基于降维和随机森林的航空发动机涡轮盘应力预测

为了给发动机涡轮盘寿命管理提供有效的数据输入及后续工程应用提供依据,本文基于统计学习和机器学习方法,提出基于降维和随机森林的航空发动机涡轮盘应力预测模型,以发动机可测参数作为初始特征,通过相关性分析、主成分分析与聚类分析,实现了对总体参数样本的降维,并提取出主控因素,再利用随机森林算法建立航空发动机涡轮盘应力预测模型。结果表明：该方法预测精度比未降维的随机森林模型更高,判定系数R2达到0.985以上,证明该方法对航空发动机涡轮盘应力预测是有效的。     

航空发动机排气温度基线建模方法

为实现航空发动机巡航过程中的实时监控,及时发现发动机状态参数的异常变化,提高飞行安全水平,建立航空发动机排气温度(EGT)健康基线。以CFM56-5B型航空发动机为例,将A320飞机机载ACARS系统下传的报文作为原始数据样本,依照设定的数据筛选原则和预处理方法,建立RBF神经网络的输入训练样本和输出训练样本。选用观测基线为网络的输出节点,应用Pearson相关性分析确定网络的8个输入节点。以高斯函数作为网络隐藏层的激励函数,线性函数作为输出层的激励函数,使用NeuroSolutions 6软件实现网络算法。对预测基线和观测基线实施配对非参数检验和图形对比以检验网络精度,结果表明建模方法是建立航空发动机排气温度健康基线的一种有效方法。     

一种鲁棒的概率核主成分分析模型

大数据时代面临的数据维数越来越高,对数据降维处理越发显得重要。经典的主成分分析模型已被证明是一种有效的数据降维方法。但它在处理非线性、存在噪声和异常点的数据时存在效果较差的问题。对此,文章提出了一种鲁棒概率核主成分分析模型。该模型将核方法与基于高斯隐变量模型的极大似然框架相结合,用多元 t分布作为先验分布,以同时解决主成分分析在这 3个方面的弊端。提出混合鲁棒概率核主成分分析模型,使其可直接用于对混合的非线性数据进行降维和聚类分析。在不同数据集上进行的实验结果表明,与标准的混合概率核主成分分析模型相比,文中模型在数据聚类方面有更高的准确率。     

基于KPCA-BLSTM的航空发动机多信息融合剩余寿命预测

复杂航空发动机在运行过程中易出现多退化信息而导致寿命预测不精确的问题,为此提出基于核主成分分分析（KPCA）和双向长短时记忆（BLSTM）神经网络的多信息融合寿命预测模型。首先采用KPCA 对多维退化数据集进行降维处理和信息融合,得到能够表征设备退化的低维特征数据集;然后利用BLSTM 神经网络模型对带有多维退化信息的航空发动机剩余寿命进行预测,得到监测数据与剩余寿命的映射关系;最后采用C-MAPSS 航空发动机退化数据集对提出的多信息融合寿命预测模型进行仿真验证,并与其他三种模型结果进行对比。结果表明：KPCA-BLSTM 能够对多维退化信息下的剩余寿命进行精准预测,本文提出的预测模型的误差与得分优于其他三种模型,而且预测精度更高。     

基于马氏距离的航空发动机健康监控方法

航空发动机健康监控是实现航空发动机健康管理的关键技术之一。针对航空发动机健康监控高维计算复杂度高的问题,提出了一种基于主成分分析与马氏距离结合的计算方法。首先通过主成分分析对性能监测参数进行降维,并采用马氏距离计算发动机的健康参数,最终根据威布尔分布确定健康参数的警戒值。实例计算结果表明,方法能够较好反映航空发动机健康状态,并能检测运行过程中出现的异常点。     

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。     

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。     

基于状态感知的航空发动机变基线模型建模方法研究

机载模型是先进航空发动机控制方法的基础,基线模型作为机载模型的重要组成部分,其建模准确度决定了机载模型的精度。针对传统单一基线模型在局部飞行包线精度高,而难以用于发动机全包线、全状态稳态性能预测的问题,提出了一种基于状态感知的发动机变基线模型建模方法。首先在小波变换滤波的基础上,提出基于状态感知的最优稳态数据筛选阈值计算方法,以减少稳态数据的错选或遗漏;其次,提出基于高斯混合模型（GMM）的变基线模型建模方法,利用GMM实现飞行数据自主聚类,并结合回归分析法,构建全包线、全状态的高精度变基线模型。仿真结果表明：本文提出的稳态数据筛选方法能有效避免数据错选或遗漏,相比于常规的单一基线模型,所提出的变基线模型可使高、低压转子转速的相对均值误差分别减小45%,30%以上。该方法能显著提升基线模型精度,同时实现了稳态数据自动化提取,避免了过多依赖人工经验且难以获得最优阈值的问题。     

主成分分析在发动机状态监控与故障诊断中的应用

讨论了主成分分析在发动机状态监控与故障诊断中的应用,即利用主成分分析对近似线性相关的多个向量进行降维的问题。特别讨论了一般文献中很少注意的两个特殊问题,即测量数据的等方差化问题和中心化限制问题。以ＪＴ９Ｄ发动机故障、故障系数向量以及ＪＴ９Ｄ和ＰＷ４０５６发动机维修指标的降维问题为例说明主成分分析的应用。研究结果表明,利用主成分分析可以将ＪＴ９Ｄ发动机的２６个故障因子综合成９个、或者将５个单元体的１０个故障因子缩减到５个综合变量,并且改善了故障方程的病态特性,因而可以有效地提高故障诊断的可靠性。文中还对用于降维处理的主成分分析方法与线性回归分析（最小二乘法）进行了比较,表明主成分分析方法是解决所提出的降维问题的更为有效的手段。     

基于PCA-BP的航空发动机大修周期预测方法

航空发动机大修具有影响因素多、因素之间耦合关系复杂等特点,针对数据驱动的航空发动机大修周期预测,提出基于主成分分析和反向传播神经网络(PCA-BP)的航空发动机大修周期预测方法。在分析影响航空发动机大修周期主要因素的基础上,采用PCA方法得到影响航空发动机大修周期的主成分因素,并将其作为BP神经网络的输入。基于某型航空...     

基于全航段QAR数据和卷积神经网络的航空发动机状态辨识

为了充分挖掘全航段飞行数据中蕴含的丰富信息以提高发动机状态辨识的准确率,提出一种基于全航段快速存取记录器（QAR）数据和卷积神经网络的发动机状态辨识方法。该方法将每次飞行循环的全航段QAR数据变换为一个红绿蓝（RGB）多通道样本实现全航段数据图像化处理,根据发动机维修记录中的水洗时间,将发动机划分为不同的衰退状态,采用卷积神经网络对不同衰退状态进行分类和辨识。该方法经某航空公司飞机QAR数据验证,结果表明：基于全航段QAR数据的衰退状态辨识算法的精确度相比于仅使用巡航段数据的精确度提升超过13%,辨识准确率达到98%。     

一种航空发动机运行可靠性评估方法

航空发动机运行过程中,可靠性评估是航空发动机可靠性评估领域的关键问题之一,而合理的评估方法能够提高可靠性分析的效率和精度,因此本文提出一种支持评估飞机任务过程中航空发动机运行可靠性的方法。结合飞行任务特点和航空发动机工作特性,以快速存取记录器信息为分析数据,考虑当前运行环境、飞机瞬时状态、发动机当前工作状态 3 类因素对运行可靠性进行分析;将随机森林算法与分层抽样法结合对数据进行拟合、预测并计算特征重要度;以 B737-800 机型一次北京—乌鲁木齐的飞行任务为例,对方法的有效性和可行性进行验证。结果表明：本文提出的可靠性评估方法解决了航空发动机运行过程中数据量大、维度高导致的数据处理困难问题。     

基于GSP仿真和SDAE的航空发动机故障诊断

为了深入研究航空发动机故障机理,提出基于航空燃气涡轮发动机性能仿真软件(GSP)和堆栈降噪自编码器(SDAE)的航空发动机故障诊断方法。通过GSP性能仿真方法模拟发动机在不同设计参数下的部件故障,并得到对应的运行状态参数;从每种故障类型下的长时间序列的状态参数中提取出向量化的曲线特征,构成故障样本;将故障样本带入SDAE模型中进行深度特征提取,经过前向传播和反向微调得到训练好的模型用于发动机故障诊断。结果表明:GSP能够通过参数更改来模拟微弱故障下的状态参数,从而构建多故障样本集;SDAE的重构误差和反向传播误差能够快速收敛到较小值,SDAE的故障诊断正确率为99.5%;与深度信念网络(DBN)、人工神经网络(ANN)以及经典机器学习方法支持向量机(SVM)相比,SDAE的故障分类正确率分别提高了0.8%、6.9%和10.1%。     

基于核函数主元分析的航空发动机故障检测方法

航空发动机性能由正常到异常、再由异常发展到完全故障的阶段,其参数变化具有一定非线性特征。为了有效检测这种具有非线性特征的故障,提出一种基于核函数主元分析(KPCA)的非线性故障检测方法。该方法通过核函数完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间,在特征空间中使用线性主元分析(PCA)方法计算主元,构造T2和SPE统计量检测故障的发生。通过对某型涡扇发动机进行实例验证分析,结果表明,KPCA方法一方面克服了综合参数法由于没有确定的警戒值而无法有效地进行故障检测的不足;另一方面KPCA方法在非线性故障检测过程中能够提取重要的非线性特征信息,因而比PCA方法能更早地检测到早期潜在故障,且KPCA方法检测错误率更低。因此,KPCA方法更适合于具有非线性特征的航空发动机故障检测。     

案例推理和神经网络在航空发动机稳态模型中的应用

传统建模方法难以准确建立航空发动机数学模型,单纯使用BP神经网络建模又有其不足.将案例推理和改进BP方法相结合,根据案例推理优化训练数据,再利用神经网络,建立了发动机稳态模型.结果表明,该模型有较高的稳态精度,而且具有较好的泛化能力.     

基于原子搜索Kriging模型方法的民用飞机液压系统温度监测

温度是民用飞机液压系统性能的重要表征参数之一,为有效实现液压系统温度监测,基于Kriging 模型和原子搜索算法（ASO）,提出了一种基于原子搜索Kriging 模型（ASOKM）方法。首先,针对液压系统温度故障发生原因进行分析,建立其故障逻辑图,明确影响液压系统温度的特征参数;然后,结合快速存取记录器（QAR）数据,论述了ASOKM 方法建模原理;最后,通过某型国产民用飞机液压系统温度监测分析,对所提出的ASOKM 方法进行有效性验证。研究结果表明：ASOKM 方法的训练平均绝对误差、监测平均绝对误差低于响应面（RSM）、Kriging、BP 神经网络（BP-ANN）模型,具有较高的精度、效率和鲁棒性。所提方法可以为液压系统可靠性分析、故障诊断、预测维修提供借鉴。     

神经网络在发动机自适应建模中的应用研究

提出了一种新的基于神经网络的发动机自适应实时模型的建模方法。建模的思想是认为发动机的任何非额定工作都将导致其输出参数的变化,因而可以把这些参数偏离正常工作参数值的变化量,也就是输出偏离量,用来表征发动机的非额定工作情况。把它们作为增广的状态变量,设计卡尔曼滤波器对其进行最优估计,然后用这些输出偏离量的估计值,通过由BP神经网络训练出来的可测输出偏离量与未测输出偏离量的映射关系来校正机载发动机模型的计算输出,使之与真实发动机的输出一致,从而使实时机载模型获得对任何发动机非额定工况的自适应能力。      

Aerodynamic Modeling and Parameter Estimation from QAR Data of an Airplane Approaching a High-altitude Airport

Aerodynamic modeling and parameter estimation from quick accesses recorder (QAR) data is an important technical way to analyze the effects of highland weather conditions upon aerodynamic characteristics of airplane. It is also an essential content of flight accident analysis. The related techniques are developed in the present paper, including the geometric method for angle of attack and sideslip angle estimation, the extended Kalman filter associated with modified Bryson-Frazier smoother (EKF-MBF) method for aerodynamic coefficient identification, the radial basis function (RBF) neural network method for aerodynamic modeling, and the Delta method for stability/control derivative estimation. As an application example, the QAR data of a civil airplane approaching a high-altitude airport are processed and the aerodynamic coefficient and derivative estimates are obtained. The estimation results are reasonable, which shows that the developed techniques are feasible. The causes for the distribution of aerodynamic derivative estimates are analyzed. Accordingly, several measures to improve estimation accuracy are put forward.     

Dynamic parametric modeling-based model updating strategy of aeroengine casings

For accurate Finite Element (FE) modeling for the structural dynamics of aeroengine casings, Parametric Modeling-based Model Updating Strategy (PM-MUS) is proposed based on efficient FE parametric modeling and model updating techniques regarding uncorrelated/correlated mode shapes. Casings structure is parametrically modeled by simplifying initial structural FE model and equivalently simulating mechanical characteristics. Uncorrelated modes between FE model and experiment are reasonably handled by adopting an objective function to recognize correct correlated modes pairs. The parametrized FE model is updated to effectively describe structural dynamic characteristics in respect of testing data. The model updating technology is firstly validated by the detailed FE model updating of one fixed–fixed beam structure in light of correlated/uncorrelated mode shapes and measured mode data. The PM-MUS is applied to the FE parametrized model updating of an aeroengine stator system (casings) which is constructed by the proposed parametric modeling approach. As revealed in this study, (A) the updated models by the proposed updating strategy and dynamic test data is accurate, and (B) the uncorrelated modes like close modes can be effectively handled and precisely identify the FE model mode associated the corresponding experimental mode, and (C) parametric modeling can enhance the dynamic modeling updating of complex structure in the accuracy of mode matching. The efforts of this study provide an efficient dynamic model updating strategy (PM-MUS) for aeroengine casings by parametric modeling and experimental test data regarding uncorrelated modes.     

基于DBN的不均衡样本驱动民航发动机故障诊断

在结合深度置信网络(DBN)、采样与集成技术的基础上,提出了基于不均衡样本驱动的民航发动机故障诊断模型。该模型通过分析民航发动机历史飞行数据,利用DBN提取性能参数中的内部特征,利用采样技术将不均衡样本均衡化,采用集成技术进行故障分类。将该模型应用到CFM56-7B系列发动机历史飞行数据,实验结果表明:与常用故障诊断方法相比,该模型的准确率高达0.996,AUC值高达0.948,可以有效处理民航发动机样本高维、不均衡问题。