基于SVM和SNN的航空发动机气路故障诊断

为了区分航空发动机气路故障诊断过程中出现的相似故障,提高诊断准确率,提出了一种支持向量机(SVM)和协同神经网络(SNN)相结合的故障诊断方法.首先利用参数优化后的SVM对测量数据进行初步故障诊断分类,对诊断结果进行分析统计,得出难以区分的相似故障类型,并根据SNN对这些相似故障进一步地区分判断,最后根据实际数据对此故障模型进行仿真.结果显示:基于SVM的初步故障诊断准确率达到96%;而经过SNN进一步地相似故障区分后,诊断准确率提升到100%.     

传感器测量偏差下的航空发动机智能性能诊断

以某型涡扇发动机为研究对象, 构建了基于神经网络的航空发动机智能性能诊断方法, 讨论了测量噪声及测量偏差对诊断结果的影响及其处理方法.建立一簇并行的神经网络组和发动机模型, 通过比较各模型输出与发动机测量参数之间的误差, 判断传感器是否存在测量偏差.仿真结果表明, 该方法能有效消除测量噪声, 准确判断并隔离有测量偏差的传感器, 得出正确的发动机性能诊断结果.      

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%。     

应用神经网络诊断航空发动机气路故障的前景

介绍了近几年来国内外应用神经网络对航空发动机气路故障进行诊断的基本方法和研究进展。对单一故障进行定性的诊断已经取得了试验验证，结果表明神经网络具有较高的诊断准确率。对反映发动机气路部件健康状况的气流量、效率等参数的多故障、定量的诊断则取得了一些仿真研究成果。相对于基于发动机气动热力学数学模型的方法而言，神经网络方法具有更大的工程应用潜力。     

基于D-S证据理论和不同子神经网络集成的磨粒识别

针对磨粒识别问题,建立了基于D-S证据理论的集成神经网络磨粒融合诊断方法.首先对特征参数进行优化分组,然后对每一组建立对应的分类子神经网络,分别采用径向基函数(RBF)神经网络和反向传播(BP)神经网络进行识别,得到初步的诊断结果,经过归一化后作为2组基本概率分配函数,最后运用D-S证据理论进行融合得到最终识别结果.算例分析表明,基于D-S证据法和集成神经网络的磨粒融合识别方法比单个诊断方法具有更高的准确性.     

基于PSO-BP的APU智能故障诊断方法研究

针对BP神经网络故障诊断稳定性差、精度低的问题,提出了一种基于PSO-BP神经网络的故障诊断方法。结合粒子群算法的全局搜索能力和BP神经网络反向传播的特性,不仅提高了故障诊断的准确性和稳定性,而且缩短了训练时间。仿真结果表明,PSO-BP神经网络算法比传统的BP神经网络故障诊断结果具有更高的精度、更快的诊断速度和收敛速度。     

基于多模型的航空发动机传感器混合故障诊断方法

本文在多模型架构下,提出一种航空发动机传感器在线混合故障检测与隔离算法。利用长短期记忆网络逼近航空发动机建模误差、健康参数变化、过程噪声和测量噪声等不确定性源引起的真实发动机与机载模型之间的偏差。将传感器测量输出与不确定性值的偏差用于一种基于多模型的混合卡尔曼滤波器组算法中,利用贝叶斯方法计算每个传感器在健康模式和不同故障模式下的条件概率,然后根据最大概率准则进行传感器故障检测与隔离,克服了阈值难以选取的问题。针对某型涡扇发动机传感器发生偏置故障、漂移故障和间歇性故障的情形进行仿真验证,并对比了不同传感器之间的检测与隔离精度。结果表明：所提出的方法可以在更高水平的退化下诊断出发动机传感器常见的故障,混合方法对不同不确定性源具有鲁棒性。     

基于模型与数据驱动的自适应模糊规则故障诊断方法

针对复杂装备系统故障模糊性强的特点,以及目前基于模型和数据驱动的故障诊断大都局限于决策层融合的问题,提出了 1种利用诊断模型作为数据驱动方法的初始条件来辅助网络模型构建和学习的方法。首先,通过 T-S故障树理论分析,建立系统各故障模式之间的逻辑关系和描述规则;然后,根据 T-S故障树模型,将诊断模型映射为模糊神经网络(FuzzyNeuralNetworks,FNN)模型,并利用误差反向传播算法对网络参数进行学习,进而提出 1种模糊规则自动更新机制;最后,以某组合导航系统为实验对象进行仿真实验。结果表明:提出的方法能够准确地诊断出故障,且具有较快的收敛速度和较好的泛化能力。     

基于深度学习的航空发动机不平衡故障部位识别

针对基于机匣测点的航空发动机不平衡故障部位识别问题,提出了基于深度卷积神经网络的航空发动机不平衡故障部位诊断方法。针对某典型双转子航空发动机,建立整机耦合动力学模型,并利用数值积分算法实现不平衡故障数值仿真;在从发动机压气机端到涡轮端的高、低压转子上选择4个不平衡故障部位作为诊断对象,通过仿真分析得到发动机典型转速下的转子不同部位不平衡故障的仿真样本;计算4个机匣测点信号的规范化频谱,通过对大量仿真数据的处理得到反映不同不平衡故障部位的故障样本集;利用仿真得到的大量不平衡故障样本,训练深度卷积神经网络,利用深度卷积神经网络的优良特征学习能力实现航空发动机不平衡故障的不同部位进行识别,数值试验结果表明该方法对航空发动机不平衡故障部位的识别准确率达到95%。     

基于BPNN参数整定的四旋翼吊挂自抗扰飞行控制

针对四旋翼无人机吊挂系统状态耦合和载荷抗摆问题,开展了四旋翼无人机吊挂系统抗摆飞行控制研究。首先,利用牛顿-欧拉法和拉格朗日方程建立吊挂系统的动态特性方程。然后,采用反向传播神经网络(BPNN)在线调节自抗扰控制(ADRC)中的扩张状态观测器(ESO)参数,以提高ESO的估计精度和控制器的抗干扰能力。最后,通过仿真对比分析了反向传播神经网络-自抗扰控制(BPNN-ADRC)和传统ADRC的控制系统性能。仿真结果表明,基于BPNN-ADRC的飞行控制系统不仅具有稳定的轨迹跟踪能力,参数调节容易,而且响应速度快,超调量小,抗干扰能力强。     

应用SVM的发动机故障诊断若干问题研究

支持向量机能够克服一般神经网络容易出现的过学习和泛化能力低等不足。提出一种基于支持向量机的航空发动机气路部件故障诊断方法,讨论了支持向量机的核函数选择和参数确定问题,并对"块算法"进行了分析。仿真实验表明,设计的正则化参数和核参数合理,故障分类器具有良好的分类准确性和泛化性能,可以对发动机气路部件的典型故障进行正确诊断。     

基于AANN的数字滤波技术

航空发动机在高温、高压、高转速及较大振动等恶劣的条件下工作时,其控制系统中的传感器很容易受到干扰,所以发动机测量参数中常常包含较大的噪声,另一方面,发动机的测量参数多于其独立变量的数量,即在这些测量参数中存在冗余信息。AANN（自联想神经网络）通过对信息的压缩及解压缩过程,能够利用冗余信息抑制其测量噪声。在发动机故障诊断过程中,应用自联想神经网络对测量参数进行预处理,可以大大提高故障诊断的准确率。     

Intelligent SINS/RDSS Integrated Algorithms for Land Vehicle Navigation

This is a discussion of the design of strap-down inertial navigation systems (SINS) and radio determination satellite service (RDSS) integrated navigation algorithms. The research aims at testing the effectiveness of artificial intelligence (AI)-aided Kalman filtering (KF) approaches for land vehicle applications. A back-propagation neural network (BPNN)-aided K*F algorithm and a fuzzy inference-based KF algorithm are presented in order to overcome the time delay of RDSS positioning provided by a double-star positioning system in China. Traditional KF causes biased solutions, and indeed, leads to filter instability easily since the time delay of RDSS positioning, in an active mode, is hard to be modeled and sometimes suffers from RDSS outages. Therefore, a fuzzy inference is used to correct the variance matrix of KE measurement noises adaptively; and a trained BPNN corrects the outputs of the Kalman filter. The algorithms proposed herein have been verified on real SINSIRDSS data. collected in land vehicle tests and are compared with other approaches. The results demonstrate that fuzzy inference-based KF algorithms improve the positioning accuracy to over 40 % better than KF algorithms, and BPNN-aided KF algorithms have the same precision as GPS which is the reference station In dynamic experiments without RDSS outages. The test results with RDSS outages indicate that the fuzzy inference-based KF is feasible but with positioning errors of hundreds of meters, so the BPNN-aided KF is designed to efficiently compensate for RDSS outages and improve system performance.     

基于小波变换和神经网络的航空发动机故障诊断

在阐述了小波变换和BP神经网络概念的基础上,根据小波神经网络故障诊断的基本思想,提出了一种基于“能量-故障”的小波预处理神经网络航空发动机诊断方法。实验仿真结果表明,使用该方法提取故障特征加快了神经网络的训练速度,能迅速地进行故障的诊断。     

SENSOR FAILURE DETECTION AND SIGNAL RECOVERY BASED ON BP NEURAL NETWORK

Manyhighpefformancecontrolsystemsmusthavefauhtolerantabilityagainstsensorfailures.Theapplicationofprevioussensorfailuredetectinnmethods,mostlybasedonanalyti-calredundancy['Jlislimitedbecausetheyrequireaprecise.mathematicalmedel.BPneuralnetwork(BPNN)isabletolearnanycomplicatedcontinuousnonlinearfunctions,therefore,itcanbeusedtodetectsensorfailuresandrecoverthesignalforthefailedsensor'Recentpubli-cationshavedemonstratedtheuseofBPNNfordetectingsomkindofsensorfailuresandre-coveringthefailedsen…     

复合正交级数神经网络模型在飞控中的应用

针对现有神经网络逼近快变非线性函数能力低、结构复杂等问题,提出了复合正交多项式模型和一种改进的正匀多项式神经网络模型。这两种模型综合了正交级数和神经网络的结构特点,便于工程实现。理论研究和仿真计算表明,使用此模型构造快变非线性函数时,可使神经网络的节点数成倍减少,神经网络的训练次数成倍降低。飞行器非线性控制的应用表现,此方法可用来解决一般非线性系统的控制问题。     

卷积和离散过程神经网络及其在航空发动机排气温度预测中的应用

 针对航空发动机排气温度的变化过程受复杂非线性时变因素的影响而难以用精确数学模型描述的问题,提出了卷积和离散过程神经网络(CSDPNN)模型,并将其应用于航空发动机排气温度(EGT)预测。该模型以离散样本作为直接输入,采用卷积和算法实现对时间累积效应的处理。相较于以连续函数作为输入的过程神经网络(PNN),不需要拟合离散样本得到连续函数后进行正交基展开,减少了精度损失,具有更高的预测精度。给出了卷积和离散过程神经网络模型的学习算法,并通过对Mackey-Glass混沌时间序列的预测对提出的方法进行应用说明和验证。通过航空发动机EGT预测实例,并与卷积和离散过程神经网络模型的连续函数输入过程神经网格以及传统人工神经网络(ANN)的预测结果进行了对比。结果表明,相较于连续函数输入过程神经网络以及传统人工神经网络,卷积和离散过程神经网络具有更高的预测精度,且对于EGT的预测具有较好的适应性,因而为航空发动机EGT预测提供了一种有效的方法。     

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。      

疲劳实验曲线拟合的神经网络方法

通过构造反向传播神经网络,对疲劳实验曲线进行学习,实现由神经网络表示的多维函数逼近。此种学习是一个慢速过程,但由这一逼近预测得出疲劳曲线则是一个快速过程。拟合结果表明,这一方法十分有效、稳定,便于使用。