精细化涡扇发动机过渡态建模与验证

为了提高涡扇发动机过渡态性能仿真的精度并实现过渡态性能计算模型的工程应用，梳理了不同因素对涡轮发动机过渡态性能的影响机理，介绍了各影响因素的建模方法，在此基础上建立了精细化涡扇发动机整机过渡态性能仿真模型。研究分析了总温、总压和燃油流量传感器的过渡态效应及其建模方法。最终利用涡扇发动机整机地面台架加减速性能试验数据对精细化过渡态模型进行了验证，结果表明：高低压物理转速、推力、压气机出口总压和内涵排气温度的平均误差分别为0.45%,0.77%,0.61%,0.44%和1.77%，最大误差分别为2.82%,1.92%,7.45%,5.67%,5.28%，加速时间的误差小于0.26s。本文揭示了过渡态性能仿真模型误差的机理。     

基于深度长短期记忆网络的发动机叶片剩余寿命预测

为了研究航空发动机转子叶片的剩余寿命预测问题,提出了一种基于多传感器信号融合的深度长短期记忆网络(DLSTM)预测模型。首先利用深度学习和长短期记忆的组合来构造DLSTM网络。然后,将多个传感器信号数据进行融合处理,从而通过深度学习发现各个传感器时序信号之间隐藏的长期依赖关系。进一步在给定网格搜索策略的情况下,通过自适应矩估计算法调整DLSTM的网络结构和参数,并且在DLSTM模型中引入了一种随机丢失策略,以缓解过度拟合问题并使预测模型规范化。最后利用CMAPSS涡扇发动机进行了实验验证,在一种故障模式和两种故障模式条件下,DLSTM网络预测模型相对于其他传统方法的评价指标Score分别下降了17.19%和14.37%,其他两个评价指标相对来说也较优,结果表明本文提出的方法具有更高的准确性以及稳定性。     

一种针对液体火箭发动机可靠性的双线评估方法

针对液体火箭发动机可靠性评估过程中试验数据利用不充分、主观性强、与设计改进关联不足等现状,给出了一种可靠性双线评估方法,在有限试车条件下提升可靠性评估结果的准确性,并从风险控制角度识别出发动机的薄弱环节。该方法采用两条主线开展可靠性评估,第一条线以发动机部组件试验数据为输入,以发动机工作时序为线索,识别发动机故障模式,建立可靠性模型,将部组件故障模式的发生概率带入可靠性模型中,采用不确定性传播算法,得到发动机可靠性先验分布。第二条线以发动机整机试验数据为输入,采用威布尔可靠性评估方法,得到发动机可靠性追加信息;随后采用贝叶斯方法进行双线融合,计算发动机可靠性的后验分布。通过可靠性双线评估方法,扩充了可靠性评估的数据来源,并从风险控制角度辨识了发动机的关键部组件及其故障模式,提升了可靠性评估的工程应用价值。     

基于动态优化数据的航空发动机过渡态控制方法

针对一般稳态燃油前馈PID算法在发动机过渡态过程中控制效果差的问题,提出了一种基于动态优化数据的涡轴发动机瞬态控制方法。采用带约束限制的序列二次规划（SQP）优化算法采集包线范围内各点的过渡态参数变化数据作为样本数据,利用稀疏化的最小二乘支持向量机（LSSVM）对样本数据进行训练、测试,将训练得到的LSSVM模型作为前馈与PI构成闭环控制器共同对涡轴发动机进行过渡态控制。通过对民用涡轴发动机部件级模型的包线内某两点不同功率水平进行仿真,结果表明,过渡态过程中动力涡轮转速超调量与下垂量均小于0.4%,稳态误差为0,动力涡轮转速稳定时间小于2s,各参数均未超限,因此,该控制器能有效提高涡轴发动机过渡态控制效果,实现对参数的限制管理。     

基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题，在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上，提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络，保留捷径连接中的卷积神经网络结构，既能充分提取时序特征又能保证有用数据在网络层中的跳层传递，并融入注意力机制构建多层残差网络，注意力机制的使用能够选择出对预测结果有重要影响的信息，有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析，结果表明：所述方法能有效建立监测数据与发动机健康状态之间的关系，剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%，比未融入注意力机制方法平均降低18.9%，有效提高了预测精度。     

基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率，建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题，采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数（ReLU）改进为带泄露线性整流函数(Leaky ReLU)，以解决遇到卷积输出数据小于0时神经元被抑制的问题，进而达到提高步态识别准确率的目的。实验结果表明：激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%，与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比，步态识别率有所提高。     

基于多头注意力机制的飞机发动机寿命预测研究

针对飞机发动机监测参数多和预测模型不能充分提取监测数据的有效信息等问题,基于一维卷积神经网络（1DCNN）、时序卷积神经网络（TCN）和多头注意力机制,提出一种新的网络结构以实现飞机发动机剩余寿命的准确预测。对多维特征参数分别建立一个1DCNN-TCN模型,利用两层1DCNN对飞机发动机的多元传感器信号进行特征提取,利用TCN对特征量的时序信息进行记忆,通过多头注意力机制对多个1DCNN-TCN的输出分别进行加权处理,并拼接最终结果。分析结果表明,采用本文方法得到的RMSE和Score值比目前文献中最优值分别降低了6.84%,63.41%。该方法显著提升了飞机发动机剩余寿命预测的准确性。     

监视参数预测和故障识别法

将时间序列分析方法应用于航空发动机状态监视与故障诊断中, 采用自回归模型, 对监视参数进行趋势预测。进一步将时序分析与模式识别技术相结合, 通过构造判别函数和用参数相关分析法, 识别发动机典型故障。      

基于CNN-LSTM-attention模型航迹预测研究

以航迹预测方法作为切入点,重庆-广州航路航空器记录的ADS-B数据作为研究内容,提出了一种融合注意力机制的长时序航迹预测方法(CNN-LSTM-attention)。研究运用一维卷积神经网络对航迹数据多维特征进行提取,并将经纬度、高度、速度、航向等的多维特征向量构造成时序形式作为LSTM网络输入,通过赋予LSTM网络隐含层的权重占比并区别不同时序点隐藏层信息对未来航迹预测的影响程度来达到优化预测模型的作用。构建好的CNN-LSTM-attention模型采用Adam优化算法进行训练,LSTM和CNN-LSTM作为实验对比模型,将决定系数R²作为模型评价标准来衡量航迹预测模型的准确性。实验结果表明加入注意力机制的神经网络预测模型CNN+LSTM+attention(卷积神经网络-长短期记忆网络-注意力机制)的方法相较于其他两种,其预测精确性更高。     

小波方法在气路静电监测模拟实验中的应用

在航空发动机气路故障模拟实验台上。进行了气路静电监测模拟故障实验。采用自行研制的静电传感器采集数据。针对高温燃烧环境下故障颗粒信号信噪比极低、工频干扰大、故障特征具有突变性质的特点，提出采用小波方法对信号进行处理．对模拟实验数据的处理结果表明，与传统方法相比，小波处理方法能很好地抑制工频干扰。有效地去除背景噪声，提取有用信号。具有较强的鲁棒性。为航空发动机气路静电监测技术的进一步研究提供了参考。     

基于递归径向基神经网络的航空发动机盘腔瞬态壁温预测

针对航空发动机空气系统盘腔瞬态壁温动态预测难的问题,提出了一种基于径向基神经网络的递归预测模型。通过时序数据多维重构的方法建立训练样本,强化径向基神经网络对“时滞性”的预测能力,分析了模型固有超参数和由多维重构引入抽样控制参数对模型预测精度的影响。采用简化的典型盘腔壁面换热模型结合公开的试验历程转速数据,构建了供模型训练和测试的瞬态壁温数据样本,以递归调用模型的方式完成了对测试样本时序数据的预测和验证。结果表明,与常规的径向基神经网络预测模型相比,该模型的平均相对预测偏差由3.0%降低至0.45%,有效提升了模型的预测精度。为航空发动机盘腔瞬态壁温异常监控及超温排故问题提供了一种新的预判方法。     

基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率,建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题,采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数(ReLU)改进为带泄露线性整流函数(Leaky ReLU),以解决遇到卷积输出数据小于0时神经元被抑制的问题,进而达到提高步态识别准确率的目的。实验结果表明激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%,与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比,步态识别率有所提高。     

自适应核模式分析方法及其在航空发动机部件性能衰退识别中的应用

针对测量数据因其部件之间的耦合不能有效识别各个部件性能衰退程度的问题,提出一种基于性能修正因子核模式分析的发动机部件性能衰退识别方法,并能与传感器测量偏差区分开。首先将传感器测量数据输入到自适应模型中去,产生一组用于识别部件性能衰退的修正因子。将修正因子参考模式通过核模式映射到高维特征空间中去,在此可分(基本可分)空间中完成识别。考虑到修正因子参考模式在高维空间中映射的像呈带状分布,几何距离不能有效识别,基于此采用神经网络方法对模式进行识别。识别成功率达到94.34%。进一步分析了特征约简的输入维数对识别效果的影响以及所提方法的泛化能力。考查了噪声对模式识别的影响,得到幅值3%以内的噪声对识别结果无明显影响。证明了“自适应模型+核模式分析+神经网络”识别方法是可行的。      

基于飞行过程数据的航空发动机故障诊断方法研究

针对航空发动机飞行过程数据,结合门控循环单元（GRU）动态网络和深度神经网络（DNN）,提出了一种数据驱动的航空发动机故障诊断结构。首先,从飞行数据中抽取发动机健康数据,并通过一组GRU网络建立发动机在健康状态下的动态模型。其次,通过GRU动态模型的预测值与真实测量信号生成残差信号,残差信号作为DNN网络的输入预测发动机健康参数。最后,通过诊断决策模块实现对发动机的故障检测与识别。使用仿真生成的真实飞行工况数据集对提出的故障诊断系统进行了验证。结果表明,相比于直接使用传感器测量数据,基于GRU网络的残差结构能够大幅提升故障检测和识别性能,故障检测和识别准确率分别可达96.51%和95.06%,并且对训练数据样本数量的依赖性较小,较少的训练样本也能获得很好的预测结果。     

一种基于Deep-GBM的航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承故障信号难于识别的特点，提出了一种深度梯度提升模型（Deep-GBM）对振动信号特征进行逐层学习以提高分类模型的准确率。开展某型航空发动机中介轴承故障模拟实验，并采用经验模式分解(EMD)方法对采集的振动信号进行分解，提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征。采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别。实验结果表明，所提出的Deep-GBM故障诊断准确率达到87%，相对于传统的机器学习模型准确率最高提升了28%，并具有良好的泛化能力。      

模拟单转子发动机起动性能的计算模型

描述模拟单转子发动机起动性能的计算机数学模型 -DSTGTB。该模型能模拟单转子发动机在地面状态的起动及高空台上的风车状态的起动性能 ,提供了分析和了解发动机在起动过程中运行特性的手段。模型是基于发动机的主要部件的气动热力匹配原理而实现的 ,燃气涡轮发动机的部件匹配技术已广泛应用于慢车以上的稳态和过渡态发动机性能的计算机模拟中 ,该模型通过对部件特性拓展和补建 ,使发动机的部件匹配技术应用于发动机的起动运行。现有的发动机稳态、过渡态模拟技术和匹配方法为本文的工作提供了基础。该模型被应用于某型发动机在地面台上从相对转速 1%起动到慢车状态的运行及高空台上风车状态下起动到慢车状态的运行计算中 ,计算结果与试验数据进行了比较。     

滑油光谱分析的时序建模与故障预报研究

本文讨论了时序建模方法在机械设备滑油光谱分析中的应用,通过运用ＡＲ模型对采集的航空发动机滑油光谱数据进行时序建模和预测分析,获得了满意的效果。这一成果,为机械设备的状态监控和故障预报提供了一种实用方法。     

融合多传感器数据的发动机剩余寿命预测方法

针对基于单一传感器数据的剩余寿命预测方法存在数据利用率低和预测精度不高的问题，论文提出了一种融合多传感器数据的发动机剩余寿命预测方法。首先将多个传感器数据融合成一个复合健康指标来表征发动机的退化性能，采用线性维纳过程对复合健康指标进行退化建模，通过极大似然估计方法确定模型参数，进而得到发动机的预测寿命。为了确定融合系数，提出了一种利用真实寿命与预测寿命的预测均方误差最小化的方法。融合系数确定后，基于训练发动机历史寿命数据，确定出模型参数的离线估计值；然后利用Bayesian公式，同时结合发动机的实时监测数据与参数的先验分布对模型参数进行实时更新，接着在首达时间的意义下推导出剩余寿命的概率分布，进而实现了发动机的剩余寿命在线预测。最后，选择商用模块化航空推进系统仿真数据集进行数值仿真实验，结果表明：相较于基于单一传感器的方法，论文所提方法能够提高剩余寿命预测的准确性，其剩余寿命预测的相对均方误差降低了2%左右。     

模型基涡轴发动机传感器故障诊断研究

基于干扰解耦思想,针对涡轴发动机工作中传感器瞬时断路硬故障模式,提出一种基于模型的涡轴发动机未知输入观测器传感器硬故障诊断方法。通过对地面、高空工作的涡轴发动机不同传感器故障的模拟,验证了该故障诊断方法的有效性。结果表明,基于模型设计的未知输入观测器(UIO),能够对系统输入中的测量干扰未知输入信号进行有效解耦,同时传感器故障信息通过UIO计算获得的输出估计具有鲁捧残差性能。     

面向终端区航空器飞行状态识别的HMM方法

为了准确掌握和预测终端区航空器飞行状态及其时序,为管制指挥提供参考,提出了一种基于隐马尔可夫模型的终端区飞行状态识别模型。通过对终端区雷达数据的一致化处理,形成符合隐马尔可夫模型的雷达航迹特征表示;采用雷达特征航迹训练隐马尔可夫模型,建立航空器飞行状态及其时序识别模型。实验表明:对于常规进场的航空器,方法快速有效,平均识别率高达91.53%;模型充分体现了管制意图信息与飞行意图信息;可以帮助管制员及时准确判断航空器的飞行状态。