一种基于改进KELM的在线状态预测方法

针对核超限学习机（KELM）在线状态预测过程中,核矩阵阶数不断增长且难以跟踪时变动态特征的问题,提出了一个具有遗忘因子的稀疏KELM在线状态预测方法。通过引入遗忘因子构建新的目标函数,使稀疏字典中各元素依据时间远近具有不同权重,保证了模型对动态变化的有效跟踪;通过最小化字典的快速留一交叉验证（FLOO-CV）误差,选择具有预定规模的关键节点构成字典;基于当前字典,通过矩阵初等变换和分块求逆,实现相关参数的递推更新。某型飞机发动机的状态预测结果表明,与目前已有的3种在线序贯KELM相比,所提方法在6个监测项目上的平均训练时间分别缩短了7.5%、62.0%和81.9%,平均预测精度分别提升了44.0%、19.9%和50.9%。      

基于稀疏核增量超限学习机的机载设备在线状态预测

为实现对机载设备工作状态的在线状态预测,提出了一种稀疏核增量超限学习机(ELM)算法。针对核在线学习中核矩阵膨胀问题,基于瞬时信息测量提出了一个融合构造与修剪策略的两步稀疏化方法。通过在构造阶段最小化字典冗余,在修剪阶段最大化字典元素的瞬时条件自信息量,选择一个具有固定记忆规模的稀疏字典。针对基于核的增量超限学习机核权重更新问题,提出改进的减样学习算法,其可以实现字典中任一个核函数删除后剩余核函数Gram矩阵的逆矩阵的前向递推更新。通过对某型飞机发动机的状态预测,在预测数据长度等于20的条件下,本文提出的算法将预测的整体平均误差率下降到2.18%,相比于3种流形的核超限学习机在线算法,预测精度分别提升了0.72%、0.14%和0.13%。     

基于超统计的多阶段航空发动机剩余寿命预测

针对传统航空发动机剩余寿命（RUL）预测模型无法客观描述多阶段性能衰退过程及对于RUL预测精度不高的问题, 提出了一个新的多阶段航空发动机RUL预测模型, 包括超统计理论、突变点检测、无迹卡尔曼滤波（UKF）与非线性预测4部分内容。提出了基于超统计理论的多阶段分割滤波（BS-MSF）算法。首先, 该算法采用超统计理论进行突变点检测, 将航空发动机的健康数据划分为多个退化阶段；其次, 应用UKF对融合的时变参数进行滤波处理；最后, 通过非线性拟合对发动机RUL进行预测, 实验采用美国NASA发布的航空发动机数据进行数据分析和验证。结果表明:所提算法在发动机性能退化中的预测具有更好的适应性和更小的拟合误差, 能更准确地预测发动机的RUL, 预测精度比单阶段方法提高5.5%。      

飞机地面除冰保障过程动态预测

针对冰雪气象下除冰保障过程的精细化管理及预测精度低下的问题,提出了一种基于时空关联动态贝叶斯网络的飞机地面除冰保障过程动态预测方法。在系统性分析除冰保障过程的基础上,设计了面向离港除冰队列的时空关联节点判别方法,基于K最近邻算法简化关联节点并构建了变结构动态贝叶斯网络模型。基于核注意力机制的除冰保障节点先验概率密度估计方法,结合条件概率更新结果构建了面向不同状态的飞机地面除冰保障过程动态预测方法。实验结果表明：所提方法在考虑除冰保障演化不确定性的基础上实现了各节点的动态预测,平均绝对误差为2.34 min,整体精度相比静态贝叶斯网络方法最大提升8.66%,为地面除冰运行战术组织及决策控制提供了有效依据。     

多源数据融合的民航发动机修后性能预测

针对民航发动机修后排气温度裕度预测过程中的多源异构数据融合问题,提出了卷积自编码器与极端梯度提升模型结合的方法。利用所提出的条件熵增长因子规整发动机修前多元传感器参数序列中的参数排序,采用卷积自编码器提取规整后的参数序列和维修工作范围的数据特征,并将其与发动机使用时间信息组成合成特征以训练极端梯度提升模型,从而预测发动机修后性能并评估各影响因素的重要程度。经发动机机队维修案例验证,所提方法预测精度高于单维参数序列预测方法,对发动机修后排气温度的平均相对预测误差不高于8.3%。      

基于状态条件概率的设备剩余寿命预测

针对机载设备剩余使用寿命预测中存在的不确定性因素,建立了基于状态条件概率分布的机载设备剩余寿命模型.首先,引入状态条件概率矢量对隐马尔科夫模型（HMM,Hidden Markov Model）进行不确定性改进,并推导了其计算形式.其次,给出了近似确定状态退化转移时间的方法,由此得到了以状态条件概率矢量为协变量的条件可靠度函数及剩余寿命模型.最后,以飞机发动机温控放大器为应用对象进行仿真计算.仿真结果表明该模型预测精度高,能够较大程度地降低不确定性因素的影响.      

基于混合编码的天文序列图像无损压缩算法

提出了一种将时间和空间双维度预测与混合熵编码结合的图像无损压缩算法，应用于星体定点成像的天文序列图像.时间与空间双维度预测可以消除天文序列图像的时间相关性和空间相关性.混合熵编码融合了高熵编码与低熵编码算法，充分利用预测误差分布的稀疏性，进一步提升压缩效率.针对星体的天文序列图像，该算法首先在时间维度上进行帧间预测，去除时间相关性，再对帧间预测后的图像在空间维度上进行直方图滤波和上下文预测，去除空间相关性，最后将预测误差送入熵编码器进行编码.实验结果表明，本文所提出算法的压缩效果优于JPEG-LS，平均压缩比提升约15%.该算法结构简单，计算复杂度较低，易于硬件实现，适合星载天文图像的无损压缩.      

冰雪天气下基于MFOA-KELM残差修正的跑道温度混合预测

道面温度短时精准预测是跑道积冰预警的关键因素之一, 为了解决单一机理预测模型随预测时间延长而造成误差累积的问题, 提出了一种冰雪天气下跑道温度混合预测方法。将跑道温度机理预测模型与核极限学习机(KELM)相结合, 建立一种数据驱动修正残差的跑道温度机理预测模型。针对果蝇优化算法(FOA)收敛速度慢、易陷入局部最小值的问题, 引入权值更新函数和距离扩充因子, 调整果蝇的全局寻优效果, 避免陷入局部极小值。利用改进的果蝇优化算法(MFOA)对KELM的正则化参数与核参数联合优化, 以冰雪天气下跑道温度实际数据为例, 建立基于改进果蝇优化核极限学习机(MFOA-KELM)的跑道温度混合预测模型, 并在不同时间尺度下对该混合预测模型进行仿真测试。实验结果表明:与单一机理预测模型相比, 当预测时长为120 min时, MFOA-KELM混合预测模型的平均绝对误差至少减小了61.43%, 在残差阈值为±0.5℃时, 平均预测准确率为91.25%。可见, MFOA-KELM混合预测模型具有更高的预测准确性, 研究结论显示该混合预测方法能够为机场跑道温度短时精准预测提供新思路。      

基于ADMM算法的航空发动机模型预测控制

为了提升航空发动机非线性模型预测控制（MPC）的实时性,将交替方向乘子法（ADMM）应用于模型预测控制的滚动优化中。基于状态空间模型构造预测方程,通过引入辅助变量和对偶变量,将二次型性能指标和发动机约束改写为适合ADMM算法求解的形式。在航空发动机部件级模型上开展的仿真结果表明,基于ADMM算法的单变量模型预测能够实现对指令信号的高性能跟踪和约束的有效管理。相比于内点法（IPM）,ADMM算法在滚动优化过程中,在不同控制指令下,均具有更高的实时性,且在预测时域增加的情况下,计算耗时增加更少,验证了其在模型预测控制中应用的有效性。      

基于变量集结预测控制的四旋翼无人机控制器设计

针对四旋翼无人机路径跟踪问题，设计了一种基于变量集结预测控制的控制器。首先以四旋翼无人机状态空间模型为基础建立预测模型；接着设计控制器时采用分段集结的策略把控制量集结成三段优化序列以减少优化计算量，并降低优化保守性，为了进一步加强系统稳定性，控制器引入终端代价函数和终端约束；最后用四旋翼无人机的动力学模型作为被控对象进行仿真验证，结果表明：该控制器能使四旋翼无人机在三轴方向均能实现一个良好的路径跟踪效果。与传统方法相比，这种基于变量集结的预测控制策略能够减小在线优化量，更适合四旋翼无人机飞控芯片的应用。     

基于IFA-ELM的航空发动机自适应PID控制新方法

针对大涵道比涡扇发动机强非线性、变参数的特点,提出了一种基于优化极端学习机(ELM)对发动机参数进行预测的自适应PID控制方法.为提高ELM的预测精度和实时性,采用适用于多峰值寻优的改进萤火虫算法(IFA)优化ELM网络参数,形成优化的ELM训练方法IFA-ELM.该算法在保证预测精度的前提下,有效简化了网络规模,并提高了其泛化能力.利用该算法建立发动机风扇转速预测模型,基于该模型,采用梯度下降法在线调整PID参数,提升发动机动态性能.数字仿真验证表明,与常规PID控制相比,基于IFA-ELM的自适应PID法调节时间减少了0.2~1.4s,超调量降低了0.2%~1.5%,验证了该控制方法的有效性.      

探测器触地关机软着陆稳定性分析

深空探测器软着陆过程中发动机未能正常关闭将极大降低其软着陆稳定性,因此引入了触地关机着陆方案。针对触地关机方案,建立了腿式探测器动力学分析模型及发动机推力控制模型。考虑着陆环境与探测器着陆状态的不确定性,采用蒙特卡罗模拟分别对探测器在主发动机关闭失败时、触地关机着陆方案下、带有姿态控制的触地关机着陆模式下的软着陆稳定性进行了分析。采用描述性采样方法抽取样本点,基于均值估计相对误差建立模拟终止准则,在保证模拟精度的前提下提高蒙特卡罗模拟效率。计算并对比了3种着陆方式下探测器软着陆可靠度,触地关机方案可在主发动机关闭失败后将探测器稳定着陆可靠度提升11.6%,姿态控制的引入可进一步将安全着陆的可靠度提升9.7%。      

抗控制饱和的鲁棒非线性飞行控制方法

飞行器在大包线范围内作机动飞行时，其舵面和发动机易达到饱和，该现象不仅会对闭环系统的稳定性造成影响，而且会大大缩短发动机等关键部件的使用寿命。针对该问题，设计了一种抗饱和非线性飞行控制方法。首先，建立飞行器的严格反馈非线性模型。然后，采用自适应反步设计思想设计得到舵控和发动机转速控制指令，由径向基函数（RBF）网络对建模误差进行逼近。针对控制饱和问题，分别设计了相应的抗饱和动态补偿系统。通过建立闭环控制系统的李雅普诺夫函数，由稳定性理论确定得到RBF网络的更新权值和抗饱和动态补偿系统的结构参数，确保所设计的闭环控制系统全局稳定。最后，仿真结果表明，在出现控制饱和时，抗饱和动态补偿系统可对控制指令进行实时修正，帮助系统较快脱离饱和状态，系统饱和时间缩短了30%~60%，同时具有较高的指令跟踪精度。      

基于LMI的过渡态主控回路闭环控制律优化设计

针对涡扇发动机过渡态多变量控制设计难的问题，提出了一种基于抽功法在过渡态加减速线上的准稳态工作点处提取线性模型的方法，并在此基础上提出了一种过渡态主控回路闭环控制律的优化设计方法。通过功率输入和功率提取解决过渡态动态特征提取难题，基于增益调度可作为非线性动态控制策略的基本原理，将稳态多变量控制规律的线性矩阵不等式(LMI)设计方法推广到涡扇发动机过渡态主控回路闭环控制的设计中，并通过最小化矩阵迹优化闭环极点配置。针对2种不同过渡态主控回路闭环控制策略，分别设计了最小化矩阵迹寻优的过渡态主控回路的多变量闭环控制律，并进行从慢车到中间状态的基于涡扇发动机非线性动态模型的双通道过渡态性能仿真验证，结果表明:方案1过渡态控制双通道N₁、N₂的调节时间不大于5.0 s，超调量不大于0.8%；方案2过渡态控制双通道π_T、N₂的调节时间不大于5.6 s，超调量不大于0.8%。      

基于半监督迁移学习的轴承故障诊断方法

针对航空发动机轴承故障诊断过程中预测精度不足以及过拟合的问题,提出基于迁移学习的半监督集成学习器（SSIT）用以发动机轴承故障预测。首先,训练改进的基于迁移学习的极限学习机（TELM）以及基于迁移学习的支持向量机（TSVM）,分别迁移不同目标空间的高相似度样本加入到源样本空间进行训练。然后,与对应的基学习器集成同簇学习器来识别未标记样本,构成半监督学习器不断调整初始基学习器权重,并继续集成半监督基学习器的识别结果到SSIT中。通过此学习机识别提取特征后的,用以故障识别。实验结果清楚地表明:此种方法可以有效降低迁移学习中的负迁移效果,提升迁移精度10%左右,降低机器学习中的过拟合效果,提高半监督学习稳定性,与现有的预测方法相比可以提高精度9%以上。      

应用支持向量回归机探索发动机VSV调节规律

发动机可调静子叶片（VSV）调节规律极其复杂,通过挖掘快速存取记录装置（QAR）数据对VSV调节规律进行了深入研究。首先,通过PW4077D发动机健康状态的QAR数据,建立基于粒子群优化（PSO）算法的支持向量回归机（SVR）模型,来探索VSV调节规律;然后,利用后续航班数据对PSO-SVR模型进行验证,并将验证结果与传统的PSO-BP神经网络模型进行对比;最后,应用PSO-SVR模型进行发动机故障诊断。研究结果表明:PSO-SVR模型的回归预测精度优于PSO-BP神经网络模型,能够准确反映VSV的调节规律。可将其用于发动机的状态监控和故障诊断,亦可为VSV控制系统设计提供参考。