异常值和未知观测噪声鲁棒的非线性滤波器

针对含异常观测值的非线性系统滤波问题,以Huber损失函数替代推导滤波器最大后验准则中观测误差的l₂范数,构造出了一种新的优化准则函数,从而给出了一种对异常值鲁棒的非线性后验线性化滤波器。分析表明：由于Huber损失函数兼具l₁和l₂范数的性质,从而使得由这个新准则推导出的滤波器,不仅具有l₂范数的低误差拟合性,也具备l₁范数对异常值的鲁棒性。而当观测噪声的分布未知时,通过引入箱线图法检测异常值,并对噪声统计分布的参数进行估计,进一步提出了对异常值和未知观测噪声分布鲁棒的非线性后验线性化滤波器。仿真实验验证了分析结果的有效性,并表明本文算法的性能优于现有文献报道的非线性滤波算法。     

CFD中统计误差的数值精度分析

在计算流体力学（CFD）的算法研究中经常会对离散误差进行数值精度分析，通常以统计误差的各范数为研究对象，最常用的统计误差范数为L₁范数、L₂范数和L_∞范数，一般认为各范数在数值精度上具有等价性。实际上，由于流场局部存在间断、网格局部不连续或者是在极值点附近采用非线性加权插值等可能使数值方法存在局部降阶问题，导致统计误差各范数所表达的数值精度并不一致。通过详细的理论分析，揭示了统计误差各范数所表达的数值精度之间的关系，并通过相应的数值试验予以验证。研究结果不仅能够指导CFD算法的数值精度验证工作，而且也可为更为复杂流动模拟的数值精度判定提供理论依据。     

基于稀疏重构的混叠脉冲序列的周期估计

针对于以往方法在克服抖动大和缺失率高的混叠脉冲信号周期估计上的不足,提出了一种基于稀疏重构的混叠脉冲序列的隐藏子周期估计新方法。该方法首先针对由多个具有不同周期的脉冲串混合而成脉冲序列进行插值重采样,然后利用由Ramanujan构造的周期字典,建立了混叠脉冲序列的稀疏表示模型,最后采用联合l_2,0混合范数算法求得混叠脉冲序列的周期估计。方法的优点是具有较强抗噪能力和抗脉冲缺失能力,并且不受初相的改变影响。所需要较少的脉冲数据长度就能得到准确的周期稀疏解。仿真实验表明,所提方法具有更好的估计性能。     

基于模糊核均值聚类优化的光流测速方法CSCD

光流算法作为一种载体速度测量方法,易受光照变化、物体相对移动影响,最终导致速度信息获取不准确。为了提高载体运动速度解算精度,提出了一种基于模糊核均值聚类算法优化的金字塔Lucas-Kanade光流测速方法(FKCM-金字塔LK)。该方法首先通过金字塔LK光流算法得到稀疏光流,然后使用模糊核均值聚类算法对稀疏光流数据进行聚类处理,最终建立光流与实验平台运动参数之间的关系,并得到准确的速度信息。实验结果表明,提出的基于模糊核均值聚类算法优化的金字塔LK光流测速方法不仅可以有效地减少物体相对移动对光流测速的影响,而且与现有其他光流测速方法相比,速度测量精度得到显著提高。     

样本量为2的极小样本相容性检验方法

在航空航天领域由于成本、时间周期等原因进行疲劳寿命及可靠性评估时样本量通常极少（m=1或2）,利用相容性检验方法可对样本量进行扩充。常规的Wilcoxon秩和检验和K-S（Kolmogorov-Smirnov）检验适用于小样本情形,而极小样本相容性检验方面研究较少,且缺乏对方法合理性的详细说明和对不同方法检验功效优劣的比较。航空航天产品疲劳寿命多服从正态分布,因此本文主要以正态分布作为研究对象。利用Monte Carlo仿真发现从某一正态分布N（μ,σ²）中随机抽取两个样本x₁、x₂计算均值μ₁和标准差σ₁后构建新正态分布N（μ₁,σ₁²）,其±σ₁、±2σ₁和±3σ₁范围内的点落在原正态分布N（μ,σ²）±3σ范围内的概率依次为99.80%、98.13%和97.37%。在此基础上针对现场试验数据样本量为2的情况,本文提出利用3σ原则对先验信息数据进行相容性检验从而扩充样本量的方法。将该方法与两种文献方法对比后发现其误差率明显更低并呈现出检验性能随先验数据增加而不断提高的优势。     

飞机工艺组件划分的模糊聚类方法

提出了飞机工艺组件划分的模糊聚类方法.首先建立飞机结构件装配的类型层次树,通过对象类型匹配建立工艺组件划分的主体结构:然后利用模糊聚类方法,计算剩余工艺组件与邻接工艺组件之间的隶属程度,采用刚度、装配操作难易程度以及装配对象空间邻近性等指标对工艺组件进行评判,最终决定工艺组件划分方案.     

地面停放飞机局部温度环境研究

确定地面停放飞机局部温度环境的变化规律是编制飞机结构局部环境谱和解决传感器"温漂"问题的关键工作。为此,开展了地面停放飞机局部温度实测工作,对不同舱室的温度变化规律进行了分析;基于模糊聚类的方法,根据局部温度的差异将飞机舱室划分为3类;选取结构系数和日照系数为关键参数,研究了环境温度对局部温度的影响规律;以百叶箱温度为自变量,建立了飞机局部温度模型;并通过统计方法确定了3类舱室温度模型关键参数的取值范围。研究结果表明:同一密闭状态下的不同飞机舱室可以有较大的温度差异;影响舱室温度的主要因素有日照、降雨以及舱室的结构形式和位置;实测温度与模型预测温度的对比证实了模型具有较高的精度。     

基于H∞算法的飞机机翼结冰气动参数辨识

针对国内大型飞机结冰防护需求,开展针对大型结冰研究样机的H_∞算法参数辨识结冰探测研究。首先通过参数调节选取一组合适的H_∞算法参数,利用考虑测量噪声的结冰研究样机飞行仿真数据验证H_∞算法的辨识能力,由结果对比发现辨识算法能够跟踪飞机气动导数随结冰累积过程的变化趋势,辨识精度较高,其最大归一化平方根（RMS）误差仅为真值的11%;分析了H_∞算法对81种不同结冰累积过程的辨识能力,通过结果分析发现结冰累积时间较长且结冰速度较慢的情况辨识效果较差,结冰累积时间在100~300 s之间辨识精度较高;最后利用蒙特卡罗仿真分析了不同测量噪声大小对H_∞算法辨识精度和跟踪延时的影响,给出了3个纵向气动导数在随机误差影响下的辨识误差和跟踪延时的统计结果,发现在给定噪声标准差变化范围内,升力和俯仰力矩关于迎角的导数能够得到较为准确的辨识结果,二者的归一化平方根误差均值仅为各自真值的1.8%和4%,其预报延时均值最大仅为3 s和9.5 s。     

基于改进主元分析的故障诊断方法研究

提出了一种主元分析与模糊聚类相结合的故障诊断方法,该方法首先用主元分析方法降维、提取故障特征,并计算出T2值和Q值,若超过阈值说明有故障发生,则用模糊聚类识别故障,具有诊断时间短、准确性高的优点.通过对田纳西-伊斯曼过程的仿真表明了该方法的有效性.     

基于簇特征加权的航空发动机状态监视方法

提出了基于簇特征加权模糊C-均值聚类算法(FWFCM)的航空发动机状态监视模型,该模型主要分为离线学习和在线监视两个部分,离线学习模块计算出模型参数输出到在线监视模块,在线监视模块根据模型参数对实时数据进行分类,实时数据又输入到离线学习模块中参与更新模型参数.结果表明:相比基于数据加权策略的模糊聚类算法(DWFCM)以及经典模糊C-均值聚类算法(FCM),该方法平均离线状态识别率和在线状态识别率分别提高了5.233%和8.358%.实验证明此方法性能好且有很好的鲁棒性和泛化能力,对于不确定性的航空发动机在线状态监视有较好的应用价值.      

Continual learning fault diagnosis:A dual-branch adaptive aggregation residual network for fault diagnosis with machine increments

As a data-driven approach, Deep Learning(DL)-based fault diagnosis methods need to collect the relatively comprehensive data on machine fault types to achieve satisfactory performance. A mechanical system may include multiple submachines in the real-world. During condition monitoring of a mechanical system, fault data are distributed in a continuous flow of constantly generated information and new faults will inevitably occur in unconsidered submachines, which are also called machine increments....     

基于RDK-ELM 的航空发动机控制系统故障诊断

为保持较高诊断正确率,缩短训练时间,满足航空发动机故障诊断对于实时性和高诊断率的需求,提出1种对深度核极限学习机的简约改进方法。输入数据中随机选取部分数据作为支持向量,结合深度学习网络的多层结构,完成了对输入样本的特征提取,通过核函数实现了高维空间映射分类。数字仿真表明:算法分类正确率高,训练时间短,可应用于航空发动机控制系统的故障诊断。     

航空发动机部件性能故障融合诊断方法研究

提出一种对航空发动机部件性能蜕化进行融合诊断的模糊决策融合机制,以改善单独采用基于模型和基于数据的部件性能故障诊断的漏诊与误诊的问题.传感器测量值同时输入到基于自适应模型的和基于数据的诊断模块中,分别利用卡尔曼滤波算法和最小二乘支持向量机(LSSVM)对主要部件故障性能参数估计,再利用模糊逻辑调整决策权重以进行D-S(Dempster-Shafer)证据理论的决策融合诊断.以某型涡扇发动机为对象进行单部件和双部件蜕化仿真研究表明,与单独使用基于模型和基于数据的诊断方法相比,采用决策融合机制有效地提高了部件故障诊断精度.      

A fault diagnosis model based on weighted extension neural network for turbo-generator sets on small samples with noise

In data-driven fault diagnosis for turbo-generator sets, the fault samples are usually expensive to obtain, and inevitably with noise, which will both lead to an unsatisfying identification performance of diagnosis models. To address these issues, this paper proposes a fault diagnosis model for turbo-generator sets based on Weighted Extension Neural Network (W-ENN). W-ENN is a novel neural network which has three types of connection weights and an improved correlation function. The performance of the proposed model is validated against Extension Neural Network (ENN), Support Vector Machine (SVM), Relevance Vector Machine (RVM) and Extreme Learning Machine (ELM) based models. The results indicate that, on noisy small sample sets, the proposed model is superior to the other models in terms of higher identification accuracy with fewer samples and strong noise-tolerant ability. The findings of this study may serve as a powerful fault diagnosis model for turbo-generator sets on noisy small sample sets.     

共因失效条件下多状态系统选择性维修优化

共因失效（CCF）广泛存在于多状态系统（MSS）中,研究共因失效条件下多状态系统的维修优化问题,对于提高系统任务成功概率、降低故障损失具有重要意义。考虑多状态系统、任务剖面和随机共因失效的模糊特性,采用模糊马尔可夫模型（FMM）和模糊通用生成函数（FUGF）法,建立了模糊随机共因失效条件下模糊多状态系统（FMSS）任务成功概率评估解析模型（AM）,采用Monte Carlo仿真（MCS）方法对模型进行了验证;考虑维修费用约束,建立了模糊随机共因失效条件下模糊多状态系统选择性维修优化模型,为生成最优维修方案提供支持,结合实际案例,分析了随机共因失效对选择性维修优化和系统各状态的模糊概率的影响,验证了模型的有效性。研究结果表明,模糊随机共因失效和各模糊参数的α水平截集可能会影响选择性维修优化的结果,且忽略模糊随机共因失效会高估系统任务成功概率。     

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。