基于参数分析的波音777空调系统故障诊断

为了提高航线排故的快速性和准确性,依靠大量运营数据资源,研究了基于参数分析的飞机系统故障诊断方法。在对波音777空调系统的工作原理和系统建模进行分析基础上,建立空调系统数学模型,提出波音777飞机空调系统故障的参数分析诊断方法。通过实际故障诊断案例验证了该方法对提高飞机系统维修效率的作用。     

飞机性能参数预测的不确定性处理

 利用飞机的性能参数对飞机进行故障预报和状态监控是非常重要的。飞机的性能参数不仅具有非线性而且往往包含噪声,使得故障预测结果具有不确定性。针对这些问题,研究了利用非线性支持向量机处理飞机性能参数的预测问题,通过增加线性约束的方式解决了噪声带来的不确定性问题。此种方法不仅提高了预测的精度,而且模型可以利用适用于处理大规模二次规划的序列最小最优化算法进行求解,使得其可以解决大数据量的预测问题。利用仿真数据以及实际飞机性能参数对该方法进行了实验分析,实验结果表明此方法在精度上较不考虑噪声影响的模型有所提高,对于进一步提高飞机故障预测的精度,从而提高飞机的安全性具有重要意义。     

基于双模型滤波算法的环控系统换热器故障诊断

 在建立飞机环控系统数学模型的基础上,提出采用双模型滤波方法进行参数估计、状态预测和故障诊断,提高飞机环控系统故障诊断的快速性和准确性。如果采用最小二乘算法,参数估计是静态的,故障诊断延迟一般较大;采用单模型扩展Kalman滤波算法,虽然能够实现动态估计,但不能同时兼顾稳态过程和过渡过程（突发故障）的参数估计,导致误差较大。为了解决上述难题,针对飞机环控系统换热器故障诊断,提出两模型滤波算法。该算法由两个滤波器组成,分别用于跟踪系统的稳态和过渡过程。由于采用了两滤波器模型分别匹配不同的系统特征,能够改善飞机环控系统不同状态下的参数估计和状态预测性能,从而提高系统故障诊断的精度和速度。仿真结果证实了该算法的有效性。     

飞机空调系统热利用的分析及其仿真研究

研究给出了一种应用于飞机空调系统热利用计算的新方法,区别于传统热力学第一定律的能量分析方法,以热力学第二定律为基础,运用分析法对飞机空调系统进行热计算。以某型民航飞机为例,建立其空调系统模型,并按照设定的飞行任务的飞行参数实时模拟飞机空调系统热利用情况。在上述基础上,由系统最小减原理,仿真计算空调系统冲压空气进气调节板的开度变化,达到优化飞机空调系统热利用的目的。本研究表明,最小分析法对飞机复杂空调控制系统的热力学综合设计具有重要指导意义;将仿真技术应用于民航机热利用系统设计中,对系统的优化计算具有一定参考价值。     

浅谈基于ACMS报文的A320空调组件性能监控

针对A320系列机型空调系统故障高的现象,客户化配置ACMS报文对空调组件系统进行监控,该方法具有实时性好、效果显著等特点。本文还介绍了飞机健康管理系统对于空调组件性能预警建模的分析方法。     

A320飞机空调系统故障的分析与处理

飞机的空调系统能给驾驶舱和客舱提供选定的温度,补充新鲜的空气,保证机组和旅客的舒适性。本文结合各航空公司A320飞机空调系统故障的维护经验,介绍了排除A320飞机空调系统故障的一些体会。     

飞机空调系统动态安全分析

目前，飞机空调系统的安全性分析多基于固定故障状态，未考虑故障动态发展与变化，且仅能进行定性分析，因此有必要对飞机空调系统开展精准安全性分析。基于空调系统FMEA 中的根故障参数，借助Markov 时间序列求解故障横向转移路径，利用联合概率分布及Bayes 算法求解故障等级与概率，实现横向定性又定量的安全性分析；运用Monte Carlo 仿真求解故障纵向升级路径、故障等级与概率，实现纵向定性又定量的安全性分析。结果表明：动态定性又定量的安全性分析可以精准地判定飞机空调系统的安全性、故障状态下的放行结论及放行要求，具有较好的工程应用价值。     

非线性支持向量机在航空电源系统故障预测中的应用

针对航空电源系统故障预测问题,说明了支持向量机在非线性系统时间序列预测方面的优势,推导了供电特性参数时间序列预测模型,得到估计函数公式,为将来全电飞机的机载管理系统,或者电源管理系统的设计应用,进行了理论上的探讨。     

基于RBF神经网络的波音737NG飞机引气系统故障诊断模型

鉴于波音737NG飞机引气系统故障率高、无系统衰退指示、无系统自检计算机、系统故障难放行、排故困难等特点,为快速准确地排除引气系统故障,提出利用RBF神经网络建立故障诊断模型,经实例验证,该模型能有效诊断引气系统故障,可辅助用于引气系统的排故。     

基于小波分解与ARMA-RBF模型的航班延误时间短期预测

针对航班延误的非线性复杂特性及短期预测精度不高的特点,研究设计了基于小波分解(WD)与ARMA-RBF的组合算法,以分析延误时间序列并进行短期预测。首先,引入小波分解方法,将航班延误时序进行分解得到近似分量和细节分量;然后,对各分量分别构建了自回归移动平均(ARMA)模型和径向基(RBF)神经网络模型并进行预测;之后,构建了WD-ARMA-RBF延误时间短期模型,最终结果即为各分量预测结果的组合叠加值;最后,依据实际延误数据进行了算例仿真。验证结果表明:该模型较WD-ARMA、AR、RBF及GM(1,N)等多种现行的经典算法具有更高的预测精度和稳定性,预测误差MAE仅为3.349,其应用于航班延误时间的短期预测有效、可行。