模糊超体神经网络及其在火箭发动机故障分离中的应用

提出了一种用模糊集表示火箭发动机故障模式的神经网络二次分离器,模糊集是由模糊超体聚集形成的集合体,模糊超体在一次分离中表现为由半径和球心确定的n维超球,在二次分离中是一个由夹角、球心和方向矢量确定的部分超球。神经网络二次分离学习算法与一次学习算法相比,提高了训练样本的分离精度,增强了神经网络对故障的敏感性。      

基于1-DISVM的聚类模型及直升机齿轮箱故障诊断应用

针对当前故障诊断中存在的训练样本少、知识难获取的问题,结合SVM小样本学习的特点,提出一种基于SVM的自学习聚类模型。通过改进无监督1-SVM算法上的不足,形成一种改进决策1-SVM(1-DISVM)算法,由此构建了多模式训练与分类算法,并设计出基于1-DISVM的自学习聚类模型。最后对其进行仿真验证,并应用于直升机齿轮箱的故障诊断,结果表明该方法能从少量样本中自学习输入模式的内在规律,自适应地对未知故障模式进行准确地分类识别。     

一种改进的模糊可靠度计算方法

根据模糊集理论推导了一种模糊可靠度的计算方法,并对模糊可靠度计算时如何运用隶属函数的问题进行了讨论.该方法的特点是将模糊可靠度用普通事件的概率来表示,因而其应用范围更广,且适用于计算机的仿真.     

非线性系统在线模糊建模的快速算法

对于复杂、病态、非线性动态系统,基于模糊集合的模糊模型,利用模糊推理规则描述动态系统的特性,是一种有效方法。讨论了利用模糊方法实现非线性系统的建模方法。首先,利用在线模糊竞争学习方法划分输入变量的模糊空间,然后利用卡尔曼滤波算法辨识模糊模型的参数。仿真结果表明了该方法的实用性和有效性。     

非线性飞机参数化模型与控制有效率的实时检测

针对非线性飞机方程的控制有效率进行了故障检测与诊断，通过将吹风表格数据处理成一种参数化非线性函数，找出了飞机状态量与控制律分离的控制有效率表达式和检测方法，算法中将检测结果与对应故障模式进行了分类处理，提高了算法的鲁棒性，最后用飞机的实例进行了仿真验证，结果表明，该算法具有较高的检测精度和较快的检测速度。     

基于模糊粗集的航空发动机特征参数提取算法

提取发动机性能状态的特征参数,是提高发动机故障识别正确率和可靠性的必要条件.针对实际航空发动机故障参数所具有的模糊和连续性特点,提出了一种基于模糊粗糙集的特征参数提取算法,并应用到某型航空发动机故障识别.研究结果表明:属性约简的核则为导致发动机故障的特征参数,以此特征参数进行故障诊断,可保证较高的诊断精度;同时,该算法的抗干扰性提高了整个系统故障识别的正确率.该算法可用于航空发动机故障分类、故障诊断以及状态监控.      

一种以模拟电路测点和指标表示最优故障判别效果的决策树实现方法

描述了一种由测点和指标样本所表示的故障空间,给出了一种基于Fisher判别的故障分类决策过程。为了提高故障判别能力,提出了一种由测点和指标组合所表示的最优判别效果评价准则,并基于此,设计了相应的决策树算法。     

双并联前向神经网络及其在飞行故障检测仿真研究中的应用

首次把飞行故障检测视为一个非线性数据分类问题,从而可望借助人工神经网络来处理。为了克服ＭＬＦＮＮ在数据分类中存在的学习慢与分类精度低,发展了由ＭＬＦＮＮ和ＳＬＦＮＮ并联并可接收编码输入的ＤＰＦＮＮ模型,还将训练ＭＬＰ的有关算法推广到ＤＰＦＮＮ情形。用计算机仿真了若干飞行故障模式并用于测试ＤＰＦＮＮ。     

联合优化的BP神经网络模型的应用研究

BP算法因收敛速度慢、易于陷入局部极小值等缺点，使得对于较大的搜索空间、多峰值和不可微函数常常不能搜索到全局极小点，这些制约了BP网络在各个领域中的应用。本文通过对学习系数、神经元的激励函数及误差函数的联合优化，在一定程度上避免了学习中的局部极小问题，提高了学习效率，改进了网络的性能。     

基于知识工程的飞机装配过程故障智能诊断技术

针对飞机装配过程中故障产生原因复杂,描述文本较长的特点,结合深度学习理论,提出了基于知识工程的故障智能诊断方法.首先对飞机质量故障表单进行属性约简,利用基于词库与全模式分词相结合的分词算法约简长文本属性.通过深度学习算法将长文本属性向量化表示,然后利用最相邻(KNN)算法与余弦相似度算法,从历史故障表单中检索出与新表单...     

神经网络在液体火箭发动机故障检测中的应用 (Ⅱ)模式识别技术

基于模糊超球神经网络,提出了一种液体火箭发动机故障的实时检测系统。它采用模式识别技术,在建立正常工作状态的样板模式之后,把当前样本与样板模式进行比较,进而判断发动机工作状态。发动机试车数据分析表明：模糊超球神经网络对输入样本非常敏感。     

应用反推神经网络检测液体火箭发动机多维故障

基于可测参数所构成的参数模式对应着一定的发动机故障模式, 应用反推神经网络检测发动机多维故障, 方法的有效性由只有泵效率下降和喷注器阻塞同时发生的数值仿真得到验证      

动态神经网络在液体火箭发动机故障检测与分离中的应用

应用动态神经网络在线辨识方法，提出了一种液体火箭发动机故障实时检测与分离基本系统。检测逻辑通过度量包含发动机故障信息的辨识残差信号实现火箭发动机故障检测，故障分离通过分析辨识误差相关函数的不同空间特征来实现。仿真研究表明动态神经网络可成功地应用于泵压式液体火箭发动机故障检测与分离。     

火箭发动机推力自校正控制研究

由于飞行器姿态控制和空间探测任务的特殊需要,要求对火箭发动机的推力进行控制。变推力液体火箭发动机可以满足这一要求,但当发动机的推力大范围变化时,发动机的动态特性随之变化,这使得简单的反馈控制难以满足控制要求。为了改善控制品质,本文为此研究了最小方差自校正控制问题。      

液体火箭发动机混合比故障检测

正常模型　变推力发动机其系统结构和数学模型的推导详见文献[1]。在这里,我们主要是要研究如何根据系统仅能提供的燃烧室压力测量值检测混合比严重偏高的故障,所以略去其它部件(见图1)。      

近代大型液体火箭发动机的特点

本文对近代大型液体火箭发动机的特点进行了综述和分析.文中指出:使用高能、无毒的液氧、煤油和液氧、液氢为大型液体火箭发动机的推进剂势在必行;采用高压补燃循环系统可以明显提高发动机的比冲、减小发动机尺寸和质量;采用推进剂利用系统可以减少推进剂的剩余量,以提高运载火箭的有效载荷;使用辅助增压泵可降低贮箱压力,并提高发动机主泵的入口压力,以保证主泵在没有汽蚀的条件下可靠工作;高可靠性、长寿命和重复使用对航天产品尤为重要.     

基于人工噪声神经网络BP算法的火箭发动机故障仿真与检测

研究了用于液体火箭发动机故障仿真与故障检测的神经网络ＢＰ算法。在ＢＰ算法中采用了加噪声等技术来避免系统误差陷入局部极小，训练出精度高（误差小于０．０２）的神经网络，试验表明：神经网络ＢＰ算法成功地用于故障仿真与故障检测。     

用运载器评价发动机方案的方法

早期在对液体推进剂火箭发动机方案进行评价与选择时,仅以发动机本身的指标(如比冲、推重比等)作为方案比较的标准。这样没有考虑发动机子系统与运载器总系统的相互联系,得不到合理的评价结果。液体推进剂火箭发动机是航天运载器的一个子系统,采用运载器的性能指标评价发动机方案才能得到比较客观的结果。 本文推导了运载器的评价指标,给出了运载器的线性化质量方程,阐述了运载器设计参数的简化确定方法,由此提出了一个采用运载器评价发动机方案的方法。最后应用提出的方法对五个发动机方案进行了评价。     

神经元网络在液体火箭发动机健康监控中的应用

含有噪声的、正常和稳定的传感器数据训练 ART2神经元网络 ,用于液体火箭发动机( L RE)故障检测。每个传感器连续窗的功率谱输入 ART2神经元网络进行学习 ,试验学习好的神经网络 ,验证其能否有效地检测出发动机故障以及故障发生时间。传感器数据来自某变推力液体火箭发动机地面试车 RS61。试验结果表明 ,神经元网络显示的故障发生时间与试车后专家分析的故障开始时间相符