CN115048874B - 一种基于机器学习的飞行器设计参数预估方法 - Google Patents

一种基于机器学习的飞行器设计参数预估方法 Download PDF

Info

Publication number
CN115048874B
CN115048874B CN202210977649.3A CN202210977649A CN115048874B CN 115048874 B CN115048874 B CN 115048874B CN 202210977649 A CN202210977649 A CN 202210977649A CN 115048874 B CN115048874 B CN 115048874B
Authority
CN
China
Prior art keywords
parameter
aircraft
data
machine learning
parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210977649.3A
Other languages
English (en)
Other versions
CN115048874A (zh
Inventor
刘虎
郭强
田永亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202210977649.3A priority Critical patent/CN115048874B/zh
Publication of CN115048874A publication Critical patent/CN115048874A/zh
Application granted granted Critical
Publication of CN115048874B publication Critical patent/CN115048874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

本发明涉及飞行器设计与数据分析处理技术领域，具体为一种基于机器学习的飞行器设计参数预估方法，包括根据要进行快速参数预估的飞行器类型，确定需要预估的因变量参数和需要作为输入的自变量参数，收集相关数据形成参数数据集，对所获取的参数数据集进行数据预处理和特征工程的数据加工后，将所确定的自变量参数作为输入参数，采用基于机器学习的回归算法进行训练，形成参数预估器；并根据形成的参数预估器，改变相关输入参数，得到该种类型飞行器的参数预估结果；本发明解决了传统飞行器参数预估中需求大量经验数据的积累，迭代过程复杂，不易快速得到飞行器参数组合的问题，能够在飞行器体系化仿真中快速实现飞行器参数组合空间。

Description

一种基于机器学习的飞行器设计参数预估方法
技术领域
本申请涉及飞行器设计与数据分析处理技术领域，具体涉及一种基于机器学习的飞行器设计参数预估方法。
背景技术
现代飞行器的设计需要充分考虑交付运营或服役后可能执行的任务，通过分析、仿真、试验等手段对总体设计方案的运行效能进行评估，从而在研制早期发现潜在的问题并加以修正。在设计方案的修正和迭代过程中，常常出现需要对当前飞行器的某几个参数进行迭代，以完善飞行器总体设计方案，从而达到飞行器的初始设计需求的情况。
当前飞行器的参数分析大多是单向的，即根据飞行器的性能参数需求推导总体参数的取值。如CN112613122A公开了一种层流控制飞机顶层参数设计方法，其采用的方法为将飞机主要性能指标、机翼层流转戾控制目标与飞机主要布局参数作为输入数据；根据输入数据利用工程计算模型对飞机设计参数进行计算并进行优化设计。但是在飞行器设计的需求论证阶段，调整飞机的性能参数组合以验证飞机是否能够满足执行任务需要的情况越来越多，该过程需要通过频繁调整飞机的某些性能参数观察其他性能参数的变化，大量地参数调整计算显著增加飞行器设计的周期。因此，获得一种在飞行器设计初期就能够快速预估飞行器参数取值的方法显得尤为重要。CN108733914A公开了一种基于人工神经网络的跨音速翼型自然层流延迟转捩设计方法，CN104834772A公开了一种基于人工神经网络的飞机翼型/机翼反设计方法，但上述飞行器设计仅限于某些单独的参数如机翼翼型等的设计优化，没有涉及到对多个参数进行迭代调整并观察其他性能参数的变化，以完善飞行器总体设计方案的设计需求。
目前在关于飞行器参数的选取方面，目前主要采用的方法包括统计分析、对比分析和约束边界分析等。传统的统计分析方法为结合现有飞机统计数据给出当前设计飞机的参数的估算值，其优点是简单、直接，但难点在于经验数据和公式的积累与验证，在小样本条件下的效果较差。对比分析方法则是根据各项性能要求分别定出所需的推重比和翼载荷数值，然后进行对比取值，通常选取翼载荷最小值、推重比最大值为设计点，以保证设计参数满足所有飞行条件，其优点是可按各项性能要求确定推重比和翼载荷，思路清晰，难点是在设计指标多时较为复杂。约束边界分析方法同样以性能要求作为出发点，基于约束边界分析获得满足的性能要求的推重比和翼载荷的可选区域，并在区域内对设计点进行综合分析和选取，其优点是简明，直观，难点是不易确定各项设计要求与总体参数的函数比。
如上所述，在飞行器设计的早期阶段，可能会出现大量的修改飞行器参数以探索飞行器参数设计空间的情况，而用传统方法可能会出现计算过程复杂，需要人为决策，难以快速大量生成样本数据的特点，而使用传统的统计学习法又会出现误差较大，需要大量的统计数据等问题。
发明内容
本发明的目的旨在克服现有方法的不足，即提供一种基于机器学习的飞行器参数预估方法，能够在改变某一个参数时，快速预估飞行器在该参数组合下的其他参数可能数值，方便在体系化仿真中，快速探索合适的飞行器参数组合。
本发明完整的技术方案包括：
一种基于机器学习的飞行器设计参数预估方法，包括以下步骤：
步骤S1，根据要进行快速参数预估的飞行器类型，确定需要预估的因变量参数和需要作为输入的自变量参数，所述需要预估的因变量参数和需要作为输入的自变量参数为体系任务下飞行器的性能参数，所述因变量参数包括但不限于实用升限、最大许用速度、垂直爬升速度、发动机功率和桨盘面积；所述自变量参数包括但不限于最大航程、最大平飞速度、最大载荷重量、动升限和直升机布局；并收集同类型飞行器的相关数据，形成飞行器参数数据集；
步骤S2，对步骤S1中所获取的飞行器参数数据集进行数据预处理和特征工程的数据加工；
步骤S3，以步骤S2中进行数据加工后的飞行器参数数据集为基础，将步骤S1中所确定的自变量参数作为模型输入，步骤S1中所划分的因变量参数作为模型输出，采用基于机器学习的回归算法进行训练，形成参数预估器；
步骤S4，通过步骤S3中所形成的参数预估器，输入具体的参数值，得到该种类型飞行器的参数预估结果。
所述需要预估的因变量参数为体系任务下飞行器的性能参数组合，包括实用升限、最大许用速度、垂直爬升速度、发动机功率、桨盘面积。
所述步骤S2中对飞行器参数数据集进行的数据预处理操作包括数据无量纲化、缺失值处理和分类型编码；
所述步骤S2中的特征工程包括利用先验知识以及相关性检验剔除无关或自相关数据，并利用降维算法对数据中参数维度进行降维。
所述数据无量纲化方法包括：1）利用线性的无量纲化方法，即中心化和缩放处理将数据放缩至某个固定闭区间范围内；和2）利用非线性的无量纲化方法将数据放缩至某个固定开区间范围内。
所述缺失值处理方法包括在飞行器参数数据集中利用过滤算法剔除异常值和错误值，并采用插补法插入被剔除的和空缺的数据。
所述分类型编码包括面向不同的文字、标签类数据采用连续编码或哑变量编码的方式转化为机器学习模型接受的数据类型。
所述步骤S3中的机器学习算法为随机森林回归算法，以步骤S2中进行数据加工后的飞行器参数数据集为基础，将步骤S1中所确定的自变量参数作为模型输入，步骤S1中所划分的因变量参数作为模型输出，形成参数预估器的步骤包括：
1）将步骤S2中所搜集获得的各类样本数据，划分为训练集与测试集，基于飞行器参数数据集的小样本特点，采用k折交叉验证法划分训练集和测试集；
2）以步骤S1中所划分的自变量参数作为模型输入，以步骤S1中所划分的因变量参数作为模型输出，训练机器学习模型；所述机器学习模型的优化过程采用决定系数
Figure DEST_PATH_IMAGE001
作为优化目标，具体如下式所示：
Figure 814101DEST_PATH_IMAGE002
式中，
Figure 586885DEST_PATH_IMAGE001
为决定系数，
Figure DEST_PATH_IMAGE003
为第i次预测的真实值，
Figure 517800DEST_PATH_IMAGE004
为第i次预测的预测值，
Figure DEST_PATH_IMAGE005
为所有预测真实值的平均值；
3）根据决定系数
Figure 692430DEST_PATH_IMAGE001
，采用网格参数搜索法，调整随机森林回归算法的超参数组合，优化机器学习模型的表现；
4）判断决定系数
Figure 27596DEST_PATH_IMAGE001
是否大于等于预设的决定系数阈值，如果是，则完成机器学习模型的训练，输出该模型作为参数预估器；如果否，则回到步骤3）继续调整超参数组合。
本发明相对于现有技术的优点在于：
本发明提供了一种基于机器学习的飞行器参数快速预估方法。该方法通过飞行器的参数数据进行预处理，剔除数据中的错误值、异常值，补全缺失值，然后把数据集转化为适宜机器学习算法训练的数据方式，输入机器学习模型进行训练，形成飞行器参数预估器，从而实现通过部分参数快速的对其他飞行器参数的预估。
本发明提供的基于机器学习的飞行器参数快速预估方法，避免了传统飞行器参数预估中需求大量经验数据的积累，迭代过程复杂，不易快速得到飞行器参数组合的情况，因此便于在飞行器体系化仿真中快速探索飞行器参数组合空间。
附图说明
图1为本发明参数预估器的建立流程示意图。
图2为本发明k折交叉验证的基本方法示意图。
具体实施方式
下面将结合本申请实施方式中的附图，对本申请的实施方式中的技术方案进行清楚、完整的描述，显然，所描述的实施方式仅仅是作为例示，并非用于限制本申请。
本发明为一种基于机器学习的飞行器参数快速预估方法，相比于在现在常用的飞行器总体参数预估方法而言，该方法能够快速探索参数空间，可为体系化仿真提供相对快速、精确的参数组合。
本发明实例提供了一种基于机器学习的飞行器设计参数预估方法，包括以下步骤：
S1，基于专业先验知识与应用实际场景，判断要进行参数快速预估的飞行器类型，确定需要预估的因变量参数和需要作为输入的自变量参数，收集同种类型飞行器的相关数据；
S2，对S1中所获取的飞行器参数数据集进行数据预处理、特征工程等的数据加工；
S3，以S2中预处理后的飞行器参数数据集为基础，将S1中所确定的输入参数作为输入，对基于机器学习的回归算法进行训练，形成参数预估器。
S4，通过S3中所形成的参数预估器，改变相关输入参数，即可获得该种类型飞行器的参数预估结果。
下面结合附图对上述实际使用过程中一些步骤进行详细的逻辑说明。
如图1所示，解释了本发明公开的基于机器学习的飞行器参数快速预估方法的逻辑流程。
所述步骤S1中，专业先验知识指使用本方法的专业人员通过其专业知识对本方法的应用对象进行判断，基于飞行器设计专业知识确定飞行器所属类型及其常用总体、性能参数。根据本实施例的应用场景飞行器体系仿真中，需要在复杂体系任务下确定体系中飞行器总体参数、性能指标，该体系任务涉及到飞行器的各种总体参数和性能参数。在本实施例中，所要进行参数快速预估的飞行器类型为直升机，所执行任务为体系协同编队执行任务，需要调整飞行器的某些对该仿真任务结果影响较大的关键性能参数，以确定在该任务下的最佳飞行器参数组合。因此需要参数预估器预估关键性能参数变化对于其他参数的影响。根据该仿真任务特点和以往仿真经验，该任务中直升机参数的自变量包括最大航程（千米）、最大平飞速度（千米/每小时）、最大载荷重量（千克）、动升限（米）、直升机布局，预估的因变量参数包括：实用升限（米）、最大许用速度（米/秒）、垂直爬升速度（米/秒）、发动机功率（马力）、桨盘面积（平方米）。
本实施例中，部分自变量参数示例数据如表1所示。部分因变量参数示例数据如表2所示。
表1自变量参数示例
最大航程（千米） 最大平飞速度（千米/每小时） 最大载荷重量（千克） 动升限（米） 直升机布局
507 290 2103 3700 单旋翼带尾桨式
584 296 5790 单旋翼带尾桨式
507 285 2065 3720 单旋翼带尾桨式
450 350 10800 5500 共轴式双旋翼
450 350 10400 共轴式双旋翼
655 300 6500 5500 单旋翼带涵道尾桨式
表2因变量参数示例数
实用升限（米） 最大许用速度（米/秒） 垂直爬升速度（米/秒） 发动机功率（马力） 桨盘面积（平方米）
3700 319 8.23 1323.9 167.42
5790 326 7.87 2427.15 213.82
3720 314 8.23 1323.9 167.42
5500 336 10 1633 165.13
5400 350 8 1633 165.13
5500 326 11.5 956 143.1
所述步骤S2中对飞行器参数数据集进行的数据预处理操作包括数据无量纲化、缺失值处理、分类型编码。
所述数据无量纲化方法包括但不限于利用线性的无量纲化方法即中心化、缩放处理等将数据放缩至某个固定闭区间范围内和利用非线性的无量纲化方法如sigmoid函数等将数据放缩至某个固定开区间范围内等。由于不同类型的飞行器参数范围变化较大，不同参数之间的量纲不同，参数数量级上的差异会影响部分机器学习算法的准确程度，因而要对飞行器参数数据集进行无量纲化处理。本实施例利用Standard Scaler算法将自变量数据集中数据放缩为方差为1，中心为0的正态分布范围内。
所述缺失值处理方法包括在飞行器参数数据集中利用过滤算法剔除异常值、错误值，并采用插补法插入被剔除的、空缺的数据。在飞行器参数数据集中，部分参数较为敏感，可能会难以查找，出现缺失值的情况，该样本的其他参数仍然具有参照意义，基于飞行器参数数据集的小样本特点，利用填补缺失值的方法防止样本舍弃。本实施例中利用K-means聚类算法检测异常值、错误值，借助其结果过滤异常数据。
所述分类型编码包括面向不同的文字、标签类数据采用连续编码或哑变量编码的方式转化为机器学习模型可接受的数据类型。本实施例中主要采用onehot编码方式对独立标签进行编码，采用连续编码方式对非独立标签进行编码。本实施例中，独立标签主要指直升机布局，无非独立标签。本实施例中对直升机布局编码为：单旋翼带尾桨式-0001，共轴式双旋翼-0010，纵列双旋翼式-0100，单旋翼带涵道尾桨式-1000。示例数据中未出现纵列双旋翼式。
所述步骤S2中对飞行器参数数据集进行的特征工程包括利用专业先验知识以及相关性检验剔除无关数据或自相关数据，降维算法对数据中过高的参数维度进行降维。根据S1所划分的自变量参数数量，在部分情况需要运用降维算法对自变量参数进行降维，维度过大的自变量参数将会极大程度影响模型训练速度，同时信息含量较小的自变量参数将影响机器学习模型的效果。降维算法包括但不限于主成分分析法、奇异值分解法。在本实施例中，通过主成分分析法对自变量参数进行分析，计算除去onehot编码的其他四种变量的方差贡献率，四种变量的方差贡献率为：0.409，0.251，0.183，0.157。均未低于0.1的剔除标准，因此四种变量均以保留。
经过所述步骤S2中所述数据预处理方法后的自变量数据集示例见表3。
表3预处理前自变量数据集
最大航程（千米） 最大平飞速度（千米/每小时） 最大载荷重量（千克） 动升限（米） 直升机布局
507 290 2103 3700 单旋翼带尾桨式
584 296 5790 单旋翼带尾桨式
507 285 2065 3720 单旋翼带尾桨式
450 350 3000 5500 共轴式双旋翼
450 350 共轴式双旋翼
655 300 2750 5500 单旋翼带涵道尾桨式
表4 预处理后自变量数据集
Figure DEST_PATH_IMAGE007
本实施例步骤S3中机器学习算法为随机森林回归算法，以经过S2步骤处理后的飞行器参数数据集为输入，对基于机器学习的回归算法形成参数预估器的步骤如下：
1）为避免在同一个数据集上进行训练和测试所导致的过拟合现象，将步骤S2中所搜集获得的各类样本数据划分为训练集与测试集。特别地，基于飞行器参数数据集的小样本特点，本实施例采用k折交叉验证法划分训练集和测试集。图2解释了k折交叉验证法在划分测试集和训练集中的实际过程。即将k-1份训练集子集作为训练集来训练模型；将剩余1份训练集子集用于模型验证；平均k折的分数，得到训练得分。
2）在训练机器学习模型时，模型输入为步骤S1中所划分自变量参数，模型输出为步骤S1中所划分的因变量参数。机器学习模型的优化过程采用决定系数
Figure 163042DEST_PATH_IMAGE008
作为优化目标，
Figure DEST_PATH_IMAGE009
为第i次预测的真实值，
Figure 773015DEST_PATH_IMAGE010
为第i次预测的预测值，
Figure DEST_PATH_IMAGE011
为所有预测真实值的平均值。
Figure 929715DEST_PATH_IMAGE012
3）根据决定系数
Figure 498099DEST_PATH_IMAGE008
，采用网格参数搜索法，调整随机森林回归算法的超参数组合，以优化机器学习模型的表现。本实施例中进行调整的超参数主要包括随机森林中的决策树数量，每颗决策树的最大叶深度，最终用于本实施例的决策树数量为39，最大叶深度为3。
4）判断决定系数
Figure 183158DEST_PATH_IMAGE008
，是否大于等于预设的决定系数阈值，在本实施例中，决定系数阈值为0.9。如果是，则完成机器学习模型的训练，输出该模型作为参数预估器；如果否，则回到步骤3）继续调整超参数组合。
尽管为了说明的目的，已描述了本发明的示例性实施方式，但是本领域的技术人员将理解，不脱离所附权利要求中公开的发明的范围和精神的情况下，可以在形式和细节上进行各种修改、添加和替换等的改变，而所有这些改变都属于本发明所附权利要求的保护范围，并且本发明要求保护的产品各个部门和方法中的各个步骤，可以以任意组合的形式组合在一起。因此，对本发明所公开实施方式的描述并非为了限制本发明的范围，而是用于描述本发明。相应的，本发明的范围不受以上实施方式的显示，而是由权利要求或其等同物进行限定。
以上申请的仅为本申请的一些实施方式。对于本领域的普通技术人员来说，在不脱离本申请创造构思的前提下，还可以做出若干变型和改进，这些都属于本申请的保护范围。

Claims (5)

1.一种基于机器学习的飞行器设计参数预估方法，其特征在于，所要进行参数预估的飞行器类型为直升机，所执行任务为体系协同编队执行任务，包括以下步骤：
步骤S1，确定需要预估的因变量参数和需要作为输入的自变量参数，所述需要预估的因变量参数和需要作为输入的自变量参数为体系任务下飞行器的性能参数，所述因变量参数包括实用升限、最大许用速度、垂直爬升速度、发动机功率和桨盘面积；所述自变量参数包括最大航程、最大平飞速度、最大载荷重量、动升限和直升机布局；并收集同类型飞行器的相关数据，形成飞行器参数数据集；
步骤S2，对步骤S1中所获取的飞行器参数数据集进行数据预处理和特征工程的数据加工；所述特征工程包括利用先验知识以及相关性检验剔除无关或自相关数据，并利用降维算法对数据中参数维度进行降维；
步骤S3，以步骤S2中进行数据加工后的飞行器参数数据集为基础，将S1中所确定的自变量参数作为模型输入，步骤S1中所划分的因变量参数作为模型输出，采用基于机器学习的回归算法进行训练，形成参数预估器；所述机器学习算法为随机森林回归算法，以步骤S2中进行数据加工后的飞行器参数数据集为基础，将步骤S1中所确定的自变量参数作为模型输入，步骤S1中所划分的因变量参数作为模型输出，形成参数预估器的步骤包括：
1）将步骤S2中所搜集获得的各类样本数据，划分为训练集与测试集，基于飞行器参数数据集的小样本特点，采用k折交叉验证法划分训练集和测试集；
2）以步骤S1中所划分的自变量参数作为模型输入，以步骤S1中所划分的因变量参数作为模型输出，训练机器学习模型；所述机器学习模型的优化过程采用决定系数
Figure 238730DEST_PATH_IMAGE001
作为优化目标，具体如下式所示：
Figure 763252DEST_PATH_IMAGE002
式中，
Figure 533893DEST_PATH_IMAGE001
为决定系数，
Figure 536484DEST_PATH_IMAGE003
为第i次预测的真实值，
Figure 325449DEST_PATH_IMAGE004
为第i次预测的预测值，
Figure 20872DEST_PATH_IMAGE005
为所有预测真实值的平均值；
3）根据决定系数
Figure 528077DEST_PATH_IMAGE001
，采用网格参数搜索法，调整随机森林回归算法的超参数组合，优化机器学习模型的表现；
4）判断决定系数
Figure 68780DEST_PATH_IMAGE001
是否大于等于预设的决定系数阈值，如果是，则完成机器学习模型的训练，输出该模型作为参数预估器；如果否，则回到步骤3）继续调整超参数组合；
步骤S4，通过步骤S3中所形成的参数预估器，输入具体的参数值，得到该种类型飞行器的参数预估结果。
2.根据权利要求1所述的一种基于机器学习的飞行器设计参数预估方法，其特征在于，所述步骤S2中对飞行器参数数据集进行的数据预处理操作包括数据无量纲化、缺失值处理和分类型编码。
3.根据权利要求2所述的一种基于机器学习的飞行器设计参数预估方法，其特征在于，所述数据无量纲化方法包括：1）利用线性的无量纲化方法，即中心化和缩放处理将数据放缩至某个固定闭区间范围内；和2）利用非线性的无量纲化方法将数据放缩至某个固定开区间范围内。
4.根据权利要求2所述的一种基于机器学习的飞行器设计参数预估方法，其特征在于，所述缺失值处理方法包括在飞行器参数数据集中利用过滤算法剔除异常值和错误值，并采用插补法插入被剔除的和空缺的数据。
5.根据权利要求2所述的一种基于机器学习的飞行器设计参数预估方法，其特征在于，所述分类型编码包括面向不同的文字、标签类数据采用连续编码或哑变量编码的方式转化为机器学习模型接受的数据类型。
CN202210977649.3A 2022-08-16 2022-08-16 一种基于机器学习的飞行器设计参数预估方法 Active CN115048874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210977649.3A CN115048874B (zh) 2022-08-16 2022-08-16 一种基于机器学习的飞行器设计参数预估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210977649.3A CN115048874B (zh) 2022-08-16 2022-08-16 一种基于机器学习的飞行器设计参数预估方法

Publications (2)

Publication Number Publication Date
CN115048874A CN115048874A (zh) 2022-09-13
CN115048874B true CN115048874B (zh) 2023-01-24

Family

ID=83168149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210977649.3A Active CN115048874B (zh) 2022-08-16 2022-08-16 一种基于机器学习的飞行器设计参数预估方法

Country Status (1)

Country Link
CN (1) CN115048874B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050842B (zh) * 2023-02-01 2023-08-04 东华理工大学 一种城市地下工程施工安全风险动态控制方法及系统
CN116306316A (zh) * 2023-04-23 2023-06-23 华南理工大学 一种复合吸液芯微热管结构及工艺参数的预测方法
CN116467947B (zh) * 2023-04-23 2024-02-06 华南理工大学 一种微热管结构及工艺参数的预测方法
CN116976208A (zh) * 2023-07-28 2023-10-31 沈阳飞机工业（集团）有限公司 一种基于机器学习的航空紧固件划分方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257914A (zh) * 2020-10-16 2021-01-22 中国人民解放军空军工程大学 一种基于随机森林的航空安全因果预测方法
CN113343364A (zh) * 2021-07-05 2021-09-03 中国国际航空股份有限公司 航空大数据分析方法及工具
CN113362116A (zh) * 2021-06-30 2021-09-07 深圳市全药网科技有限公司 基于机器学习的药品市场规模预测系统
CN113726558A (zh) * 2021-08-09 2021-11-30 国网福建省电力有限公司 基于随机森林算法的网络设备流量预测系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3637386A1 (en) * 2018-10-12 2020-04-15 Thales Machine learning on big data in avionics

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257914A (zh) * 2020-10-16 2021-01-22 中国人民解放军空军工程大学 一种基于随机森林的航空安全因果预测方法
CN113362116A (zh) * 2021-06-30 2021-09-07 深圳市全药网科技有限公司 基于机器学习的药品市场规模预测系统
CN113343364A (zh) * 2021-07-05 2021-09-03 中国国际航空股份有限公司 航空大数据分析方法及工具
CN113726558A (zh) * 2021-08-09 2021-11-30 国网福建省电力有限公司 基于随机森林算法的网络设备流量预测系统

Also Published As

Publication number Publication date
CN115048874A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN115048874B (zh) 一种基于机器学习的飞行器设计参数预估方法
US11124317B2 (en) Method for prediction of key performance parameters of aero-engine in transition condition
CN110057584B (zh) 一种机车牵引电机轴承退化监测方法
CN111680875B (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN108960303B (zh) 一种基于lstm的无人机飞行数据异常检测方法
CN107516135A (zh) 一种支持多源数据的自动化监督性学习方法
Zhang et al. Predict failures in production lines: A two-stage approach with clustering and supervised learning
CN112580588B (zh) 一种基于经验模态分解的颤振信号智能识别方法
CN110765418B (zh) 一种流域水沙研究模型的智能集合评估方法和系统
CN108399434B (zh) 基于特征提取的高维时间序列数据的分析预测方法
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
CN106778838A (zh) 一种预测空气质量的方法
CN114754973A (zh) 基于机器学习的风洞测力试验数据智能诊断与分析方法
CN114169434A (zh) 一种负荷预测方法
CN111695288B (zh) 一种基于Apriori-BP算法的变压器故障诊断方法
CN114429238A (zh) 一种基于时空特征提取的风电机组故障预警方法
CN113359435B (zh) 用于火电机组动态工况数据的修正方法
CN110879927A (zh) 一种用于海目标检测的海杂波幅度统计分布现场建模方法
Zixuan et al. A spanwise loss model for axial compressor stator based on machine learning
CN108228978B (zh) 结合互补集合经验模态分解的Xgboost时间序列预测方法
CN111708865B (zh) 一种基于改进XGBoost算法的技术预见及专利预警分析方法
CN104111109A (zh) 一种基于不同阶次统计量及支持向量机的机械振动状态识别方法
CN116167456A (zh) 一种基于编码对比和分类矫正的联邦学习方法
CN106709522B (zh) 一种基于改进模糊三角数的高压电缆施工缺陷分级方法
CN113806857A (zh) 一种基于变分图自编码器的高速列车节能制动方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant