某型发动机起动模型的支持向量机辨识及应用

为了解决某型涡扇发动机慢车转速以下的数学模型难以建立,无法进行起动性能数值计算的问题,提出了用支持向量机辨识起动模型,依据辨识结果估算起动性能的方法。采用发动机起动试验数据作为学习样本,建立了基于支持向量机的非线性动态起动模型。根据该型发动机起动供油量调整试验得到的供油压力数据,利用所建立的模型对起动性能进行了估算,给出了估算结果与试验数据的对比情况。研究表明,将支持向量机用于起动模型的辨识是可行的,能够较好地解决某型发动机起动性能计算的难题。     

基于RBF神经网络的航空发动机起动模型辨识与仿真

为解决基于气动热力学方程建立发动机起动模型时存在的困难，本文以某型发动机起动调整试验的试车数据为样本，使用径向基函数(RBF)神经网络对在某一大气条件下的发动机起动模型进行了辨识；并使用另外一组试车数据，通过辨识模型对起动过程进行了仿真。结果表明，用RBF神经网络辨识发动机起动模型，具有方法简单、学习速度快、辨识精度较高等优点。     

BP神经网络在雷达测轨数据异常值处理中的应用

在对雷达跟星校飞试验测量数据进行分析的基础上,利用BP神经网络方法建立了丢失帧数据和野值帧数据的估算模型。通过实例计算、分析、比较,证明BP神经网络方法估算精度要优于三次样条插值。     

基于动态RBF网络的发动机起动过程模型辨识

针对航空发动机在起动过程中各截面气流处于亚临界状态 ,难以利用传统的气动热力学方法进行建模的问题 ,本文利用发动机地面试验数据作为学习样本 ,采用动态径向基 (RBF)神经网络的方法 ,建立了航空发动机起动过程动态模型。仿真结果表明 ,利用该方法建立的发动机模型具有动态性好 ,精度高的优点 ,开辟了发动机中小转速建模的新途径     

基于逐级叠加法的航空发动机起动模型研究

建立起动过程数学模型的主要困难在于缺少发动机低转速部件特性。提出一种逐级叠加与试验数据相结合的方法计算低转速部件特性,并综合考虑了燃烧室效率变化和部件的热惯性对起动过程的影响,成功地把发动机慢车以上的部件法建模应用到发动机起动过程的性能模拟。通过对某型涡轴发动机仿真结果与试验数据的对比表明,这种低转速部件特性的计算方法具有一定的精度,建立的起动模型可满足研究起动供油规律及估算起动性能的需要。     

案例推理和神经网络在航空发动机稳态模型中的应用

传统建模方法难以准确建立航空发动机数学模型,单纯使用BP神经网络建模又有其不足.将案例推理和改进BP方法相结合,根据案例推理优化训练数据,再利用神经网络,建立了发动机稳态模型.结果表明,该模型有较高的稳态精度,而且具有较好的泛化能力.     

计算涡扇发动机风车起动特性的辨识模型

针对高空风车条件下涡扇发动机起动性能估算问题, 提出了运用约简遗传规划算法进行模型结构自动选择的思路, 对基于约简遗传规划的风车起动模型进行了研究.以某型涡扇发动机为例, 运用该算法对给定条件下该型发动机的风车起动过程进行了建模仿真, 得到了起动过程的估算结果.将估算结果与试验数据对比, 验证了方法的正确性、可行性.      

基于改进PSO-SVM参数优化的发动机起动过程辨识

针对影响支持向量机辨识性能的核函数及相关参数,找出使辨识结果最佳的核函数;结合两种措施改进粒子群算法,优化相关参数,选择最佳的参数组合.对比 BP 神经网络和支持向量机对发动机起动过程的辨识结果,得到支持向量机的辨识精度和收敛时间优于 BP 神经网络,与起动数据基本一致.在训练样本存在噪声的情况下,验证了所建辨识模型具...     

基于QPSO-ELM的某型涡轴发动机起动过程模型辨识

针对解析法建立某型涡轴发动机起动过程模型困难的问题,提出一种基于量子粒子群优化-极限学习机（QPSO-ELM）的某型涡轴发动机起动过程模型数据驱动辨识方法。首先构建基于状态空间法描述的某型涡轴发动机起动过程分段模型,然后结合发动机起动试验数据,采用QPSO-ELM算法对该起动模型进行辨识,试验结果表明：燃气发生器转子转速、发动机输出轴转速和燃气涡轮后温度的辨识结果都良好地逼近了实测数据,最大相对误差的均值分别为1.358%、1.628%和2.195%,满足实际应用的精度需求,并且QPSO-ELM的辨识精度优于极限学习机（ELM）、支持向量机（SVM）和反向传播（BP）神经网络。     

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。      

航空发动机PID神经网络解耦控制

对航空发动机的双变量解耦控制方法进行了研究,提出了一种基于遗传算法的PID神经网络解耦控制算法。该算法将遗传算法用于多层前向神经网络的连接权系数的学习,克服了BP算法易陷入局部权值的缺点,并具有PID神经网络控制器结构简单规范、动态和静态性能良好等优点。     

航空发动机的智能神经网络自适应控制研究

针对结构复杂、模型不确定、强非线性的航空发动机对象,提出一种综合模糊推理、神经网络自适应和PID简单控制各自优点的控制方案.在改进模糊PID控制器的基础上,进行了新型智能型神经网络控制器的设计,并提出离线混沌蚁群优化与在线误差反传调整相结合的优化方法.应用具有良好泛化能力的最小二乘支持向量机进行系统辨识,对某型航空发动机进行了设计点处的线性和非线性模型控制仿真.结果表明:控制系统具有满意的动、静态性能和较好的鲁棒性,验证了该方案的可行性和有效性.      

基于BP神经网络的航空发动机故障检测技术研究

为了提高航空发动机故障检测正确率,将BP神经网络应用于航空发动机故障检测中。从某航空公司使用的CFM56-7B系列发动机的实际飞行历史数据中选取研究样本,对比了6种训练方法的效果并最终选择弹性BP法对网络加以训练并进行测试。结果表明:该方法对CFM56-7B系列发动机的排气温度指示故障、进口总温指示故障和可调放气活门故障的检测正确率高达83.33%。BP神经网络能够很好地应用于航空发动机的实际故障检测,其学习记忆稳定、网络收敛速度快,具有一定的工程实用价值。     

基于自调整神经元的航空发动机多变量自适应解耦控制

根据航空发动机性能控制要求, 通过分析自调整神经元及最速下降学习方法, 研究了基于自调整神经元的航空发动机多变量自适应解耦控制系统.利用自调整神经元的结构简单、各神经元之间没有权值连接及在线学习的优点, 在线整定多变量PID控制器的参数.阐明了该方法的结构和原理.并进行了航空发动机多变量自适应解耦控制系统的设计.大量的仿真结果表明, 系统具有良好的解耦特性和自适应能力.      

基于神经网络逆控制的发动机直接推力控制

首次将动态神经网络逆控制用于航空发动机直接推力控制。为了有效消除由于神经网络逆模型构造误差(即神经网络逆模型不可能完全逼近航空发动机的逆模型)而产生的稳态误差和解决航空发动机推力不易测量的困难,分别设计了积分补偿器和推力估计器,从而实现航空发动机直接推力控制。飞行包线内数字仿真结果表明,此控制方案具有良好的动静态性能、精度高、跟踪快。     

基于STEP和改进神经网络的STEP-NC制造特征识别方法

特征识别是实施STEP-NC重要的一步，也是实现开放式、智能化和网络化STEP-NC数控系统的关键。本文提出了一种基于STEP和改进神经网络的STEP-NC制造特征识别方法。该方法首先在对STEP AP203中性文件进行几何拓扑信息提取后，基于边的凹凸性判断构建了零件最小子图。然后，将混沌算法、遗传算法与BP神经网络算法有机相结合提出了改进的BP神经网络。最后，通过将获得的零件模型最小子图信息数据输入到改进的BP神经网络，实现了对STEP-NC制造特征高效精准地识别。通过实例验证了该方法的有效性和可行性。     

基于DRNN网络的航空发动机多变量解耦控制

通过分析对角递归神经网络（DRNN）及带动量项的梯度学习方法（GDM）,针对某型涡扇发动机的性能控制,研究了基于对角递归神经网络的多变量自学习解耦控制算法及其在航空发动机控制中的应用.阐明了该方法的结构和原理.并在设计点处进行了发动机多变量解耦控制系统设计.在偏离设计点时,大量的仿真结果表明,系统具有较好解耦和自适应能力.     

粒子群优化的粗糙集-神经网络在航空发动机故障诊断中的应用

提出了一种基于粒子群优化算法的邻域粗糙集-神经网络的发动机智能故障诊断方法,首先利用基于邻域粗糙集模型的属性约简方法对样本数据进行属性约简,然后采用粒子群优化算法替代传统BP算法来训练神经网络的权值和阈值,再用训练好的神经网络对航空发动机气路故障进行诊断.仿真结果表明:该方法降低了神经网络结构的复杂性,减少了网络训练时间,提高了诊断精度.     

基于神经网络和证据融合理论的航空发动机气路故障诊断

为解决航空发动机这一复杂系统的故障诊断问题,提高智能化诊断方法的准确率,使用了改良的D-S证据理论,对基于自组织竞争网络和BP神经网络的2个诊断子系统的诊断结果进行决策级融合。结果显示,经过融合整个系统降低了误诊率,改善了诊断性能。文章还针对噪声干扰的情况,通过调整对于2个子系统的权重,在保证高准确率的同时提高了系统的抗噪声性能。研究结果表明D-S证据理论的使用可以达到比单独运用2个神经网络子系统都要好的诊断效能。