基于有限元和RBF神经网络的液压支架前连杆疲劳寿命预测

针对工程应用中液压支架前连杆疲劳寿命预测的需求,提出了一种基于RBF神经网络的疲劳寿命预测方法,选取5个关键设计参数为输入量,以前连杆疲劳寿命为目标函数建立了疲劳寿命预估模型。首先,运用有限元分析获得前连杆的疲劳寿命,再通过优化拉丁采样的方法获得训练样本点,并以此建立前连杆疲劳寿命的RBF神经网络预估模型,通过优化RBF神经网络的目标值和扩散值提高模型的预估精度。结果表明:优化后的前连杆疲劳寿命预估模型计算结果与测试样本点拟合精度较高,平均相对误差为6.72%,满足工程目标,适当增加训练样本点的数量有利于进一步提高疲劳寿命的预估精度。

Estimating Military Aircraft Cost Using Least Squares Support Vector Machines

A multi-layer adaptive optimizing parameters algorithm is developed forimproving least squares support vector machines (LS-SVM) , and a military aircraft life-cycle-cost(LCC) intelligent estimation model is proposed based on the improved LS-SVM. The intelligent costestimation process is divided into three steps in the model. In the first step, a cost-drive-factorneeds to be selected, which is significant for cost estimation. In the second step, militaryaircraft training samples within costs and cost-drive-factor set are obtained by the LS-SVM. Thenthe model can be used for new type aircraft cost estimation. Chinese military aircraft costs areestimated in the paper. The results show that the estimated costs by the new model are closer to thetrue costs than that of the traditionally used methods.

基于Mogrifier LSTM-SVR的超级电容寿命预测

超级电容是储能系统中常用的储能元件,为了解决在对其使用寿命预测时,影响因子考虑不全面,预测精度不高的问题,提出基于支持向量机回归算法与改进的长短期记忆网络算法(Mogrifier LSTM-SVR)相结合的超级电容的使用寿命预测模型。通过引入温度、电压和电流三种超级电容寿命影响因子,建立更贴近实际的超级电容寿命模型,选取剩余容量作为特征参数。构建Mogrifier LSTM网络,在传统的LSTM中增加Mogrifier门机制,并利用支持向量机回归(SVR)对Mogrifier LSTM网络预测误差回归预测,修正误差。通过仿真实验和模型的预测结果对比分析表明,Mogrifier LSTM-SVR对超级电容寿命预测的准确性更高,误差波动量级更小。

基于改进BP神经网络的液压支架前连杆疲劳寿命预测

为了解决液压支架前连杆疲劳寿命难以直接估算且预测成本较高的问题,采用鲸鱼优化算法(WOA)优化BP神经网络模型进行液压支架前连杆疲劳寿命估算,建立液压支架前连杆5个主要参数与疲劳寿命的非线性映射关系。首先在ANSYS的Fatigue模块中输入液压支架前连杠的5个主要参数,获取30组疲劳寿命仿真结果。然后从30组数据中随机选取25组数据作为优化后BP神经网络的训练集,剩余5组数据作为测试集。预测结果表明,WOA-BP神经网络模型预测精度较高,最大相对误差仅5.19%。

使用优化支持向量机的制导弹药贮存寿命预测方法

经典的可靠性评估方法建立在“大样本”前提下,利用可靠性试验所获得的大量试验数据,选择恰当的寿命分布类型进行拟合,并通过可靠性模型进行评估,而制导弹药的“少批量、高价值”特点使得检测数据呈现“小子样”的特点。因此,针对制导弹药试验数据较少的问题,以实现试验数据量的有效扩充为目的,为解决制导弹药小子样评估提供一种有效方法。该方法利用遗传算法优化的前馈(back propagation, BP)神经网络、支持向量机(support vector machine, SVM)和粒子群优化的BP网络、SVM对贮存数据进行训练并搭建不同的神经网络结构,以实现不同贮存条件下弹药贮存失效数据扩充;再通过拟合的弹药贮存可靠性寿命模型对扩充后的数据加以验证。结果表明:不同预测方法均能实现在一定误差范围内贮存失效数的预测,同时根据模型拟合结果可得到GA-SVM法和PSO-SVM法更适合制导弹药贮存失效数的预测。

锂离子电池寿命预测研究现状

锂电池具有能量密度高、额定电压高、自放电率低的特点,使用不当会引起自燃、爆炸等事故。随着大容量锂电池在新能源汽车中的广泛应用,实时监测锂电池状态,确保锂电池安全稳定运行已成为近年来的研究热点。锂电池的健康状态(SOH)描述了其存储电量的能力。通过对锂电池状态的准确预测,可以及时调整锂电池的工作电压、充放电电流、散热效率等,以此提升锂电池使用效率。本文综述并对比了目前锂电池RUL预测的主要方法,对基于数据驱动以及基于性能的方法(支持向量机、电化学模型、多模型融合等)进行归纳总结,并介绍各种预测方法的优缺点。最后,针对目前锂电池RUL估计方法存在的问题,提出了未来的研究方向和重点领域。此项工作对未来锂电池寿命的研究可以提供一定参考。

基于SSA-SVM的刀具寿命预测

数控机床(CNC)自动刀库中刀具的管理工作以及机床运行参数制定,都与刀具的使用寿命息息相关,而刀具寿命预测值与其影响因素呈现出一种高维度的复杂非线性关系。针对这一问题,提出将刀具寿命影响因子作为变量输入到支持向量机(SVM)模型,再利用麻雀搜索算法(SSA)对SVM的核函数g和惩罚参数C进行优化,以均方根误差(RMSE)作为适应度函数,通过迭代选择最优的回归参数训练模型。结果表明:SSA-SVM模型预测精度较BP神经网络、SVM、LSTM分别提升了9.1%、5.6%、0.12%,且耗时仅为4.7247 s,方法具有可行性。

基于优化算法的弹药贮存寿命预测方法

目的 实现对缺失及不足的制导弹药贮存失效数据预测及补充的能力。方法 首先通过4种不同的预测算法(GA-BP、PSO-BP、GA-SVM、PSO-SVM),对自然贮存条件下弹药贮存失效数据进行预测,其次根据最小二乘拟合法,实现弹药贮存寿命评估模型的构建,再通过寿命评估模型,计算出不同方法下对应的贮存寿命。结果 通过不同模型的构建,4种预测方法与无优化条件下均能实现弹药贮存失效数据的预测,并且在规定可靠度,GA-BP和PSO-BP预测精度比另外2种方法更低。结论 GA-SVM与PSO-SVM更适合弹药贮存失效数据的预测,且效果更好。

养老院老人社会支持网络和生活满意度研究

本研究所用问卷的编制参照了《中国心理卫生评定量表手册》中的PASS、GWB和社会支持评定等量表 ,以企了解上海市区养老院老人的社会支持网络状况及其与生活满意度之间的关系。研究表明 :(1)养老院老人的社会支持与其生活满意度之间存在极其显著的相关 ;(2 )经回归分析 ,影响养老院老人生活满意度的最主要因素是养老院的软硬件设施条件与院中老人之间的相互支持 ;但在生病等特殊状况下 ,子女仍是最主要的支持来源 ;(3)对养老院中的老人来说 。

城市老年人社会支持网络与生活满意度的研究

本研究采用自编的社会支持网络调查表对上海市96位老人进行了调查，试图了解城市老年人社会支持的基本情况及其对生活满意度的影响。结果表明：（1）城市老年人社会支持网络得分为85．87±8．56（x±s）；（2）社会支持网络得分与生活满意度之间存在极其显著的正相关；（3）在各因素水平中，社会机构的支持对老年人生活满意度的影响最大，子女支持的影响次之，配偶支持的影响最小；情感支持的影响作用大于认知支持和行为支持。

基于改进灰色神经网络的液压泵寿命预测

改进了GM(1,1)模型,提高了其精度和适应范围;将改进的GM(1,1)模型与神经网络预测模型相结合来构建灰色神经网络组合预测模型;提出了基于支持向量机的液压泵寿命特征启发式搜索策略,以液压泵寿命特征参数特征集的交叉验证错误率为评价指标,从液压泵的特征参数(振动、压力、流量、温度、油液信息等)中选取寿命特征因子;运用小波阈值降噪法进行降噪处理,提取典型的小波包能量特征作为模型的输入。以齿轮泵为例,将改进的灰色神经网络预测模型与原始GM(1,1)模型和改进GM(1,1)模型比较可知,灰色神经网络预测模型预测精度最高,达到98.42%。

贫困少数民族山区农村老年人社会支持网与生活满意度关系研究

本文利用笔者在贵州贫困少数民族山区的调查数据,分析了贫困少数民族山区农村老年人社会运行综合网的人数规模及其与生活满意度之间的关系,并初步探讨了不同社会角色提供的支持对老年人生活满意度的影响。

乡村绿色基础设施系统及其设计策略研究

文章对绿色基础设施的概念进行梳理、整合,提出了绿色基础设施系统的概念,即自然、人工基质以及绿色设施、生态化的灰色设施共同组成的系统。乡村建设过程中出现了严重的生态问题,乡村的发展急需正确的指引。本文提出自然基质的保育策略、人工基质的生态化策略、绿色设施的渐进策略和灰色设施的绿色化策略,以期构建完善的绿色基础设施系统,为当今乡村生态环境保护面临的困境提供解决途径。

试论积极参与生活与成功老化的实现

文章介绍了“成功老化”这一新概念,分析了积极参与生活与成功老化的关系,阐明了老年人积极参与生活的三种实践形式:维持健康的兴趣爱好、参加社区志愿服务、继续工作,指出发展社会支持网络对老年人参与生活从而实现成功老化的重要作用。

载人航天器环控生保系统热网络的轻量化分析

目的减轻载人航天器中环控生保系统的重量。方法 采用网络分析原理，研究由环控生保系统中气、液流体回路所构成的流动和热网络，建立此网络中流动、传热及重量计算的物理模型和数学模型。从热平衡、传热及其系统重量关系式出发，计算出网络的结点热力学参数及网络系统重量，并对系统重量的一些影响因素进行了分析。结果 流动和热网络系统中存在最佳管径，使系统重量最小。并且此最佳管径与流量关系密切；适当地提高通风温度可以降低系统重量；网络系统中存在最佳的热组件布局方式，对应的系统重量最小。结论 这些规律对载人航天器环控生保系统轻量化具有重要参考意义。

液压支架疲劳寿命近似估算

针对常规的液压支架寿命近似分析方法需对危险点进行循环加载和获取,导致计算机负载增加的问题,提出了一种基于遗传算法与BP神经网络的寿命估算模型。利用遗传算法的全局搜索性优化BP神经网络,使其不易陷入局部最小点;利用优化后的BP神经网络建立危险点结构参量到疲劳寿命的网络映射模型。针对样本容量和隐含层节点数进行了测试,测试结果表明,样本容量为40、隐含层节点数为7时,模型估算精度较高;液压支架平均寿命估算值为36 456次,与理论值的最大相对误差为5.27%。

液压支架前连杆疲劳寿命预测方法

针对液压支架前连杆疲劳寿命值计算繁琐的问题,提出采用遗传算法优化后的BP神经网络预测液压支架前连杆疲劳寿命。首先采用最优拉丁超立方方法选取40组参数水平下的设计参数,然后采用ANSYS有限元分析软件计算每个参数水平下的疲劳寿命值,最后采用经遗传算法优化后的BP神经网络学习前30组数据,建立设计参数与疲劳寿命之间的神经网络模型,用剩余的10组数据检测模型预测精度。预测结果表明,遗传算法优化的BP神经网络对液压支架前连杆疲劳寿命的预测误差较小。

基于LM-BP神经网络的液压支架顶梁疲劳寿命预测及应用

本文提出基于LM-BP神经网络进行液压支架顶梁疲劳寿命预测方法,选取主筋板厚度、柱窝上方中心处横板厚度、两侧横板厚度、导向套筒孔半径、顶板厚度作为输入参量,将样本的液压支架顶梁疲劳寿命作为输出量,在进行训练时采用LM算法对BP神经网络进行改进,得到基于LM的BP神经网络模型,利用该模型进行液压支架顶梁疲劳寿命预测。研究结果表明:基于LM的BP神经网络模型的计算结果与测试样本拟合精度较高,具有广泛的应用前景。