A combined technique of Kalman filter,artificial neural network and fuzzy logic for gas turbines and signal fault isolation

The target of this paper is the performance-based diagnostics of a gas turbine for the automated early detection of components malfunctions. The paper proposes a new combination of multiple methodologies for the performance-based diagnostics of single and multiple failures on a two-spool engine. The aim of this technique is to combine the strength of each methodology and provide a high success rate for single and multiple failures with the presence of measurement malfunctions. A combination of KF (Kalman Filter), ANN (Artificial Neural Network) and FL (Fuzzy Logic) is used in this research in order to improve the success rate, to increase the flexibility and the number of failures detected and to combine the strength of multiple methods to have a more robust solution. The Kalman filter has in his strength the measurement noise treatment, the artificial neural network the simulation and prediction of reference and deteriorated performance profile and the fuzzy logic the categorization flexibility, which is used to quantify and classify the failures. In the area of GT (Gas Turbine) diagnostics, the multiple failures in combination with measurement issues and the utilization of multiple methods for a 2-spool industrial gas turbine engine has not been investigated extensively.This paper reports the key contribution of each component of the methodology and brief the results in the quantification and classification success rate. The methodology is tested for constant deterioration and increasing noise and for random deterioration. For the random deterioration and nominal noise of 0.4%, in particular, the quantification success rate is above 92.0%, while the classification success rate is above 95.1%. Moreover, the speed of the data processing (1.7 s/sample) proves the suitability of this methodology for online diagnostics.     

复杂环境中Ad hoc网络的数据完整性加速试验

为了快速测量Ad hoc网络在任务想定下的数据完整性,根据相关定义给出了数据完整度解算过程,并基于相似理论建立相似现象,推导了有效信噪比、流量与节点移动速度等关键参数的相似模型,综合得到了Ad hoc网络数据完整性相似模型.为验证上述模型的效果,应用OPNET仿真平台设计了一个救灾Ad hoc实验,仿真结果表明正常应力作用下的原始网络和短时高应力作用下的相似网络数据完整度误差小,且相似模型的效用不随故障阈值、应力增加倍数以及网络拓扑结果的变化而变化.      

基于ICT分布的容迟网络接触模型

在容迟网络中,掌握节点之间的接触间隔时间(ICT)的特性,能够为网络性能分析、路由协议设计以及算法优化等研究提供理论指导和帮助,但目前的ICT模型往往缺乏普适性.通过对节点运动做出一般性假设,基于可靠性数学方法,给出了一个基于ICT分布的接触模型——IDCM.该模型证明了两个移动节点之间的ICT服从指数分布,且指数分布的参数仅与两个节点的历史接触次数和累积ICT有关.在随机方向(RD)移动模型、随机路点(RWP)移动模型、北京市出租车网络、口袋交换网4个数据集上进行了仿真验证,并与基于统计拟合参数的指数分布模型进行对比.仿真实验结果表明,IDCM能够准确反映节点对之间的接触间隔时间分布,且模型准确性优于基于统计拟合参数的指数分布模型.      

失效卫星远距离相对位姿估计与优化方法

针对远距离非合作慢旋目标位姿估计精度问题,提出一种融合图像超分辨与视觉SLAM的相对位姿估计方法。算法主要包含3个步骤：通过梯度引导生成式对抗超分辨技术,提升目标图像的质量以获取更多更高质量的特征点;构建特征数据库实现当前帧与特征数据库的匹配,提升旋转目标的特征跟踪稳定性;利用图优化对多帧图像进行联合位姿优化,消除累计误差,得到更为精确的估计结果。为稳定网络的训练,将自然进化算法引入到对抗训练中。为增强模型的泛化性和鲁棒性,实验中的数据集采用半物理仿真获得。实验结果表明,当等效距离为25 m且失效卫星以25（°）/s的速度旋转时,目标图像经超分辨网络增强后,能够实现连续稳定的长时间测量。     

面向"CE-3号"软着陆过程的深空网干涉测量技术

针对"CE-3号"探测器软着陆过程中弹道位置测定的问题,利用中国深空网干涉测量测轨数据,论述并验证了应用深空网干涉测量技术支持探月卫星软着陆过程中弹道位置测定的可行性。针对提取同一时刻观测量的两个核心技术,论述了自适应模型重构算法以及干涉相位解模糊算法,克服了软着陆过程航天器机动不确定性恶化轨道预报精度,进而引起相关引导模型失效的问题;利用跟踪过程中目标干涉相位连续特性递推实现干涉相位解模糊。实测数据的处理分析表明,深空网干涉测量数据处理分析精度在0.3ns量级,对应于约30nrad的角位置精度。     

地球观测网络成像任务可调度性预测方法

为了能够快速、合理地分配成像任务,充分发挥对地观测网络的观测效能,对成像任务可调度性预测问题进行了研究,提出一种由协同任务分配组件、任务调度组件、特征提取组件以及任务可调度性预测组件所构成的组件化求解架构。在成像卫星经典调度模型的基础上,提取成像任务特征,并采用变隐含层节点的反向传播（BP）神经网络集成技术求解成像任务可调度性问题。仿真结果表明,集成BP神经网络的平均预测准确度可以达到85%以上。     

应用网络时间协议的卫星综合测试时间同步系统

针对广域网环境下卫星综合测试系统存在的测试设备之间时间不同步问题,提出应用网络时间协议(NTP)构建卫星综合测试时间同步系统。该系统以NTP作为时间同步协议,以GPS或"北斗"导航设备终端作为高精度时间源,以用户数据包协议(UDP)组播形式实现同网段内各测试设备之间的时间同步,以uDP客户机/服务器形式实现跨网段测试设备之间的时间同步。文章提出的时间同步系统,可解决广域网卫星综合测试系统时间不同步问题,也能满足综合测试系统对时间精度的要求。     

基于预设性能的四旋翼无人机编队安全控制

针对四旋翼无人机编队系统存在模型不确定性、未知外部干扰与内部碰撞等问题,提出一种基于预设性能的安全控制方法。首先使用预设性能函数结合误差转换方法,将防止内部碰撞的不等式约束问题转换为无约束问题。同时针对模型中的不确定项,使用神经网络进行逼近;针对神经网络逼近误差与未知外部干扰组成的复合干扰,使用非线性干扰观测器进行估计,并分别设计位置与姿态子系统控制器,避免了编队内四旋翼无人机的碰撞。然后借助Lyapunov方法证明了闭环系统所有信号的收敛性。最后通过数值仿真验证了所提控制方法的有效性。     

基于RBF神经网络的自适应PID星钟热控制

星钟的频率稳定性决定了星钟提供时间信息的精度,而频率稳定性取决于星钟物理核心温度的稳定程度.基于RBF神经网络逼近星钟热模型,设计自适应PID控制方法实现星钟物理核心的温度控制.仿真验证了算法的有效性.     

一种预测驾驶员操纵行为的建模方法

在飞机设计中,应用驾驶员数学模型预测飞机飞行品质是避免人机系统出现不良耦合的重要途径之一.驾驶员神经网络模型是利用飞行模拟实验数据建立的驾驶员模型.基于该模型,针对纵向单通道俯仰跟踪任务,详细讨论了具有不同增益、不同短周期振荡频率飞机构型的驾驶员操纵行为变化规律.研究结果表明:对于特性相似的飞机构型,其驾驶员操纵特性也相似.因此,提出了一种利用相似构型的驾驶员操纵行为特性建立驾驶员预测模型的方法.通过对预测模型进行精度评价,可以证明采用本方法能够获得比较满意的驾驶员操纵行为特性预测结果.