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.     

小波神经网络故障诊断法在飞机燃油系统中的仿真研究

对燃油系统测量元件进行了基于小波变换、小波RBF神经网络的故障诊断方法研究,并将这些方法在燃油系统中进行了验证.研究了Matlab和C++Builder的交互编程及各诊断方法的实现,并编制了基于以上智能诊断方法的燃油系统状态检测和故障诊断及管理软件,软件计算的结果验证了小波RBF神经网络算法的可行性.     

基于小波神经网络的模拟电路故障诊断

介绍了模拟电路故障诊断的神经网络方法及小波神经网络,以一带通滤波器为例,提出了一种基于输出灵敏度分析,利用多频测试生成故障特征向量训练小波神经网络进行故障诊断的方法。仿真结果表明小波神经网络作为故障分类器具有收敛速度快,诊断准确等特点。     

电压敏感电路的故障诊断技术研究

电压敏感电路能够敏感发电机的输出电压,是发电机调压电路的重要环节,其发生的故障将影响电源系统的安全与稳定。利用小波子频带能量检测技术对输出电压信号进行处理,从中获取故障信息,作为神经网络的输入。训练过程及测试结果表明：基于松散型小波神经网络应用在电压敏感电路故障诊断中,具有较高故障诊断率,验证了该方法的有效性。     

基于PSO-BP的APU智能故障诊断方法研究

针对BP神经网络故障诊断稳定性差、精度低的问题,提出了一种基于PSO-BP神经网络的故障诊断方法。结合粒子群算法的全局搜索能力和BP神经网络反向传播的特性,不仅提高了故障诊断的准确性和稳定性,而且缩短了训练时间。仿真结果表明,PSO-BP神经网络算法比传统的BP神经网络故障诊断结果具有更高的精度、更快的诊断速度和收敛速度。     

基于小波包变换的模拟电路电源电流故障诊断

针对模拟电路故障诊断这一难点,运用基于IDDT技术的故障诊断方法,即利用小波包变换提取电源电流各频率成分的能量,作为神经网络的输入特征矢量进行故障诊断。仿真结果表明,该方法可以快速高效地进行模拟电路故障诊断与定位。     

基于小波神经网络的直升机主减速器故障诊断系统

应用离散小波变换(DWT)和神经网络相结合构建直升机主减速器速器故障诊断系统: DWT对振动信号进行特征提取,神经网络对故障进行辨识和分类。阐述了DWT、帕塞瓦尔定理和广义回归神经网络(GRNN)基本理论,提出了直升机主减速器的故障诊断系统流程图,最后用某型直升机飞行时主减速器上的振动数据对该系统进行验证。实验使用了BPNN(back-propagation neural network)和GRNN两种神经网络,结果表明:提出的故障诊断系统能对主减速器故障进行较好的辨识和分类,这将为直升机主减速器故障诊断系统的进一步开发提供新的技术参考。      

OLS算法在无人机传感器故障诊断中的应用

在故障诊断领域,神经网络故障诊断方法以其优良的特性正得到越来越广泛的应用。本文针对无人机的特点提出一种基于RBF神经网络故障诊断方法,通过建立神经网络预测器来实现无人机机载传感器的故障诊断,其中网络学习算法的选取将直接影响神经网络故障诊断的性能。正交最小二乘算法(OLS)以其在设定网络参数方面的优点常用来作为RBF神经网络学习算法。本文将介绍OLS算法的原理和实现步骤,通过VC 6.0编程实现OLS算法,并利用无人机机载传感器数据来验证OLS算法的有效性。     

基于PSO-RBF的飞机燃油系统故障诊断

把粒子群算法(PSO)优化的径向基神经网络(RBF)应用于飞机燃油系统故障诊断中.并与RBF和BP神经网络进行故障诊断性能比较.结果表明PSO-RBF神经网络在燃油系统故障诊断中有更高的诊断精度和效率.     

PID神经网络控制器在飞控系统中的应用

BP神经网络已被广泛应用于PID控制器的优化调参,但这种调参方法具有收敛速度慢、学习时间长、连接权重初值为随机值、易于陷入局部极小等缺点.提出了一种不同于用BP网络调整PID参数的新的融合方法:PID神经网络控制器(PIDNN);该控制器不仅能克服以上缺点,而且具有很好的鲁棒性.对PIDNN在某无人机姿态控制系统的应用进行了仿真研究,仿真结果表明该控制器能够大大地改善姿态控制系统性能.     

电机-变距螺旋桨动力系统功率优化控制

电动螺旋桨无人机应用越来越普及,但普遍续航时间较短,提高电动力系统效率、降低功率消耗是提高航时的主要措施。电机-变距螺旋桨动力系统（以下简称变距电动力系统）可同时改变转速、桨距两个量,存在桨距和转速的最佳组合,使系统功率最小。相比电机-定距螺旋桨动力系统,其在耗能方面具有特殊优势,但如何达到最小功率点,目前研究较少。针对上述问题,为提高计算效率,便于控制研究工作的开展,首先基于改进天牛须算法的BP神经网络训练得到变距电动力系统的神经网络代理模型。接着提出了一种变距电动力系统功率优化控制策略：在一定入流速度、拉力需求下,基于自适应扩展卡尔曼滤波-牛顿法实时优化桨距,并在一定桨距下利用模糊PID控制系统转速以达目标拉力,实现目标拉力需求下的最小功率控制。仿真验证结果表明,提出的功率优化控制策略鲁棒性更强、优化速度更快、收敛效果更好。     

基于神经网络的双馈感应发电机滑模控制

针对不平衡电网下双馈感应发电机运行不佳的问题,将神经网络控制和二阶滑模控制相结合构成的神经网络滑模控制器运用到双馈风力发电机的直接功率控制中。设计了二阶滑模控制器,二阶滑模能够有效地削弱传统滑模控制的抖振；接着,设计了径向基神经网络对系统的不确定部分进行逼近；最后,基于李雅普诺夫稳定性定理推导了神经网络权值更新律,证明了控制系统的稳定性。仿真结果表明所设计控制策略能对有功、无功功率及其定子电流进行有效控制,削弱了传统滑模控制中的抖振。     

基于RBF神经网络的液压位置伺服系统故障诊断

针对液压系统的非线性、时变、流固耦合的特点,提出双级径向基函数(Radial Basis Function,RBF)神经网络模型实现液压伺服系统故障检测与定位.采用第1级RBF网络作为液压伺服系统的故障检测滤波器,通过实际系统与RBF观测器输出的残差实现液压伺服系统故障检测.利用第1级RBF观测器的输出残差和网络结构参数,应用第2级RBF网络实现液压伺服系统典型故障定位.针对K均值聚类算法收敛速度慢的缺点,提出了改进K均值聚类算法和学习速率自适应调整算法,利用网络优化结构参数和学习率,加快神经网络收敛速度,减少运算量.实验结果表明,利用双级RBF神经网络能够有效地检测出液压位置伺服系统的故障,并能实现系统的故障定位.     

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。     

用自适应小波神经网络辨识动态实验数据

在气动动态实验中，往往飞行器气动模型是非线性的，很难对动态系统进行正确建模，因此无法得到准确的气动参数值。而采用自适应小波神经网络，无需对该动态系统建模，就可准确地辨识出气动动稳定特性，同时，精度较高、收敛速度较快。采用该方法对某导弹模型风洞自由飞实验结果进行了辨识与动稳定性分析，结果表明用自适用小波神经网络辨识安全可靠。     

基于深度神经网络的空中目标作战意图识别

传统基于空中目标特征状态推理作战意图的方法,需要大量的领域专家知识对特征状态的权重、先验概率等进行量化,明确特征状态与意图之间的对应关系,而神经网络可以在领域专家知识不足条件下,通过自身训练得到特征状态与意图之间的规则。针对反向传播（BP）算法在更新网络节点权值时收敛速度慢、容易陷入局部最优的问题,通过引入ReLU（Rectified Linear Unit）激活函数和自适应矩估计（Adam）优化算法,设计了基于深度神经网络的作战意图识别模型,提高了模型收敛速度,有效地防止陷入局部最优。仿真结果表明,所提方法能够有效识别空中目标作战意图,获得更高的识别率。