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。     

一种新型航班延误组合预测模型

为了克服单一的航班延误预测模型在预报时的缺陷,在分析航班延误的特点的情况下,提出了一种基于危险模式和灰色预测组合的新型航班延误预测的方法。对这两种预测方法的结果采用加权组合预测的方式来预测航班延误的趋势变化,预测结果是单一预测模型的加权和,加权系数动态确定。最后通过国内的某枢纽机场的航班延误情况进行了验证。实验表明该模型可以不受某一较差的预测模型影响,从而有较好的预测效果。     

基于组合预测模型的某型导弹贮存寿命评估方法

科学确定导弹的贮存寿命对提高部队装备保障能力和战斗力具有重要的现实意义。针对导弹贮存数据具有“少数据”和随机波动性较大特点,建立了灰色GM（1,1）评估模型和马尔可夫模型的组合预测模型,并应川此组合预测模型解决了某型导弹贮存寿命评估的问题。结果表明,该方法对现有数据拟合程度较好,预测精度较高,克服单一预测方法的不足,有效性强,使用价值大。     

基于免疫粒子群优化的不等时间间隔发动机性能综合指数组合预测

首先利用奇异值分解滤波算法,对测量参数进行滤波处理,进而合成发动机性能综合指数。针对性能综合指数为不等时间间隔的情况,在改进灰色预测模型中引入新陈代谢思想,提出一种基于免疫粒子群优化权值的改进灰色模型与支持向量机相结合的性能指数预测方法。仿真实例表明:组合模型的预测精度明显高于改进灰色预测模型,略高于支持向量机模型;且对于大多数样本点,组合模型的预测结果变化更加平稳。     

某型发动机滑油颗粒监测试验数据预测分析研究

针对某型发动机滑油颗粒监测试验数据预测分析的需要,主要研究了时间序列模型和灰色模型两种预测模型,并有机结合起来,形成新的灰色时序模型;分别进行预测分析,并比较预测精度。预测结果表明:灰色时序模型预测精度高,具有很好的预测能力,有较高的实用意义。     

润滑油质量组合预测

以某自行火炮润滑油氧化程度光谱分析数据为基础,利用线性回归理论、灰色理论及组合预测理论建立了润滑油的氧化程度预测模型,并且分析各模型在预测上的差异,验证了润滑油质量组合预测模型能够充分利用单一预测模型的有效信息,提高预测精度.     

基于优化智能网络的发动机推力指令模型

针对航空发动机性能退化缓解控制中推力指令模型输入量有限问题,提出1种双智能网络串联的推力指令建模方法.其中子模型Ⅰ采用BP网络映射与推力密切相关的气路参数,其输出作为子模型Ⅱ的输入;子模型Ⅱ采用优化极端学习机(ELM)算法,输出为额定发动机推力,并以此推力为性能蜕化缓解控制指令.为了减小ELM网络规模,提高推力指令模型实时性,采用微分进化算法(DE)优化ELM初始网络参数.数字仿真验证表明:各飞行包线内推力指令模型预测值最大相对误差小于4‰,远优于单一神经网络最大8.17％和单一极端学习机最大14.5％的误差,模型推力指令计算时间仅需0.64ms,实时性好,验证了该推力指令模型的有效性.     

液体火箭发动机系统故障实时监测算法研究

利用水力系数（ＣＡＤＥ）的性质和现有液体火箭发动机管路系统中压力域流量的测量值，进行适当分段组合，计算出相应的压力和水力系统改变量。并根据实际试车经验确定出相应的根限值。同时使用灰色理论中ＧＭ预测模型对发动机的监测参数进行预测。从而及早分析出发动机所处工况。该算法能尽早地探测出发动机系统中出现的故障，以提供足够的时间对发动机采取措施。     

基于蚁群改进 BP算法的组合预测模型在军械器材需求预测中的应用

针对在军械器材采购计划制定环节中的器材需求测算问题,提出基于蚁群改进BP算法的组合预测模型。先结合历史数据,利用多元线性回归预测法和自回归滑动平均模型（ARMA）进行初步预测,将初步预测的结果作为蚁群改进BP网络的输入,从而得到最终的预测结果。实验结果表明,基于蚁群改进BP算法的组合预测模型能够对积累的历史数据进行充分的应用,并且有较高的预测准确性。     

固体火箭发动机装药贮存寿命预测方法

针对固体火箭发动机装药贮存寿命预估的难题,开展了固体火箭发动机贮存可靠性、装药老化性能、药柱结构完整性分析等几个方面的研究,建立了GM-RBF网络模型、基于修正Ar-rhenius的交变温度预测模型、基于加速老化和结构完整性分析的装药贮存寿命预估模型,从不同角度来对装药贮存寿命进行组合预测.在此基础上,设计和开发了预测系统,通过实验数据和仿真分析,得到实例的装药贮存寿命区间为10.5～13.2y.研究表明:这种组合预测的方法避免了单一算法的局限性,提高了预测精度.     

试车数据驱动的涡轴发动机起动过程模型辨识

针对传统的采用解析法建立涡轴发动机起动过程模型复杂的问题,提出了一种基于变步长萤火虫算法优化的有外部输入的非线性自回归网络(CSFA-NARX)的涡轴发动机起动过程模型辨识方法。以涡轴发动机起动过程试车试验数据为数据样本,利用CSFA-NARX网络模型辨识得到涡轴发动机起动过程模型,并采用留一交叉验证方法对辨识模型的性能进行验证。结果表明:得到的辨识模型输出参数,如燃气发生器转速n_g、输出轴转速n_r和涡轮后温度T₄都较好地逼近了试车实测数据,各参数验证样本最大相对误差平均值分别为0.90%、1.51%、和2.01%;在相同训练与验证样本情况下,得到的辨识模型精度优于采用萤火虫算法优化的NARX网络(FA-NARX)、NARX网络和变步长萤火虫算法优化的BP网络(CSFA-BP)模型精度。     

基于NN-ELM的航空发动机燃油系统执行机构故障诊断

提出了一种航空发动机执行机构及其传感器单一故障诊断及定位方法.首先通过执行机构模型判断是否发生故障,然后运用发动机逆模型对故障进行定位.基于离线训练BP(back propagation)神经网络建立执行机构模型,根据某半物理仿真试验台的测试数据训练网络参数.提出离线训练和在线训练相结合的极端学习机(ELM)算法建立发动机逆模型,使网络在初始时刻就具有诊断能力,工作过程中具有适应能力,且在线训练过程采用阈值判别法筛选训练样本,减小了在线训练时间,提高了逆模型的实时性.以某型发动机燃油系统执行机构为例的设计和仿真结果表明:该诊断系统能够准确地对发动机在稳态和动态工况以及蜕化状态下的执行机构及其传感器单一故障进行准确诊断和定位,具有很好的实时性.      

基于RBF网络的航空发动机单神经元解耦控制

针对航空发动机多变量控制系统中各回路之间存在的耦合现象,提出了一种基于RBF网络辨识的航空发动机多变量单神经元网络解耦控制方法。对发动机的多个控制回路,采用多个RBF网络实时辨识各个回路发动机的数学模型,并将系统的灵敏度信息实时反馈给各回路的控制器,保证了单神经元网络控制器对各回路的准确控制,最终实现对发动机多回路的解耦控制。通过在飞行包线内的仿真,结果表明,该方法不依赖被控对象的精确模型,有效地实现了对发动机的解耦控制,而且具有良好的动静态性能,将其应用于航空发动机多变量解耦控制是行之有效的。     

某型涡喷发动机状态空间模型的提取与修正研究

以某型单转子涡喷发动机为研究对象,在提取该型发动机状态空间模型的基础上,提出了单转子涡喷发动机状态空间模型的稳态及动态的修正算法,获得基于稳态及动态的修正模型.以阶跃输入响应对模型进行了检验,检验结果表明使用该方法修正的状态空间模型具有与原非线性数学模型完全一致的稳态及动态过程响应,解决了单转子涡喷发动机状态空间模型检验与修正的问题.     

基于RBF网络的航空发动机辨识模型

利用实测到的发动机飞行试验数据作为学习样本, 采用径向基函数 (RBF)神经网络建立了发动机的辨识模型。利用这种方法对不同飞行高度发动机的参数进行了辨识, 并与几种 BP网络进行了比较。研究结果表明: 这种方法具有训练时间短、学习速度快、辨识精度高等优点。      

涡扇发动机部件特性的滤波自动修正更新方法

针对航空发动机部件制造装配以及性能蜕化引起的平均模型与个体发动机之间的性能不匹配问题,提出一种基于非线性滤波算法的发动机部件特性自动修正方法。根据发动机部件级平均模型输出与个体量测数据的残差,利用数据处理策略结合无迹卡尔曼滤波算法的不可测部件特性变化估计,自动更新发动机部件特性,建立发动机个体物理模型。通过小涵道比涡扇发动机仿真验证,结果表明该方法可自动修正发动机部件特性,相比较平均模型,通过该方法修正的发动机个体模型中各截面温度、压力计算偏差均在0.5%以内,有效提高涡扇发动机个体物理模型稳态、动态精度。     

变循环发动机模态转换建模及控制规律设计方法研究

为了实现变循环发动机快速可靠的模态转换,本文发展了变循环发动机模态转换过渡态模型及控制规律设计方法。在变循环发动机动态数值仿真程序的基础上,针对模态选择阀与涵道引射器这两个模态转换过程中的关键变几何部件,建立了高精度的气流突扩局部损失模型。首次提出了可考虑模态选择阀堵塞对发动机性能影响的模态选择阀堵塞模型,消除了由于模型不精确造成的模态转换参数波动。在建立的变循环发动机数学模型的基础上,提出了基于直接推力控制技术的模态转换控制规律设计方法,考虑了变循环发动机的8个可调参数,采用差分进化算法对模态转换过程进行了优化。结果表明,本文提出的模态转换控制规律设计方法可以实现变循环发动机快速平稳的模态转换,双外涵转单外涵的参数变化规律与单外涵转双外涵的参数变化规律基本类似,推力在0.6秒就稳定在目标推力值,其余参数大多在1.4秒之后才趋于稳定。本文提出的变循环发动机模态转换控制规律设计方法还可应用于常规航空发动机的加/减速过渡态控制规律设计中。     

研发阶段涡扇发动机模型自适应方法

为了实现研发阶段涡扇发动机整机试验数据的快速评估和模型自适应,提出一种发动机模型自适应方法。该方法以整机试验数据为输入,结合气动热力过程约束方程和发动机整机匹配约束条件,重构出各部件的性能参数。文中提出了按照高压涡轮导向器喉部流通能力确定核心机流量的方法,并以载荷系数为媒介实现叶轮机械部件参数修正计算,完成了小涵道比涡扇发动机的自适应建模计算。计算结果表明,17个测量参数与计算结果完全一致,该方法完成单个状态点自适应计算的平均时间约为1.44ms,主要部件特性的修正系数在0.95～1.05。采用该方法计算的部件特性参数自适应修正系数可为发动机性能调试和故障诊断提供依据。     

一种可用于航空发动机健康状态预测的动态集成极端学习机模型

提出一种动态集成极端学习机模型用于航空发动机健康状态预测.采用AdaBoost.RT集成学习算法对极端学习机（ELM）进行集成,在训练时采用每个训练样本的近邻样本对ELM的局域性能进行评估;在预测时首先确定新样本在训练样本集中的近邻样本,然后根据ELM在近邻样本上的性能来赋予集成权值实现弱学习机的动态集成.以燃油流量为指标进行航空发动机健康状态预测,动态集成ELM模型短期预测结果的平均相对误差绝对值（MAPE）为3.688%,小于单一ELM模型的3.830%以及静态集成ELM模型的3.719%;长期预测结果中动态集成ELM模型的MAPE为3.075%,小于单一ELM模型的4.355%以及静态集成ELM模型的3.884%.因此动态集成ELM模型更适用于航空发动机健康状态预测.