支持向量机航材预测模型参数进行优化有效解决参数取值问题。通过实例证明采用人工免疫算法优化支持向量机模型参数能够为航材预测提供合理有效的预测值。

基于模糊变权组合预测模型的航材预测

由于航材预测的发展,每一种航材的预测模型有很多种。不同模型的预测模型体现了预测对象不同方向的发展趋势,合理地处理信息可以更加全面地预测航材需求趋势。模糊变权组合预测模型不同于传统组合预测模型,它采用权重系数为三角模糊数来组合不同预测模型结果,并以单项预测方法预测精确度指数最小为准则,集成处理得到较窄的取值范围来帮助航材预测决策。最后以实例验证方式检验该模型的有效性和准确性,具有一定的实用性。

基于改进生成对抗网络的国产民机航材消耗预测方法

为解决航材消耗预测影响因素较多、时间相关性复杂、实际消耗样本少等问题,鉴于现有方法难以捕捉小样本航材消耗数据在时间顺序上的逐步依赖关系,提出了基于改进生成对抗网络生成模型和循环神经网络预测模型的航材消耗预测方法。该方法将自回归学习有监督训练与对抗学习无监督训练相结合,进一步挖掘航材消耗数据的潜在静态分布和时态逐步依赖分布,从而生成更加接近真实数据的样本,达到扩充样本量、提高航材消耗预测精度的目的。以某型国产民机部件消耗数据为案例,利用降维可视化方法和预测分数评价模型的生成性能和预测精度。通过与其他方法对比,所提方法预测值的平均绝对误差减少了3%,验证了所提方法解决航材预测问题的有效性。

基于指数平滑法的航材消耗定额预测研究

由于一次、二次和三次指数平滑法对不同消耗规律的航材预测拟合度不同,本文同时采用这三种指数平滑法进行航材消耗定额预测,其平滑系数采用使误差平方和最小的值,最后选择三种方法中误差平方和最小的结果作为航材消耗定额。预测结果表明综合利用三种指数平滑法进行预测要比单一方法预测更加准确,该研究方法具有较高的实用性和推广性。

基于ARIMA和误差修正的航材消耗预测模型

为了给航材保障提供科学决策服务,结合现有预测算法和航材消耗规律,提出一种基于ARIMA和误差修正的航材消耗预测模型。对航材数据进行数据抽取和数据预处理,得到完整、高质量的数据样本;通过对数据样本进行平稳性检测、纯随机性检测确定使用模型ARIMA(p,d,q);通过模型定阶确定最优参数p,d,q,得到初步预测值,结合误差修正得到最终预测值;通过对比真实值、初步预测值、最终预测值,得出结果表明该文提出模型的预测结果误差最小。

基于RS-PSO-SVM的航材消耗预测模型

针对航材消耗预测影响因素多,结合航材消耗特点,研究粗糙集(Rough set,RS)与支持向量机(Support vector machine,SVM)相互融合的航材消耗预测问题。通过RS不完备信息系统的属性约简剔除航材消耗信息系统中冗余的定量因素,在属性重要性基础上将7个影响因素约简为3个影响因素,保留了该系统的核心知识。引入粒子群算法(Particle swarm optimization,PSO)优化SVM模型,寻优得到的参数组合,建立RS-PSO-SVM航材消耗预测模型。实例分析表明,RS-PSO-SVM模型的预测准确度较好,相比较于PSO-SVM、RS-BP(Back propagation)预测性能更佳。

基于灰色关联支持向量机的航材消耗预测

影响航材消耗的因素众多,但是各个影响因素对航材消耗的影响程度差异较大。对此运用灰色关联分析和支持向量机和结合的方法,先利用灰色关联分析对各个影响因素和航材消耗的关联度进行计算,筛选出主要的影响因素。然后,利用支持向量机对航材消耗进行预测。最后,通过对以往的数据分析得到的结果证实,这种方法预测的结果更加接近实际消耗。

考虑全过程优化的支持向量机航材消耗预测方法

针对航材消耗影响因素复杂,传统支持向量机预测精度较低的问题,提出了一种考虑全过程优化的支持向量机(SVM)航材消耗预测方法。采用LASSO算法实现主要影响因素选择,通过K-means聚类算法将样本分为相关性较强的子样本集,根据不同类别分别选择合适的核函数和优化参数建立SVM预测模型。结合航材消耗数据实例分析,最后通过均方根误差与传统支持向量机模型和神经网络模型比较,结果表明全过程优化的预测模型对提高航材保障效率有积极意义。

基于马尔科夫和蒙特卡洛的战时航材需求预测

针对战时航材需求数据匮乏,难以建立精确的预测模型的问题,将马尔科夫原理与蒙特卡洛原理相结合,给出了以MATLAB为平台实现战时航材需求预测的流程,并结合实例进行预测并分析误差,有助于上级科学制定航材供应量。

基于航材工程的推荐航材清单研究

飞机运营离不开航材保障,随着国内外飞机机队的急速膨胀和航空公司多种商业运营模式的产生,对航材的保障形式有了新的需求。本文从ARJ21新支线飞机主制造商的立场,结合航材工程的相关行业规范、理论以及实际工作进行推荐航材清单的研究,从而更好的开展航材预测工作,满足航空公司机队的运营需求。

基于偏最小二乘模型的无人机航材需求预测方法

针对无人机航材存在样本数据量少,影响因素多且复杂多变,以及库存需求预测精度不高等问题,对现有经典小样本下航材需求预测方法进行系统分析,并利用偏最小二乘回归方法在处理小样本数据、变量多重相关性等方面的独特优势,提出了基于偏最小二乘的无人机航材需求预测方法.选取无人机的飞行时间、飞行起落次数、操控人员熟练程度、异常环境温度、异常环境湿度、航材故障率、维修人员技术水平、维修资料等参数,对偏最小二乘法进行原理及模型建模步骤分析,构建了无人机航材需求预测模型,并进行航材影响因素研究.实验结果表明：该模型较其它常用预测模型的精度有所提高,预测结果的平均相对误差绝对值为4.87%,表明该方法可以应用于无人机航材需求预测,能够满足实际需要.

DEMAND-PULLED AIRCRAFT SPARE PART PROGNOSTICATION AND CONTROL STRATEGY

This paper presents a control strategy of demand pulled spare parts inventory. It establishes a spare part demand prognosticating model based on reliability analysis. Through parts reliability data the model gets the reliable life function of spare parts and determines parts demand time, depending on part life at given reliabilities. Moreover, a case study is taken to illuminate the demand prognostication and inventory control of on condition maintenance rotables.