随着地面延误程序的实施,空中交通压力逐渐向地面转移,持续增长的地面运行压力对机场场面管制措施提出了更高更科学的要求。预测机场场面拥堵状态变化规律,设定拥堵状态等级是科学制定机场场面管制措施的重要基础之一。通过对场面拥堵...随着地面延误程序的实施,空中交通压力逐渐向地面转移,持续增长的地面运行压力对机场场面管制措施提出了更高更科学的要求。预测机场场面拥堵状态变化规律,设定拥堵状态等级是科学制定机场场面管制措施的重要基础之一。通过对场面拥堵状态分析确定场面拥堵影响因素,并设定场面拥堵状态等级,基于遗传算法优化的长短时记忆网络(genetic algorithm-long short term memory networks,GA-LSTM)算法对跑道头排队架次、主滑行道延误时间、机动区延误时间进行预测并与LSTM算法进行比较,最后,使用模糊C均值聚类算法(fuzzy C-means,FCM)确定预测的拥堵状态数据聚类中心,对拥堵状态进行分类以确定场面拥堵状态等级。研究表明,对场面跑道头排队架次、主滑行道延误时间、机动区延误时间预测的均方根误差分别为1.18架次、1.85 s、2.11 s,该预测结果能够为战略级层面管制决策提供依据。本文所提出的方法对大型机场系统均具有可操作性,可提前预知拥堵可能产生的区域及时段,为管制员提供决策支持,提高空中交通系统的运行效率。展开更多
集成化装备的故障检测和健康管理(DHM,fault detection and health management)已成为装备领域研究的重点,但是由于其集成度高,结构复杂,综合性强等特点,采用常规的检测方法常面临信息多源异构,体量浩大,且实时性难以保证的问题,不仅消...集成化装备的故障检测和健康管理(DHM,fault detection and health management)已成为装备领域研究的重点,但是由于其集成度高,结构复杂,综合性强等特点,采用常规的检测方法常面临信息多源异构,体量浩大,且实时性难以保证的问题,不仅消耗大量的人力物力,而且需要极强的数据分析及管控能力;为保证准确性、实时性和有效性的统一,研究提出一种基于CNN(卷积神经网络,Convolutional neural network)和Bi-LSTM(双向长短记忆网络,Bidirectional short and long memory network)及其优化算法的故障检测算法,构建了Bi-LSTM-CNN-FCM模型,并通过田纳西-伊斯曼化工过程数据集进行验证;在实验过程中通过观察不同激活函数对模型精度和效果的影响选择合适的激活函数,最终确定在卷积层使用tanh激活函数,在全连接层使用relu激活函数;在确定激活函数后对模型不断优化,在模型末端加入FCM聚类算法,提高了故障检测分类的准确率,最后以准确率和损失值为依据,通过与单一的LSTM模型,CNN模型和LSTM-CNN模型对比,证明该模型的优越性;该模型使得故障检测的准确率提升至98.25%,损失值减少至0.0104,在性能上明显优于其他模型。展开更多
文摘随着地面延误程序的实施,空中交通压力逐渐向地面转移,持续增长的地面运行压力对机场场面管制措施提出了更高更科学的要求。预测机场场面拥堵状态变化规律,设定拥堵状态等级是科学制定机场场面管制措施的重要基础之一。通过对场面拥堵状态分析确定场面拥堵影响因素,并设定场面拥堵状态等级,基于遗传算法优化的长短时记忆网络(genetic algorithm-long short term memory networks,GA-LSTM)算法对跑道头排队架次、主滑行道延误时间、机动区延误时间进行预测并与LSTM算法进行比较,最后,使用模糊C均值聚类算法(fuzzy C-means,FCM)确定预测的拥堵状态数据聚类中心,对拥堵状态进行分类以确定场面拥堵状态等级。研究表明,对场面跑道头排队架次、主滑行道延误时间、机动区延误时间预测的均方根误差分别为1.18架次、1.85 s、2.11 s,该预测结果能够为战略级层面管制决策提供依据。本文所提出的方法对大型机场系统均具有可操作性,可提前预知拥堵可能产生的区域及时段,为管制员提供决策支持,提高空中交通系统的运行效率。
文摘集成化装备的故障检测和健康管理(DHM,fault detection and health management)已成为装备领域研究的重点,但是由于其集成度高,结构复杂,综合性强等特点,采用常规的检测方法常面临信息多源异构,体量浩大,且实时性难以保证的问题,不仅消耗大量的人力物力,而且需要极强的数据分析及管控能力;为保证准确性、实时性和有效性的统一,研究提出一种基于CNN(卷积神经网络,Convolutional neural network)和Bi-LSTM(双向长短记忆网络,Bidirectional short and long memory network)及其优化算法的故障检测算法,构建了Bi-LSTM-CNN-FCM模型,并通过田纳西-伊斯曼化工过程数据集进行验证;在实验过程中通过观察不同激活函数对模型精度和效果的影响选择合适的激活函数,最终确定在卷积层使用tanh激活函数,在全连接层使用relu激活函数;在确定激活函数后对模型不断优化,在模型末端加入FCM聚类算法,提高了故障检测分类的准确率,最后以准确率和损失值为依据,通过与单一的LSTM模型,CNN模型和LSTM-CNN模型对比,证明该模型的优越性;该模型使得故障检测的准确率提升至98.25%,损失值减少至0.0104,在性能上明显优于其他模型。
