基于GA+SVM的航空铅酸蓄电池健康评估

针对航空铅酸蓄电池健康状况评估本身所存在的小样本、非线性和复杂性等特点,结合支持向量机(support vector machine,SVM)和遗传算法(genetic algorithm,GA),提出了一种新的航空铅酸蓄电池健康评估模型。由于支持向量机的分类准确率很大程度上取决于参数的选取,因此利用遗传算法对SVM模型参数进行优化,以得到优化的支持向量机的评估模型。为了验证该模型的有效性,利用中国民用航空飞行学院航空铅酸蓄电池的实测数据进行了验证,实验结果表明该模型的分类精度高达96.25%,该评估模型是可行的,并且为航空铅酸蓄电池的健康评估提供了一种新思路。

基于PNN的航空铅酸蓄电池容量预测

针对航空铅酸蓄电池容量预测的复杂性和非线性等问题,提出了一种基于概率神经网络(PNN,probabilistic neural network)的航空铅酸蓄电池容量预测模型。阐述了PNN的基本理论,分析了影响航空铅酸蓄电池容量的因素,并合理地选取了PNN的输入量。在中国民航飞行学院各个分院采集样本数据并进行了验证,验证结果表明,基于PNN的航空铅酸蓄电池容量预测方法不但具有泛化能力好、学习速度快、预测精度高等优点,而且可以有效地减少由满容量放电造成的电池老化,延长航空铅酸蓄电池的使用寿命,具有良好的应用前景。

ELM在航空铅酸蓄电池容量检测中的应用

针对传统BP神经网络训练速度慢、参数选择难、易陷入局部极值等缺点,提出基于极限学习机(ELM)的航空铅酸蓄电池容量检测模型。极限学习机是一种新的单隐层前馈神经网络(SLFNs)学习算法,不但可以简化参数选择过程,而且可以提高网络的训练速度。在确定最优参数的基础上,建立ELM的航空铅酸蓄电池容量检测模型。实验结果表明:LM获得较高的分类准确率和较快的训练速度,从而验证ELM用于航空铅酸蓄电池容量检测模型的可行性和有效性。

基于灰色理论的航空铅酸蓄电池剩余容量预测

分析了蓄电池剩余容量预测技术的难点,针对蓄电池剩余容量存在随温度、电解液浓度等外部条件而产生周期性变化的特点,提出了新陈代谢GM(1,1)预测模型。通过将新信息GM(1,1)模型和新陈代谢GM(1,1)模型对比,分析误差,并通过计算机实际模拟证明,新陈代谢GM(1,1)预测模型能够明显地提高预测精度,增加预测可靠程度,从而实现蓄电池剩余容量的精确预测。

基于PSO优化SVM的航空铅酸蓄电池健康评估研究

航空铅酸蓄电池状况评估具有针对性,非线性和复杂性等特点。本文使用基于PSO优化支持向量机方法,探究一种新的航空铅酸蓄电池评估模型。因支持向量机的分类准确性在很大程度上依赖于参数选取,因此使用了一种基于粒子群优化算法的支持向量机参数选择方法。为了验证该模型的有效性,利用中国民用航空飞行学院航空铅酸蓄电池的实测数据进行了验证,实验结果表明该模型的分类精度高达95%以上。

浅析航空铅酸蓄电池的故障分析与排除

分析了航空铅酸蓄电池常见的故障,阐述了引起故障的原因、预防措施以及排除方法.认为要根据航空铅酸蓄电池的不同故障特点制定出与之相适应的修理方案,以及航空铅酸蓄电池在使用、存放保管和运输中不可忽视的注意事项.

航空铅酸蓄电池的初次充电

根据航空铅酸蓄电池初次充电的重要性,分析初次充电的操作程序,以及在初次充电中应注意的一些问题。

线阵CCD在航空铅酸蓄电池电解液比重测量中的应用

利用CCD对铅酸蓄电池电解液比重的测量 ,是将光在不同比重电解液中的折射率的不同 (即折射后光位置的变化 )经光电转换器转换为电信号 ,所以CCD在非接触测量中可以作为位置传感器。

航空铅酸蓄电池故障分析

介绍了航空铅酸蓄电池的几种常见故障,分析了其产生的原因,并提出了相应的排故或预防措施。从机务维护的角度提出了几点航空铅酸蓄电池的维护建议,对保证航空铅酸蓄电池正常工作具有重要意义。