基于小波神经网络航空发动机滑油系统故障诊断方法研究

研究了基于小波神经网络的非线性系统的故障检测和诊断方法.把小波分析与前馈神经网络相融合,并推导出其具体的算法.应用小波神经网络对航空发动机滑油系统进行故障诊断.试验和仿真的结果表明:小波网络应用于故障诊断时具有收敛速度快,对网络输入不敏感等特点,为非线性系统的故障诊断提供了新的理论和方法.     

基于小波网络航空发动机滑油系统故障诊断方法研究

将小波分析与前馈神经网络相触合,应用于小波神经网络对航空发动机滑油系统的故障渗断.结果表明,小波网络故障诊断方法具有收敛速度快,对网络输入不敏感等特点,为非线性系统的故障诊断提供了新的理论和方法.     

基于小波包分析方法的航空发动机滚动轴承故障诊断

将小波包分析技术引入到航空发动机滚动轴承故障诊断的应用研究中,给出了基于小波包分析的滚动轴承故障特征提取方法：应用小波包分解与重构算法分离出了滚动轴承的故障特征频率,识别出了滚动轴承的故障类型。通过对实际航空发动机滚动轴承故障信号的分析表明,该方法可以有效地检测和诊断航空发动机的滚动轴承故障。     

固体火箭发动机缺陷的ICT局部检测

为了实现对固体火箭发动机缺陷的局部检测,提出了窄角扇束工业计算机断层扫描成像(ICT)检测固体火箭发动机缺陷的局部检测方案.采用平移/旋转扫描方式和只旋转扫描方式对固体火箭发动机缺陷进行局部检测.为了验证局部检测方案的有效性,利用窄角扇束ICT对某型固体火箭发动机进行局部检测,并利用卷积反投影算法和小波变换算法进行局部重建.结果表明:平移/旋转扫描方式适合窄角扇束ICT对固体火箭发动机缺陷进行局部检测,只旋转扫描方式不适合局部检测.由于利用局部缺陷区域外的投影数据,卷积反投影算法较小波变换算法的局部重建质量高.这对于提高固体火箭发动机缺陷的检测效率,降低检测成本具有重要意义.      

小波分析在航空发动机性能趋势监控中的应用

简要分析了小波变换的原理、应用和算法。利用MATLAB编程，初步探讨了小波分析在发动机性能监控方面的应用。最后，通过实际的发动机数据对这种方法进行了验证，并对结果和应用前景进行了讨论。     

基于L-M网络的涡扇发动机动态过程辨识

介绍了多层前馈网络的Levenberg-Marquardt (LM)算法,对涡扇发动机动态过程的数学模型进行了分析和简化,运用多层前馈网络L-M算法对涡扇发动机进行加力推力变换时的非线性MIMO动态过程的数学模型进行了辨识,辨识所用样本数据和测试数据均为试飞实测数据.辨识结果表明,这种方法收敛快精度高,非常适合于涡扇发动机非线性动态过程的建模.     

基于小波的周期信号中瞬态冲击特征提取

小波变换具有优良的时频分析特性,利用小波变换提取周期信号中的微弱瞬态冲击非常有效。为了消除ＭＡＬＬＡＴ算法中的频率混淆,本文提出了一种改进的二进离散小波变换快速算法,并成功地利用小波变换提取了某型涡喷发动机滚珠轴承的早期故障特征,实现了傅立叶变换所达不到的效果。     

航空发动机小波神经网络PID控制

提出了一种基于小波神经网络在线辨识的航空发动机比例-积分-微分(PID)控制算法.网络采用三层前向网络结构,以小波函数作为隐含层的激励函数.采用离线训练的方式训练出网络参数,以网络输出和输入之间的偏导数代替发动机模型输出和输入变量之间的偏导数,用以在线修正PID控制器的参数.阶跃响应测试表明,用小波神经网络整定的PID控制系统动态调节时间小于2s,稳态误差为零,在全飞行包线内均稳定正常工作.      

基于RBF神经网络的航空发动机故障诊断研究

采用改进算法优化了径向基函数(RBF)网络.针对航空发动机工作条件和结构的复杂性,提出了用RBF网络进行故障诊断的方法,构建了基于RBF网络的多参数航空发动机故障智能诊断模型,并对典型发动机故障进行了诊断.结果表明,RBF网络具有优秀的故障学习能力,采用它进行航空发动机故障诊断是行之有效的,具有较好的应用前景.     

基于SVM和广义粗糙度特征的航空发动机振动故障诊断方法

通过对航空发动机振动信号进行小波分解,依据多尺度空间局部能量分布和粗糙性提取基于子带信号能量加权广义粗糙度特征实现对振动情况的描述.然后将上述特征送入支持向量机(support vector machine,简称SVM)分类器进行训练,根据分类器的输出结果判断航空发动机的工作状态和故障类型.通过对实测航空发动机试车时得到的振动信号的实验分析结果表明,该算法可以有效地识别发动机的振动故障.      

液体火箭发动机动态数据处理的小波分析方法

研究了基于小波分析的液体火箭发动机动态数据处理方法，给出了数据处理模型，应用小波奇异性检测和误差滤波理论，分析了动态数据的处理过程，并用某液体火箭发动机某次地面试车的动态测试数据进行了验证。结果表明，小波分析方法不需要过程误差的先验知识，能够同时完成异常数据的检测及相应误差的滤除任务，非常适合于液体火箭发动机的动态工作过程。     

航空发动机递归神经网络分路式解耦控制

针对航空发动机多变量控制中变量之间的耦合问题,提出了一种基于递归神经网络的分路式动态解耦控制方法,给出了发动机双路式解耦控制系统的结构及其解耦原理和算法。利用递归小波网络较强的动态非线性映射能力,在线完成发动机各控制通道的模型辨识,并回馈对应的灵敏度信息;神经网络PID控制器根据回馈的信息在线自适应调整参数,实现发动机各通道的准确跟踪和分路独立控制。仿真表明,该方法在保证控制系统良好的动态和稳态性能的同时,有效地减小了各回路之间的耦合影响,能够成功应用于发动机控制系统的解耦。      

基于遗传算法和BP网络的航空发动机拆换期望值预测

通过使用真实样本实验的方法,在BP神经网络、GA遗传算法与改进的GA-BP复合算法中,找出能迅速精确地预测航空发动机拆换期望值的最佳方法。试验结果证明,GA-BP复合算法在用遗传算法对神经网络的权值进行大致搜索以后,再用神经网络方法进行训练,能很好地模拟发动机拆换期望值,并用实例证明该算法是有效的。      

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IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选，降低输入维度；采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化，并对优化的神经网络进行训练；用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法，并且在参选故障诊断的性能参数不同时，其诊断误差相近，展现出较强的适应能力。      

基于数据挖掘和小波神经网络的航材消耗预测方法

运用数据挖掘技术对航材消耗的历史数据进行关联分析，筛选小对保障飞机飞行有重要作用的航材消耗数据，大大缩减了需要预测的航材数量，同时对消耗航材之间的内在影响关系进行量化。在分析人工鱼群算法原理的基础上，对算法中步长参数和视野范同参数的设置方法进行了改进。实例结果表明，运用小波神经网络预测航材消耗的方法大大降低了预测误差，说明了该方法的有效性、可行性和实用性。     

应用反推神经网络检测液体火箭发动机多维故障

基于可测参数所构成的参数模式对应着一定的发动机故障模式, 应用反推神经网络检测发动机多维故障, 方法的有效性由只有泵效率下降和喷注器阻塞同时发生的数值仿真得到验证      

基于小波神经网络PID的永磁同步电机转速控制

提出了基于小波神经网络PID的永磁同步电机(PMSM)转速控制策略。根据系统运行参数的变化,采用三层前馈式人工神经网络,基于梯度下降纠正误差法在线训练实时更新PID参数值。采用小波神经网络和增量式PID共同构成转速环控制器。建立PMSM数学模型,设计PMSM速度环控制器,构建S函数,对控制算法进行仿真试验,验证了该控制算法的先进性。试验结果表明,所提控制策略比传统PID转速控制具有更好的动态性能和抗干扰能力。     

小波与BP神经网络联合反演GNSS IR高精度水库水位变化

GNSS-IR技术作为一种近地表遥感的新兴手段，在水库水位监测方面凭借其成本低、精度高等优势成为了研究热点。为了提高GNSS-IR技术反演水库水位变化的精度，提出了利用GPS、BDS双系统观测量基于小波分解与BP神经网络联合的方法反演水库水位变化。选取位于南水北调山东境内双王城水库GNSS变形观测站2017年10月1日—12月26日共87天的信噪比(SNR）数据为研究对象，分别利用小波分解和二阶多项式拟合两种方法消除其趋势项并生成SNR残差序列，然后进行Lomb-Scargle谱分析得到水库水位高度变化值，并与实测水位结果相比较。结果表明：各频段SNR利用小波分解和二阶多项式反演水位变化的平均均方根误差分别为0.1062m和 0.2245m，说明小波分解去趋势项的方法更优。最后，在小波分解去趋势项的基础上，利用阈值筛选出融合所用的频段(S1C、S2L、S5Q和S7I），分别采用均值算法、中值算法、随机森林算法和BP神经网络算法对GPS、BDS多频多模信号进行水库水位的融合反演。结果表明，对于水面较为平静的环境，以上算法均能实现厘米级的反演精度，其中BP神经网络算法用于水位反演的效果更优。