基于模糊信息粒化和优化SVM的航空发动机性能趋势预测

提出采用模糊信息粒化(FIG)和优化的支持向量机(SVM)来预测航空发动机参数的变化趋势和变化空间。利用模糊信息粒化方法对性能参数进行粒化处理。以K CV验证误差最小作为优化目标,采用遗传算法(GA)实现支持向量机惩罚参数和核函数参数的自适应优化选择；训练SVM模型并进行并对模糊粒子非线性预测。利用某航空公司的某型航空发动机性能参数监测数据进行验证,结果表明:该算法可以有效实现航空发动机性能参数变化趋势和变化空间预测。在实例基础上分析了窗口大小对算法预测精度的影响以及算法多步预测的效果,得出算法最佳窗口大小为3个数据且算法3步以内预测误差小于10%。      

结构自适应序贯正则极端学习机时间序列预测及其应用

为提高初始小样本情况下时间序列在线预测的精度,提出了一种结构自适应序贯正则极端学习机(SA-SRELM)。该方法在在线序贯学习阶段,针对不同训练样本规模选择不同的递推方式对输出权值进行更新;同时,在训练样本达到一定规模后,为提高预测模型对系统的动态适应性,在加入新样本的同时对旧样本进行剔除,完成预测模型的训练。利用3种混沌时间序列预测实例对所提方法的有效性进行了验证。最后,将所提方法用于航空发动机排气温度预测中,结果表明该方法相对正则极端学习机(RELM)和序贯正则极端学习机(SRELM)方法具有更好的泛化性能,预测精度分别是二者的约6倍和2倍。     

基于组合优化相关向量机的航空发动机性能参数概率预测方法

针对航空发动机性能参数预测过程中存在的不确定因素,提出一种基于组合优化相关向量机(CORVM)的概率预测方法.首先,通过正交小波变换将性能参数序列分解为具有不同特征尺度的随机分量和趋势分量,并分别建立各分量的相关向量机(RVM)回归预测模型.然后,以留一交叉验证误差最小作为优化目标,采用量子粒子群优化(QPSO)算法实现RVM核参数和嵌入维数的自适应优化选择.最后,组合各RVM回归预测模型得到最终预测均值及方差,进而得到预测值的概率分布.通过航空发动机排气温度变化量和滑油金属含量预测实例验证了方法的有效性,实验结果表明:该方法能够有效避免传统点预测方法可能导致的不可靠结果,并具有比单一模型更高的预测精度.     

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。      

NARX神经网络在航空发动机EGT趋势预测中的应用

航空发动机的健康状态是保证飞行安全的重要因素,能在早期发现发动机隐藏的故障,通过预测发动机性能参数的变化趋势来掌握发动机性能衰退情况,实现对发动机健康状态的准确判断,具有重要的意义。针对航空发动机性能参数的数据特点,提出将动态神经网络中的NARX(非线性自回归)神经网络模型运用到性能参数的预测中,并用航空发动机排气温度(EGT)的趋势预测对该方法进行了验证。验证结果表明,这种方法在性能参数预测的精度上优于BP神经网络的预测结果。     

涡轴发动机自适应非线性预测控制

为了实现当直升机旋翼负载变化时,尽量保持功率涡轮转速恒定,并提高系统动态品质,研究了一种针对涡轴发动机的自适应非线性预测控制(ANMPC)算法.基于涡轴发动机稳态数据和动态特性,采用递归最小二乘法(RLS)进行模型参数辨识,建立了具有在线自适应能力的涡轴发动机数值-ARX(auto regressive with external input)并联预测模型.在此基础上,通过多步输出预测和反馈校正,利用序列二次型优化(SQP)算法,进行在线滚动优化,从而获得了涡轴发动机ANMPC控制器.仿真结果表明:当旋翼负载变化时,相比于传统的串联PID(比例-积分-控制)控制器,ANMPC控制器能够使得功率涡轮转速收敛更快,超调量/下垂量更小.      

嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法.该方法将嵌入维数作为影响状态时间序列预测精度的重要参数,以交叉验证误差为评价准则,利用粒子群优化(PSO)进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型.航空发动机排气温度(EGT)预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测.     

基于试飞数据的航空发动机状态监测与故障诊断

在航空发动机飞行试验阶段,发动机技术状态变化快、故障频发,为了实时监控发动机工作参数变化情况,快速及时地预测并诊断发动机故障,本文研究了试飞数据驱动的航空发动机状态监控与故障诊断技术。文章基于实际试飞数据建立了航空发动机ANN-NARX参数预测模型,考虑到建模样本量大、模型结构复杂、训练时间长、输入输出延迟等因素,采用遗传算法对模型的最小数据样本需求和结构进行了改进优化,并利用蒙特卡洛方法确立了参数预测模型的自适应告警门限,同时基于构建奇偶空间残差模型实现了航空发动机典型故障诊断。结果表明：实际试飞中只需有限架次试飞数据的训练学习,即可得到发动机参数预测模型,高压转子转速、压气机后压力、涡轮后总温及滑油总回油温度预测相对误差最大值分别为：1.0%、1.7%、0.2%和1.2%,综合模型建模误差和参数测量误差后的自适应告警门限有效降低了模型预测结果的不确定性,在已有数据样本集上的典型故障识别率达到95.2%。     

嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

 针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法。该方法将嵌入维数作为影响状态时间序列预测精度的重?问?以交叉验证误差为评价准则,利用粒子群优化（PSO）进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型。航空发动机排气温度（EGT）预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测。     

基于改进果蝇算法优化的GRNN航空发动机排气温度预测模型

利用广义回归神经网络(GRNN)良好的非线性映射能力，对航空发动机排气温度(EGT)进行预测。由于GRNN的预测性能受宽度系数的影响，因此采用改进的果蝇算法优化广义回归神经网络(IFOA-GRNN)，并用优化后的GRNN对航空发动机的EGT进行预测。以某发动机为案例，选取相关参数作为预测模型的输入变量，EGT作为预测模型的输出变量。在相同的样本分配下，将FOA-GRNN(fruit fly optimization algorithm to optimize GRNN)、GRNN、自回归预测模型和优化的支持向量回归机作为对比算法。分析结果表明:IFOA-GRNN的收敛精度高于FOA-GRNN；IFOA-GRNN对EGT预测的平均相对误差为2.47%、拟合优度为0.8506，其预测效果均优于其他对比算法；同时，IFOA-GRNN对噪声的敏感性也低于其他对比算法。      

基于改进滑动窗多项式拟合法的 航空器4D航迹预测

准确的航迹预测是提升无人机飞行防相撞空中威胁态势预警能力的基础,针对入侵机,提出一种改进滑动窗多项式拟合航迹预测方法。主要进行两方面改进:一是对当前值之后的数个未来值预测时,为各个预测值在滑动窗内构建合适的多项式拟合方程;二是依据当前航迹值与此前有限个连续航迹值所反映出的目标运动模式信息,自适应调整拟合多项式阶数与滑动窗长度。结果表明:较之传统滑动窗多项式拟合法,本文方法具有更高的航迹预测精度,能够在一定程度上改善非合作航空器的航迹预测精度,验证了其在航迹预测中的可行性和有效性。     

基于非线性Wiener过程的航空发动机性能衰减建模与剩余寿命预测

针对航空发动机在性能衰减过程中普遍存在的非线性和三源不确定性问题,提出了一种基于非线性Wiener过程的航空发动机性能衰减建模与剩余寿命（RUL）预测方法。首先,为解决目前大多数剩余寿命预测方法中潜在假设的局限性,即当前时刻估计的漂移系数与上一时刻漂移系数的后验估计完全相等,在状态空间模型的框架下建立了一类新的同时考虑非线性和三源不确定性的性能衰减模型,并在首达时间下推导出剩余寿命的分布。然后,针对新研发航空发动机缺乏历史数据和先验信息的问题,提出了一种基于Kalman滤波和条件期望最大化（ECM）算法的参数估计方法,使得估计的模型参数不依赖于历史数据量。同时能够在获得一个新的性能衰减数据后,实现对模型参数的自适应估计和在线更新,进而实时地更新航空发动机的剩余寿命分布。实验结果表明,本文方法可以有效地提高剩余寿命预测的准确性,能为航空发动机的维修决策提供可靠的依据。     

基于复合推进系统动态模型-状态变量模型的航空发动机直接推力预测控制

直接推力控制可以有效改善推力控制的品质,针对航空发动机直接推力控制问题,进行了模型预测控制(Model Predictive Control, MPC)研究。为了提升航空发动机推力控制的精度,提出了基于复合推进系统动态模型-状态变量模型(Compact Propulsion System Dynamic Model-State Variable Model-State Variable Model, CPSDM-SVM)的航空发动机直接推力预测控制方法。CPSDM实时估计出不可测参数（推力、喘振裕度等）的基准值,SVM则根据未来输入实时预测发动机未来响应。由于CPSDM将发动机分为进气道、核心机、喷管、喘振裕度、推力等进行建模,在兼顾精度的同时,提高机载模型的实时性。CPSDM-SVM作为MPC算法中的预测模型,具有较高的精度和实时性。仿真结果表明,在与基于分段线化模型的传统模型预测控制方法实时性基本相同的情况下,所提出方法控制效果有明显的提升,调节时间减小了1.17s。所提出方法稳态控制精度为0.08%,传统方法稳态精度为2.58%。因此,所提出方法在保证实时性的条件下,提升了控制精度和控制效果。     

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。     

一种新型的内置式永磁同步电机无位置传感器控制策略

针对内置式永磁同步电机(IPMSM)在低速域运行时模型参考自适应观测器对电机参数变化敏感、位置检测精度低以及鲁棒性差等缺点,提出了通过利用电机本体的参考模型和相应可调模型的差值构造滑模面,取代了传统模型参考自适应观测器中采用PI调节器作为自适应机构的做法,并且采用模糊控制器自适应调整滑模增益以抑制滑模运动的抖振。在MATLAB/Simulink环境下搭建了仿真模型。仿真表明:在外部扰动以及电机参数变化时,估计转速和转子位置均能跟踪到实际的转速和转子位置。     

一种基于最小二乘拟合的数据关联算法

针对点航关联在多目标跟踪中精度与实时性难兼顾的问题,提出了一种基于最小二乘拟合的点航关联算法。首先采用滑窗将历史航迹截断,采用最小二乘法在不同维度分别拟合、外推融合航迹历史信息条件下的航迹点,增加外推点的多样性及信息量。同时定义了5种全概率关联事件,提取传统滤波方法的预测点,将拟合外推点与滤波预测点融合,使归属判决更加准确。最后分别推导了不同事件发生时的状态更新方程与误差协方差更新方程,给出了其中参数的确定方法。经仿真数据验证,与经典的最近邻域法和联合概率数据互联算法相比,所提算法能够更好地兼顾精度与实时性,且计算复杂度较低,易于工程实现。     

基于改进滑动时间窗口的国产民用飞机APM参数筛选研究

合适的飞行性能监测（APM）参数筛选方法可实现国产民用巡航飞机性能监控参数的高效筛选,为飞机性能分析计算提供可靠的数据基础。在无迹卡尔曼滤波（UKF）中引入 Sage-Husa 噪声估计器,构造自适应无迹卡尔曼滤波（AUKF）,利用 AUKF 对快速存取记录器（QAR）数据进行降噪;给出稳定巡航参数筛选的标准,采用改进滑动时间窗口算法对稳定巡航参数进行筛选,并通过国产 ARJ21 飞机的样本数据进行验证。结果表明：自适应无迹卡尔曼滤波算法能够提高数据的可靠性,改进滑动时间窗口算法使筛选效率提高约 50%。     

辅助动力装置控制系统传感器智能解析余度方法

针对辅助动力装置(APU)控制系统传感器故障,提出了一种基于协方差优化集成极限学习网络(COSELM)的传感器智能解析余度方法。该方法能够根据在线序列预测误差的最小方差来自适应更新单个在线序列极限学习机的权重系数,发挥和权衡各个学习模型的优势,通过提高模型算法的稳定性和泛化性,改善传感器智能解析余度的精度。通过在某辅助动力装置控制系统传感器解析余度的验证表明,提出的COSELM方法可以解决传感器在发生偏置故障时的信号重构问题,重构误差不超过1%,适用于不同辅助动力装置个体,为其提供可靠的解析余度。     

基于深度学习的辅助动力装置性能参数预测方法研究

针对传统机器学习的辅助动力装置(Auxiliary Power Unit, APU)性能参数预测方法不能充分利用参数数据间的时序性和非线性问题,提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)-长短期记忆(Long Short-Term Memory, LSTM)-注意力(Attention)的APU性能参数预测方法。首先,引入一维CNN,通过预处理的参数数据得到不同属性的抽象特征。然后,使用LSTM神经网络对这些特征进行记忆,并结合可以对特征状态赋予不同权重的Attention机制来实现参数预测。使用某型APU的参数数据预测未来不同步长的排气温度(Exhaust Gas Temperature, EGT)。实验结果表明,对于单步EGT的预测,CNN-LSTM-Attention模型在平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)指标上比CNN-LSTM、LSTM和简单循环神经网络(Simple Recurrent Neural Network, Simple RNN)模型分别降低了15.2%、32.5%、60.3%,在均方根误差(Root Mean Square Error, RMSE)指标上分别降低了7.3%、11.6%、32.9%。同时它在多步EGT的预测中具有较高的预测精度,证明了该方法的有效性,为短期APU性能变化趋势预测提供一定的参考。