基于高空风修正的四维航迹优化算法

航迹预测是基于航空器航迹运行的核心技术,也是空中交通流量管理的基础技术。结合航空器飞行速度数据与航段飞行时间数据,分析高空风对航空器飞行时间的影响。基于GRIB2格式风数据,建立高空风修正模型,提出一种四维航迹优化算法进行航迹预测。利用中南区域实际航班飞行数据进行算例仿真,并与实际雷达飞行数据进行对比。对比结果表明,预测飞行时间总误差分别减少了7%和16.4%,从而验证了模型的有效性与正确性。     

基于符号化方法的飞行时序数据相似性搜索

以航空公司的维修现状为出发点,根据时间序列搜索的特点,采用SAX符号化方法将飞行数据线性分段并离散化成字符序列,保留特定分析的数据,并建立相应的索引树对查询序列进行相似性搜索,确保不会出现遗漏。根据专家提供的故障模型对进行序列变换后的飞行数据进行相似性搜索,从而确定故障点,为维修提供方案建议。采用实际飞行数据进行验证,表明该算法高效、简便。     

涡轴发动机自适应混合诊断模型高斯加权聚类方法

针对整个飞行包线内涡轴发动机健康参数估计问题,提出基于高斯加权聚类的机载自适应混合模型建立方法.机载自适应混合模型由卡尔曼滤波器和神经网络组成,由于飞行数据样本庞大,采用高斯加权模型对涡轴发动机飞行数据进行实时聚类,利用聚类数据更新神经网络权重,并实现自适应混合模型工作范围的自动扩展.仿真结果表明了该方法的有效性,采用...     

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。     

飞行状态数据的有效性检查

ＥＭＤ（发动机状态监控和故障诊断）系统应用于ＭＤ－８２飞机上的ＪＴ８Ｄ－２１７发动机时，由于人工记录和人工键入飞行数据造成飞行数据存在严重的质量问题，给发动机的趋势分析和故障诊断带来很大的困难。本文介绍了ＥＣＭＩ对飞行状态参数进行有效性检查的方法，提出了采用主因子模型对发动机进行故障诊断时，用来识别是飞行状态数据的质量问题，还是发动机指示系统故障的判别准。则强调了记录飞行数据应达到的条件及数据质量的指标。所有这些对提高趋势分析和故障诊断的成功率都取得了很好的结果     

基于数据挖掘的设备状态知识获取方法研究

数据挖掘是知识发现过程的一个重要步骤,在大数据特征的工程问题中有着广阔的应用前景。通过分析设备的实时状态数据,建立一套基于时间序列的设备知识获取模型以及模型度量,运用相似性预测算法以及聚类分析中的k-means算法对设备实时数据进行挖掘,从而获取设备实时数据所蕴含的知识,为后续通过知识推理进行设备故障预警奠定了基础。最后通过对某数控机床实时采集数据的分析实验,验证了模型和算法获取状态知识的有效性,并提出了改进的方法。     

通过监控EGT裕度进行下发预测初探

通过对从航空公司获得的数台发动机的飞行数据(主要是起飞阶段EGT裕度数据)分析,拟合EGT裕度衰减趋势曲线,求出整个发动机机队的EGT的均值和均方差变化趋势,并根据该变化趋势,分析整个机队所处的状态,进行下发预测,以进行有针对性地管理。     

基于改进ConvNeXt模型的压气机变几何系统T-step预测方法

为了实时监控航空发动机压气机变几何系统的状态并获取警告信号，提出一种基于改进ConvNeXt 模型的T步（T-step） 预测方法。与仿真数据和特定试验条件下生成的数据集相比，T-step预测方法采用了飞机数据采集系统记录的实际飞行数据。 证实了采用改进ConvNeXt模型预测压气机变几何系统参数的可行性，并在发动机过渡状态和稳态下分别进行了试验验证。结果 表明：采用改进ConvNeXt模型的T步（T-step）预测方法能精准地预测压气机VSV角度和VBV开度的变化，最低可达2.132°和 7.077°，预测误差在可接受范围内。该方法能识别和预测各类型航空发动机不同运行状态的变几何系统参数的角度，获得相对准 确的结果。     

基于CNLS-MMD的孪生混合网络四旋翼飞行器故障诊断方法

四旋翼飞行器在众多领域中应用广泛,由于工作环境复杂多变,四旋翼飞行器极易出现结构损伤性故障,给飞行器的安全性带来巨大的挑战,因此开展四旋翼飞行器结构损伤性故障的相关研究对提高四旋翼飞行器可靠性具有重要意义。针对四旋翼飞行器在实际应用中结构损伤性小样本故障数据诊断率低的问题,本文提出了一种在小样本条件下基于卷积神经网络和长短时记忆网络的孪生混合网络（CNLS-MMD）四旋翼飞行器故障诊断方法。首先,设计试验获取四旋翼飞行器多工况结构损伤性飞行数据并对数据进行预处理。其次,建立基于孪生混合网络的故障诊断模型,采用卷积神经网络（CNN）和长短时记忆网络（LSTM）构建CNLS混合模型提取数据特征,利用最大均值差异（MMD）衡量样本的相似度,实现对故障标签的预测。最后,选择不同样本数量的训练集训练模型,使用多工况小样本数据集对搭建的模型进行故障测试。结果表明,该故障诊断方法具有较好的诊断性能和泛化能力。     

某型飞机三维运动仿真系统的设计

在3DMAX平台下,利用MAXSCRIPT语言,并结合VC 开发环境开发出某型飞机的三维运动仿真系统。该系统能够自动加载飞机模型以及飞行数据文件,并通过终端输出实时仿真结果,最终可生成视频文件进行保存,从而实现了飞机运动过程的仿真。该系统还可以加载其他飞机模型,具有较大的通用性。以某型飞机一次飞行数据作为测试数据比较,其仿真结果较好。此系统的开发为研究飞机飞行状态与性能提供了比较直观方便的工具。     

基于边界值的多元混沌发动机性能预测算法

首先提取航空发动机排气温度数据序列的边界值,并且证明了边界值序列具有混沌特征.其次提出了一种基于多元相空间重构的发动机状态混沌预测算法,实现对排气温度的预测.通过检验排气温度预测值是否超过所规定的红线,从而进行发动机的健康状态排查.作为验证实例,使用一组某机型发动机实际飞行数据对该预测算法进行了验证,结果表明:该组合算法降低了预测模型的时间复杂度,并大大提高了疑似异常点的预测精度.该方法可以为这种机型发动机故障预测提供决策依据.      

基于AMESim的齿轮泵内泄漏故障预测技术研究

采用AMESim软件构建了齿轮泵内泄漏故障仿真平台,通过运行仿真平台得到齿轮泵泄漏的故障仿真数据。运用故障仿真数据,采取基于支持向量机的故障预测方法,在Matlab中建立了故障预测模型,将预测数据与仿真数据进行对比,计算出预测的误差,并对该模型的故障预测精度进行了评估验证。讨论了基于不同数量样本建模对故障预测精度的影响,为选择合理的样本数量构建预测模型提供了参考。结果表明:建模数据的量越大,预测的误差越小,对齿轮泵的故障预测具有很好的应用价值。提出的思路和方法对齿轮泵内泄漏故障预测技术应用具有一定的参考价值。     

基于故障历史的飞机故障趋势预测分析研究

提出了一种基于飞机故障历史的飞机故障趋势预测的方法。利用粗糙集分析故障数据建立决策表,经约简后找出主要关键条件属性并提取出其时间序列,最后拟合出该部件的故障率曲线并采用新数据进行相似性搜索从而对故障趋势做预测分析。     

涡轮泵实时故障检测短数据均值自适应阈值算法

为了实时监控液体火箭发动机涡轮泵的状态，提高其安全性，降低其故障带来的破坏程度，提出了短数据均值自适应阈值算法(SDM—ATA)，建立了实时故障检测的统计学模型、研究了阈值区间均值与方差的自适应计算及其带宽系数的自适应训练、故障综合决策逻辑，以及故障数据对阈值贡献的踢除等方法，并利用某型火箭发动机地面试车涡轮泵振动测量数据和某型转子试验平台实时测量数据对该算法进行离线和实时在线故障检测试验验证。结果表明，SDM—ATA没有发生误检测情况，并具有实时故障检测的能力。     

基于试飞数据的航空发动机状态监测与故障诊断

在航空发动机飞行试验阶段,发动机技术状态变化快、故障频发,为了实时监控发动机工作参数变化情况,快速及时地预测并诊断发动机故障,本文研究了试飞数据驱动的航空发动机状态监控与故障诊断技术。文章基于实际试飞数据建立了航空发动机ANN-NARX参数预测模型,考虑到建模样本量大、模型结构复杂、训练时间长、输入输出延迟等因素,采用遗传算法对模型的最小数据样本需求和结构进行了改进优化,并利用蒙特卡洛方法确立了参数预测模型的自适应告警门限,同时基于构建奇偶空间残差模型实现了航空发动机典型故障诊断。结果表明：实际试飞中只需有限架次试飞数据的训练学习,即可得到发动机参数预测模型,高压转子转速、压气机后压力、涡轮后总温及滑油总回油温度预测相对误差最大值分别为：1.0%、1.7%、0.2%和1.2%,综合模型建模误差和参数测量误差后的自适应告警门限有效降低了模型预测结果的不确定性,在已有数据样本集上的典型故障识别率达到95.2%。     

基于线性趋势与神经网络的校准间隔组合预测

为了实现对测量仪器校准间隔的优化,对其校准数据进行建模,用滑动平均建模法建立线性趋势模型,预测参数的总体趋势,在此基础上利用动态神经网络对预测残差序列进行补偿,从而得到校准数据的预测值。给出基于线性趋势与神经网络的组合预测模型,通过实验对预测模型进行了验证和对比分析,并以此为根据对校准间隔进行优化。结果表明,该组合模型比单一模型预测精度高,既能预测总体趋势也能适应随机波动,并且简单易行,具有较强的普适性。     

基于灰色理论的自适应多参数预测模型

故障预测对保障武器装备安全可靠工作具有重要意义。但是,用于武器装备故障诊断和预测的数据往往是小样本、多特征参数数据,当前主要的故障预测方法在实际故障预测中虽取得了一定的效果,但均存在不足之处。本文基于灰色预测建模理论,分析了GM(1,1)预测建模中的不足,考虑多个特征参数间的相互关系以及预测序列的实际特点,修正了初始值和背景值,建立了小样本情况下的自适应多特征参数预测模型,并以某型飞机发动机的多特征参数的仿真数据为例进行了预测分析,结果表明该模型具有很好的预测精度,证明了该模型的有效性。     

航空发动机试飞趋势监控模型数据样本容量优化

建立了数据样本库任意两点之间的欧式距离。基于遗传算法对样本容量进行优化,确保满足模型预测精度条件下最大化样本之间的欧式距离,以此确定发动机建模所需的最小数据样本库。在航空发动机实际科研试飞推广应用中,通过有针对性地安排试飞内容,只需要5~6个架次即可建立发动机全状态趋势监控模型,大幅缩短了仿真建模周期。该技术可提高趋势监控模型在非样本点上的表现性能,对后续发动机实时趋势监控的实施有很大的借鉴和指导作用。     

基于LabVIEW的飞机气体系统气密性检测系统设计

针对飞机冷气系统特点,结合DSP和虚拟仪器技术的优势,研制了具有良好的虚拟仪器界面的气密性检测系统,该系统具有对气体泄漏进行实时检测与趋势预测的能力,并能对泄漏故障报警。     

基于粒子群优化的WNN飞行数据气动力建模

为了使所建立的气动力模型能准确地描述飞行器的动态特性,提出一种基于改进粒子群优化(IPSO)算法的小波神经网络(WNN)飞行数据气动力建模方法。该方法引入邻近粒子信息和变异操作,对标准PSO(SPSO)算法的不足进行改进,以提高WNN参数的全局搜索能力,克服早熟收敛,再按照所设计的飞行数据的气动力建模流程,构建了IPSO算法训练的WNN模型。试验结果表明:提出的气动力建模方法预测精度高,收敛速度快,能较好控制早熟收敛问题,用于飞行数据的气动力建模是有效的,也是可行的。