嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法.该方法将嵌入维数作为影响状态时间序列预测精度的重要参数,以交叉验证误差为评价准则,利用粒子群优化(PSO)进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型.航空发动机排气温度(EGT)预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测.     

基于组合优化相关向量机的航空发动机性能参数概率预测方法

针对航空发动机性能参数预测过程中存在的不确定因素,提出一种基于组合优化相关向量机(CORVM)的概率预测方法.首先,通过正交小波变换将性能参数序列分解为具有不同特征尺度的随机分量和趋势分量,并分别建立各分量的相关向量机(RVM)回归预测模型.然后,以留一交叉验证误差最小作为优化目标,采用量子粒子群优化(QPSO)算法实现RVM核参数和嵌入维数的自适应优化选择.最后,组合各RVM回归预测模型得到最终预测均值及方差,进而得到预测值的概率分布.通过航空发动机排气温度变化量和滑油金属含量预测实例验证了方法的有效性,实验结果表明:该方法能够有效避免传统点预测方法可能导致的不可靠结果,并具有比单一模型更高的预测精度.     

基于滑动时窗策略自适应优化支持向量机的航空发动机性能参数在线预测

针对传统航空发动机性能参数时间序列预测方法存在的不足,提出了基于滑动时窗策略自适应优化支持向量机(Support Vector Machine,SVM)在线预测模型。该方法解决了训练样本动态适应性差的特点和老旧数据信息影响预测模型精度的问题。在该方法中,滑动时窗策略实时更新时窗数据训练样本,最终误差预报准则(Final Prediction Error,FPE)自适应地确定嵌入维数,遗传算法(Genetic Algorithm,GA)则实时自适应优化SVM建模参数。应用航空发动机排气温度偏差值(Delta Exhaust Gas Temperature,DEGT)数据进行实例验证,结果表明基于滑动时窗策略的自适应GA优化的SVM (GASVM)在线预测模型比传统的GASVM预测模型预测精度有显著提高。进一步分析了预测模型不同时窗宽度对短期预测精度的影响,展示了1步～10步预测的效果,结果表明在线预测模型在不同时窗宽度下短中期(5步以内)预测效果良好且稳定。文中提出的在线预测模型可用于航空发动机性能参数的预测,实现对航空发动机未来性能变化的预警。     

用结构自适应神经网络预测航空发动机性能趋势

 将航空发动机作为复杂非线性系统考虑，运用神经网络超强的非线性映射能力和非线性时间序列分析的相空间重构理论，建立航空发动机性能趋势预测的神经网络模型，同时，针对神经网络的结构设计困难问题，建立了基于遗传算法的结构自适应神经网络预测模型，实现了神经网络结构的优化。最后，利用三组民航飞机发动机的性能数据进行了预测分析，验证了利用结构自适应神经网络对航空发动机性能趋势进行预测的有效性。     

航空发动机磨损趋势RBF变权重组合预测方法研究

航空发动机滑油中金属元素的含量受许多复杂因素的影响,单一模型预测精度相对较低,本文针对这个问题提出了RBF网络变权重组合预测模型（RBFNN-VWCF）对航空发动机零部件的磨损趋势进行研究。首先引用C-C方法确定时间序列的嵌入维数和时间延时,重构相空间确定模型的输入输出样本,然后对两种模型进行组合预测,利用k均值聚类方法确定RBF网络的中心,利用固定法确定RBF网络的宽度,采用最小二乘法确定网络的权值。结果表明,RBFNN-VWCF模型充分利用了参与组合预测的两种模型的有效信息,更客观地反映发动机零部件的磨损趋势,预测结果更为稳健、相比单一模型精度更高,具有较强的工程实用价值,为发动机下一步的维修决策提供了有力支持。     

基于边界值的多元混沌发动机性能预测算法

首先提取航空发动机排气温度数据序列的边界值,并且证明了边界值序列具有混沌特征.其次提出了一种基于多元相空间重构的发动机状态混沌预测算法,实现对排气温度的预测.通过检验排气温度预测值是否超过所规定的红线,从而进行发动机的健康状态排查.作为验证实例,使用一组某机型发动机实际飞行数据对该预测算法进行了验证,结果表明:该组合算法降低了预测模型的时间复杂度,并大大提高了疑似异常点的预测精度.该方法可以为这种机型发动机故障预测提供决策依据.      

基于支持向量机的航空发动机滑油监控分析

提出了一种基于支持向量机的航空发动机滑油金属含量预测方法。详细分析了支持向量机用于时间序列预测的理论基础,并给出了运用支持向量回归进行多步预测的一般公式,提出了用最终预报误差(FPE)准则优化选取嵌入维数。与传统的AR预测模型相比,支持向量机由于采用了新型的结构风险最小化准则表现出优秀的推广能力。经过数值仿真得出自回归(AR)模型仅适合于短期预测;支持向量机预测推广能力强、具有较强的鲁棒性和容错性,对较长区间预测仍具有较好的效果。最后,将其应用于某型发动机滑油的铁金属含量预测,取得了较好的效果。      

基于监督流形学习的航空发动机振动故障诊断方法

航空发动机故障诊断中一个有挑战性的难题就是如何处理具有高维数、非线性化特点的故障数据,传统模式识别方法很难发现这类数据集的真实结构,导致故障诊断准确性不高。针对这一问题,将一种新兴的非线性维数约简技术——流形学习引入航空发动机振动故障诊断,提出基于监督流形学习理论的航空发动机特征提取与识别方法。该方法首先采用最近兴起的监督局部线性嵌入流形学习算法对蕴含在高维振动故障数据中不同故障的流形特征进行学习,映射到低维嵌入空间以实现故障的特征提取,在降维后的流形特征空间中构造分类器实现故障识别。利用航空发动机转子故障数据对方法的有效性进行了验证,结果表明,该方法显著提高了故障诊断性能,克服了传统的模式识别方法PCA和LDA的不足,并且在训练样本数为每类100的条件下,该方法的平均故障诊断正确率比PCA和LDA分别高出2.93%和7.20%。     

航空发动机限寿件疲劳可靠度计算新方法

针对目前的航空发动机限寿件（ELLP）疲劳可靠性分析中的小失效概率事件以及其极限状态函数具有较强非线性的特点，提出了一种具有自更新机制的半径外自适应重要抽样（AUMCROAIS）疲劳可靠性分析方法。该方法首先利用蒙特卡罗自适应重要抽样（MCAIS）快速逼近真实设计验算点（MPP）附近，随后以近似设计验算点为中心进行极坐标抽样，并依次构造主动学习函数，对近极限状态函数和抽样半径进行最优选取，从而实现最优抽样半径的更新，通过不断的更新确定出最优抽样半径，加速失效概率计算的收敛。本方法提高了设计验算点的收敛速度同时保证了计算精度，解决了小失效概率事件以及强非线性极限状态函数可靠度计算难题，最后以某型发动机压气机轮盘为对象应用本方法，并与传统的蒙特卡罗仿真（MCS）方法、蒙特卡罗半径外自适应重要抽样法（MCROAIS）和一阶可靠性方法（FORM）进行了对比，验证了本方法的高效率、鲁棒性和仿真精度。     

航空发动机超声速巡航性能寻优控制研究

为解决航空发动机在不加力超声速巡航状态的性能寻优问题,提出进气道放气、风扇与压气机导叶角与燃油流量、尾喷管喉道面积五变量的序列二次规划优化调节方案,验证了航空发动机在最大安装推力、最小油耗、最低涡轮前温度三种控制模式时,相比较于传统的不带进气道放气的四变量优化方案,五变量优化方案优势明显,可分别提升最大安装推力7.5%,降低燃油消耗率4.6%,降低低压涡轮前温度1.5%;同时,为满足机载发动机模型自适应要求,建立基于输入端带积分补偿的卡尔曼滤波器的发动机自适应模型,并验证了航空发动机在发生蜕化时,五变量优化方案同样具有全局寻优优势。     

混合神经网络和混沌理论的股票价格预测研究

针对股票时间序列的非线性特点,结合混沌理论和神经网络理论,提出了基于混沌理论的股票价格神经网络预测方法。同时利用重构相空间的嵌入维数确定神经网络的结构,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,在股票时间序列预测中有广泛的实用价值。     

基于PSO算法的航空发动机起动燃油控制

针对航空发动机起动过程燃油流量优化控制的实时性要求, 提出一种新的航空发动机起动燃油控制方法——基于粒子群优化（PSO）算法的非线性预测控制.该方法在建立最小二乘支持向量机（LS-SVM）预测模型的基础上, 运用PSO算法实现其滚动优化功能.经实例验证, 燃油流量经过PSO算法优化控制后, 高低压转子转速的超调量减小, 并且其稳定的时间比没有经过优化控制的要快上56 s.由仿真结果可知, 该方法可以用于航空发动机起动过程燃油控制, 当给定的约束条件足够精确时, 能以较高的精度计算出最佳供油规律.      

基于NN-PSM的航空发动机机载自适应稳态模型

为建立一种适用于大包线、变状态的高精度、高实时性航空发动机机载自适应稳态模型，提出一种基于神经网络和推进系统矩阵相融合（NN-PSM）的机载自适应稳态模型建模方法。该方法基于小偏差线性化方法对发动机进行线性化来提取推进系统矩阵，用于表征机载模型与发动机之间的输出偏差量。基于神经网络建立发动机基线模型，用于映射飞行条件与发动机输出量之间的关系，利用神经网络的强拟合能力提高机载模型的稳态精度；设计卡尔曼滤波器实时估计发动机健康参数，提高模型的自适应能力。在大包线、变状态的飞行条件下进行仿真验证，并与传统的复合推进系统模型（CPSM）进行对比，结果表明:NN-PSM模型的平均精度在0.66%以内，而CPSM的平均精度为2.07%以内，运行时间仅为CPSM的1/10，且具有数据存储量少的特点。      

基于SAE-SA-1D-CNN-BGRU的涡扇发动机剩余寿命预测

为解决涡扇发动机监测数据维度高和寿命预测准确度低的问题,提出一种基于深度学习的寿命预测方法,开展了利用 神经网络获取涡扇发动机剩余寿命的研究。利用堆叠自编码（SAE）网络从高维传感器数据中提取健康因子（HI）,采用1维卷积神 经网络-双向门控循环单元（1D-CNN-BGRU）方法捕捉HI序列中的空间和时间特征,并引入自注意（SA）机制对捕捉的特征分配 权重,使用全连接层输出涡扇发动机剩余使用寿命（RUL）,以此构建复合神经网络进行面向涡扇发动机高维数据的寿命预测。结 果表明：利用NASA官方网站提供的涡扇发动机寿命试验公开数据集C-MAPSS对该方法进行验证,取得了均方根误差16.22和评 分函数225的结果。证明了基于SAE-SA-1D-CNN-BGRU的寿命预测方法可实现涡扇发动机寿命的有效预测,能为涡扇发动机 维修保障及健康管理提供有效决策支撑。     

基于随机森林算法的航空发动机振动趋势预测

提出了基于随机森林算法的航空发动机振动趋势预测模型。阐述了随机森林算法的基本理论和计算步骤,采用C-C法计算了延迟时间和嵌入维数,对一维时间序列进行了相空间重构,并在此基础上建立了随机森林算法的预测模型。应用发动机振动试验数据进行了振动预测,并与利用相同训练数据建立的支持向量机预测模型的预测结果进行对比。结果表明,与支持向量机模型相比,随机森林算法预测模型的预测精度更高,泛化能力更强,操作方便,且计算效率更高。     

航空发动机转速信号的ARMA模型预测方法研究

提出了一种基于时间序列理论的分析和预测某型航空发动机转速信号的方法,建立了描述发动机额定转速变化规律的ARMA（3,1）模型,并对发动机转速进行预测。结果表明,所建模型能够以较高精度预测未来一段周期内发动机转速信号的发展趋势和数值大小,说明采用时序分析方法进行航空发动机转速信号预测有效可行。     

高低压转子弹性支承振动应力信号的LMD切片谱分析与时频分布

针对传统的频谱分析方法不能很好地辨识航空发动机转子振动特征频率的问题,采用局部均值分解（Local Mean Decompo? sition, LMD）,结合切片谱的频谱分析方法,对航空发动机转子振动信号进行自适应模态分解与峰值频率辨识;对转子振动信号进行时 频分析,得到其时频分布。将该方法应用于某航空发动机高、低压转子的弹性支承振动应力信号分析中。结果表明：相比于发动机振 动正常状态,在发动机振动异常状态下,高、低压转子弹性支承振动应力信号的LMD切片谱中除了存在高、低压转子的基频和倍频成 分,还存在高、低压转子间的调制频率,且在异常状态下F分量的时变特征更加明显。采用LMD切片谱分析方法获取了发动机振动正 常状态和异常状态下的振动频谱特征和时频分布,可为航空发动机转子振动特征提取与状态判别提供参考。     

非线性时间序列的动力学混沌特征自动提取技术

提出了一种非线性时间序列混沌特征的自动提取方法.该方法直接根据非线性时间序列, 依次计算出延迟时间、嵌入维数、相关维数、最大李雅普诺夫指数、相轨迹特征以及Poincare特征等混沌特征, 整个特征的提取过程自动完成, 毋须人工干预.最后用算例表明了该方法的有效性和正确性.该方法对于利用非线性混沌特征进行非线性系统故障诊断和趋势预测具有重要意义.      

航空发动机传感器信号重构的K-ELM方法

针对航空发动机传感器信号重构，提出了评价核极限学习机（K ELM）模型性能的一种快速留一交叉验证方法.结果表明:该方法可以避免原始的留一验证方法N次模型的显式训练，将计算复杂度降低为原来的1/N（N为样本数目）.该算法可以快速准确评价核极限学习机的性能，为核极限学习机确定最优的核参数.      

基于复合模型及FSQP算法的发动机性能寻优控制试验

提出了一种在保证优化效果前提下提高发动机在线性能寻优实时性的方法,即一方面基于相似理论建立了适用于非加力状态的发动机复合稳态模型,在优化过程中替代原部件级模型以缩短优化计算时间,另一方面采用先进的可行性序列二次规划算法寻求全局最优解,以提高优化精度。最终实现了上述方案在最小油耗模式及最大推力模式下的数字仿真及半物理模拟验证,相比于传统的基于发动机部件级模型进行性能寻优控制,其优化精度相当,但优化实时性得到大幅度提高,从仿真结果可以看出上述方案的有效性及可行性。