基于小波神经网络的航空发动机建模研究

提出将多个多输入单输出小波神经网络(WNN)组合构造多输入多输出(MIMO)的WNN来逼近MIMO非线性动态系统的快速而简单的实现方法，并采用高效率的初始化方法缩短了训练时间。采用某型航空发动机在飞行包线内均匀分布的工作点参数来训练，建立了全包线适用的动态小波神经网络航空发动机模型，用交叉验证的方法检验表明在全包线内有较高的精度及泛化能力。与反传算法神经网络(BPNN)、径向基函数神经网络(RBFNN)建立的动态模型在精度及泛化能力等方面做比较，结果表明WNN建立的模型训练精度高而且泛化能力强。     

基于递归径向基神经网络的航空发动机盘腔瞬态壁温预测

针对航空发动机空气系统盘腔瞬态壁温动态预测难的问题,提出了一种基于径向基神经网络的递归预测模型。通过时序数据多维重构的方法建立训练样本,强化径向基神经网络对“时滞性”的预测能力,分析了模型固有超参数和由多维重构引入抽样控制参数对模型预测精度的影响。采用简化的典型盘腔壁面换热模型结合公开的试验历程转速数据,构建了供模型训练和测试的瞬态壁温数据样本,以递归调用模型的方式完成了对测试样本时序数据的预测和验证。结果表明,与常规的径向基神经网络预测模型相比,该模型的平均相对预测偏差由3.0%降低至0.45%,有效提升了模型的预测精度。为航空发动机盘腔瞬态壁温异常监控及超温排故问题提供了一种新的预判方法。     

基于主动磁轴承的高速飞轮转子系统的非线性控制研究

针对控制力矩陀螺——主动磁轴承飞轮转子系统的强非线性和由陀螺效应产生的进动和章动导致系统的失稳问题,提出了神经网络的控制方案,设计了RBF神经网络控制器,并给出了李亚普诺夫函数的稳定性证明。研究表明,该控制器解决了陀螺效应导致的主动磁轴承-飞轮转子的不稳定性问题,且抑制了噪声对磁轴承稳定性所造成的破坏。最后,数值算例证明了该方法消除噪声的可行性和有效性。     

应用少量短电阻应变丝布置的损伤评估智能材料结构

智能材料结构是一门新学科，它越来越引起不同学科研究者们的兴趣，本文研究采用电阻应变丝为传感元件，人工神经网络为处理辨识器的损伤评估智能材料结构，提出并实施了一种少量短电阻应变丝的传感元件布置方法，用以对结构中损伤或大应变的区域和级别进行在线评估。     

单级跨声速风扇转子叶片多目标优化设计

以单级跨声速风扇为研究对象,采用叶片参数化造型、人工神经网络构建近似函数及遗传算法寻优相结合的方法,在级环境下对转子叶片进行周向积叠的多目标三维气动优化设计。结果表明,该单级风扇在保持质量流量和总压比基本不变的前提下,优化后设计点绝热效率提高了0.88%,优化后所获得的根部反弯、顶部正弯叶片,可有效改善叶根和叶片中上部的流动损失。     

基于室内无线模型的穿墙损耗校正

K-M（Keenan-Motley）模型将单墙固定损耗值相加来计算室内无线信号穿透多墙的总损耗值，存在较大误差。针对该问题选取多种室内场景分别进行连续波（Continuous Wave，CW）测试，对无线信号穿墙损耗的影响因素和变化规律进行分析，提出了一种基于人工神经网络的室内无线模型穿墙损耗校正方法，对预处理后的测试数据进行训练并建立预测模型。经验证该预测模型符合校正判别准则，在实际场景下具有良好的预测准确度。     

神经网络BP算法预测可靠性增长

叙述可靠性增长的基本概念和神经网络BP算法，着重探讨BP算法用于可靠性增长预测的可能性。通过两个实例的预测结果，与常用的可靠性增长参数模型Duane，Gompertz的结果相比较。实例表明，该方法是可行的，而且是有效的，适应性强。可以预料，它不但能用于仪器设备试制过程中预测可靠性增长，而且可用于武器装备在储存过程之中可靠性下降的预估。     

基于RBF神经网络的货运量预测模型

利用RBF神经网络进行了货运量预测.经过对预测结果的检验和分析,证明了RBF神经网络在货运量预测中效果较好,而且就具体网络训练而言,RBF神经网络的预测精度和训练速度均较BP神经网路优越,具有较大的计算优势.     

飞行试验数据驱动的涡扇发动机模型辨识

为实现航空发动机飞行试验实时监控,分析整理了涡扇发动机实际飞行试验数据,并以三层前向人工神经网络为基础,通过引入输出层反馈至输入层,形成该涡扇发动机的NNARX模型。对包括高压转子转速在内的11个发动机关键参数变化模型进行研究,并在额外架次全程飞行试验数据上验证和讨论辨识模型的推广能力。结果表明,辨识模型样本点上最大相对误差在5%以内,辨识模型可以应用到该型发动机的试飞实时监控中,同时也可为后续建立涡扇发动机的全包线自适应实时监控模型提供参考。