共查询到19条相似文献,搜索用时 218 毫秒
1.
传感器故障下的航空发动机机载自适应模型重构 总被引:2,自引:3,他引:2
利用航空发动机测量参数偏离正常工作情况下的变化量,可以估计发动机的非额定工作状况,并以此对机载模型进行校正,使其与真实发动机工作状况保持一致.建立了包含发动机性能蜕化因素的状态变量模型并对其进行了增广,设计了卡尔曼滤波器,根据可测输出偏离量对发动机性能蜕化值进行了估计,并将性能蜕化值用于修正发动机不可测输出参数.考虑了当某一传感器发生故障后,利用一簇卡尔曼滤波器对发生故障的传感器进行诊断并隔离,并依据剩余非故障传感器的信息对自适应模型进行重构.仿真结果表明,重构的自适应模型能够满足精度及实时性要求. 相似文献
2.
3.
4.
5.
以某型涡扇发动机为研究对象,提出了基于卡尔曼滤波器和遗传算法的航空发动机性能诊断方法.根据发动机可测参数偏离额定特性时的变化量,利用卡尔曼滤波器对发动机性能参数进行了估计.当传感器存在测量偏差时,会使滤波器估计结果偏离真实情况.遗传算法以机载模型输出与发动机测量参数之间的误差最小为目标,通过优化计算,找出了存在测量偏差的传感器,确定其偏差,并最终消除了测量偏差对性能诊断的影响. 相似文献
6.
7.
为建立一种适用于大包线、变状态的高精度、高实时性航空发动机机载自适应稳态模型,提出一种基于神经网络和推进系统矩阵相融合(NN-PSM)的机载自适应稳态模型建模方法。该方法基于小偏差线性化方法对发动机进行线性化来提取推进系统矩阵,用于表征机载模型与发动机之间的输出偏差量。基于神经网络建立发动机基线模型,用于映射飞行条件与发动机输出量之间的关系,利用神经网络的强拟合能力提高机载模型的稳态精度;设计卡尔曼滤波器实时估计发动机健康参数,提高模型的自适应能力。在大包线、变状态的飞行条件下进行仿真验证,并与传统的复合推进系统模型(CPSM)进行对比,结果表明:NN-PSM模型的平均精度在0.66%以内,而CPSM的平均精度为2.07%以内,运行时间仅为CPSM的1/10,且具有数据存储量少的特点。 相似文献
8.
9.
发动机实时建模技术的新发展 总被引:9,自引:5,他引:9
本文从发动机控制的角度, 对国内外近十几年来发动机实时建模技术的研究成果作了概要综述, 评述了几类实时建模的方法, 特别是自适应技术在机载实时模型建模过程中的应用, 并指出将来实时模型的主要发展方向是自适应模型和智能化建模技术。 相似文献
10.
针对航空发动机在工程应用中气路健康状态的评估问题,提出一种基于增强型机载自适应模型的气路故障诊断方法。
该方法在机载模型中加入神经网络补偿算法,在线修正机载模型的输出误差,提高了卡尔曼滤波器估计精度,以此为基础建立了
发动机增强型自适应模型和性能基线模型。增强型自适应模型可实时评估健康参数状态,并指导性能基线模型跟踪发动机正常
性能降级趋势,确保剪裁精准的故障信息用于检测和诊断。基于发动机性能仿真模型模拟故障特征数据库,采用RBF神经网络训
练样本,完成了故障模式判定和故障隔离。通过构建某型涡轴发动机气路故障诊断平台进行仿真验证,结果表明:该方法能够有
效监视发动机在全包线、全寿命周期的气路健康状况,在实际工作流程中具备可行性。 相似文献
11.
12.
采用BP网络辨识航空发动机数学模型 总被引:5,自引:4,他引:5
运用BP网络和实测数据作为学习样本,对某型航空发动机的数学模型进行了辨识研究。辨识模型输出的结果与实测数据比较误差较小。这种方法收敛速度快、精度高,结果表明用BP网络辨识方法能够得到比较精确的发动机数学模型。 相似文献
13.
14.
15.
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 总被引:7,自引:0,他引:7
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。 相似文献
16.
航空发动机的性能退化是影响飞机飞行安全的重要因素。准确预测发动机的退化过程,对于飞机安全飞行具有重要意义。针对航空发动机剩余寿命预测问题,本文提出了一种将卷积神经网络和长短期记忆网络相融合的数据驱动模型。与常规使用单一的神经网络不同,所提出的融合模型结合了两种神经网络的优点,利用卷积神经网络提取数据中的空间特征并采用长短期记忆网络提取时间特征。实验结果证实,在寿命预测中,所提出的数据驱动模型与已有的方法相比,评分和均方根误差分别下降了32%和6.4%,因此,所提出的数据驱动模型可对数据中所包含的信息进行充分挖掘,其对航空发动机寿命预测精度较高,并具有良好的稳定性。 相似文献
17.
18.