基于K-均值聚类与粒子群核极限学习机的推力估计器设计

鉴于航空发动机直接推力控制与健康管理需要高精度及高实时性的推力估计器,提出了一种基于K-均值聚类与粒子群优化的核极限学习机推力估计方法。采用K-均值聚类对全工况范围内的测量数据进行聚类,在每一个子类中,通过核极限学习机建立推力估计器,采用粒子群算法对核极限学习机的核参数和惩罚系数进行优化,利用了核极限学习机稳定性好、非线性拟合能力强的特点,实现了对发动机推力的估计。经涡扇发动机台架试车数据训练与测试表明,本推力估计方法平均预测时间为0.27ms,实时性满足机载在线状态评估和直接推力控制需求,且在估计精度上较现有方法存在一定优势。     

基于核方法的航空发动机推力估计器设计

鉴于实现航空发动机的直接推力控制需要高精度及高可靠性的推力估计器,基于核方法,提出了结合全局核k-means聚类与鲁棒最小二乘支持向量回归机的推力估计器设计方案,通过核诱导的隐性映射将原始输入数据映射到特征空间,使数据样本特征信息被提取并放大,具有更好的可分性.在每个聚类内设计推力子估计器,用鲁棒代价函数代替最小二乘代价函数,增强了推力估计器的整体鲁棒性.通过对涡扇发动机的仿真试验表明,本推力估计器设计方法能够满足直接推力控制需要,与其它方法相比,在估计精度及鲁棒性上存在一定优势.     

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.     

基于SVD卡尔曼滤波器的航空发动机参数估计

航空发动机推力估计所需要的健康参数较多，而安装的传感器数量相对较少。为解决二者之间的矛盾．运用奇异值分解算法，设计了基于该算法的降维卡尔曼滤波器，对用少量传感器发动机的健康参数进行最优估计，进而重构发动机的推力。数字仿真结果验证了其在航空发动机中应用的可能性。     

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IGA-ELM网络的滚动轴承故障诊断

为了提高航空发动机轴承故障诊断准确率,提出基于改进遗传算法优化极限学习机网络(IGA-ELM)的诊断模型。针对传统遗传算法易早熟等缺陷,对遗传算法的交叉操作和变异操作进行改进,并用改进的遗传算法优化极限学习机的输入权值矩阵和隐含层阈值,利用Moore-Penrose算法计算极限学习机的输出权值矩阵。使用IGA-ELM诊断模型对滚动轴承正常、内环故障、外环故障和滚珠故障4种工况进行诊断,并分析极限学习机隐含层神经元的数量和激活函数对轴承故障诊断的影响。为了验证改进遗传算法优化极限学习机的有效性,将传统遗传算法、自适应遗传算法和粒子群算法作为对比算法。经过分析表明:改进遗传算法收敛速度和收敛误差,均优于对比算法。     

应用深度核极限学习机的航空发动机部件故障诊断

运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题。为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM)。算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类。这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高。将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具。     

基于PSO-BP神经网络的固冲发动机推力估计器设计

为了对固体火箭冲压发动机的推力进行直接控制，提出了基于PSO（粒子群优化算法）优化BP（back propagation）神经网络的固体火箭冲压发动机推力估计方法。采用SPSO（标准PSO）和三种不同的BBPSO（骨干PSO）寻优神经网络权值，而后以最优权值进行BP网络训练，对其进行精调，如此便可获取推力和燃气流量、飞行马赫数以及飞行高度之间的非线性关系，从而完成推力估计器的设计。利用240组训练集数据对网络进行训练，并用180组测试集数据对网络进行验证。仿真结果表明：在SPSO、BBExp（exploiting BBPSO）、ABPSO^*（modified adaptive BBPSO）和SNPSO（simplified pruning strategy based BBPSO）等四种不同的PSO中，基于SNPSO优化BP神经网络实现推力估计器设计是最为便捷有效的方法，不仅形式简单，而且对于测试集数据而言，其能够将推力相对误差控制在5%以内。     

飞机起飞滑跑发动机推力数值确定方法

利用数值理论对飞机起飞滑跑距离计算中发动机瞬时推力的确定方法进行了研究,提出以发动机推力曲线图中已知推力曲线为基础,通过拉格朗日插值确定未知推力的算法。基于所提算法,对某型飞机在2 000 m压力高度上的推力进行计算,并与从推力曲线查到的实际数据比较,二者的平均相对误差为3.2‰。用所提算法确定推力,对该型飞机在5种条件下的起飞滑跑距离进行计算,计算结果与实际滑跑距离的平均相对误差为3.0%。计算结果表明,算法是准确可行的。     

一种改进的航空发动机高空模拟试验推力测量方法

为满足航空发动机高空模拟试验中推力高精度、快速测量要求,提出一种改进的推力测量方法。建立高空模拟试验推力测量稳态模型和动态模型,对试验振动的影响进行了仿真分析和试验验证,提出了对测量动架振动进行在线补偿的动态推力测量方法。从测量不确定度评估入手,讨论了动态推力测量方法在不确定度方面的局限性,提出了基于数字滤波的稳态推力测量方法。根据两种方法的特点,采用优选算法,在发动机过渡态时输出动态推力测量结果,在发动机稳态时输出稳态推力滤波结果。在发动机高空台试验中的检验结果表明,该方法能实现推力的高精度、快速测量。