机载液压系统故障诊断与健康管理

机载液压系统是关系飞机安全的重要功能系统,为提高飞机可靠性、安全性、经济性水平,现代先进飞机普遍采用故障诊断、预测与健康管理.本文研究总结了机载液压系统故障诊断与健康管理的历史发展,探讨了其关键技术,以期指导机载液压故障诊断与健康管理的研究和应用.     

基于LMI的高超声速飞行器滑模预测控制

针对高超声速飞行器非线性、多约束、快时变等特点,提出了一种基于线性矩阵不等式的滑模预测控制方法.首先设计系统的滑模面,然后对滑模面进行预测并将其作为优化性能指标,通过Schur补引理将控制律的设计转化为一个优化问题.该方法避免了常规滑模控制的高频切换,有效地克服了抖振现象.此外,相对于传统的滑模预测控制方法,该方法不需要额外计算终端约束条件和终端代价函数,只需要通过选取合适的李雅普诺夫函数即可保证系统的稳定性,且其加权矩阵和控制律是同时进行优化设计的,简化了设计过程.仿真试验表明,相比于单纯的预测控制和滑模控制,所提出的方法具有更好的跟踪性能.     

基于应变路径非比例度的多轴疲劳寿命预测

在分析多轴疲劳几种常用非比例度定义的基础上,提出了一种非比例度定义方法,进而以American Society of Mechanical Engineers(ASME) 规范案例中非比例加载多轴疲劳设计准则采用的应变参量作为基本损伤参量,发展了一种新的多轴疲劳寿命预测模型.结果表明:①所提出的非比例度定义可以描述任意已知轮廓的、非周期的、变幅的非比例加载路径;②与两种常用的多轴非比例加载疲劳寿命模型的预测结果对比可知,新的寿命预测模型对14种比例和非比例加载路径下304不锈钢材料的寿命预测与试验吻合更好,预测结果基本位于2倍分散带以内.      

基于自然激励技术的颤振边界预测

为了预测紊流激励条件下机翼的颤振边界,基于自然激励技术提取紊流响应的自由衰减信号,采用矩阵束方法识别模态参数,最后通过Z-W(Zimmerman-Weissenburger)方法计算稳定性判据,拟合判据变化曲线并外推颤振边界.对平板机翼模型进行了数值仿真分析,对单独机翼模型风洞颤振试验数据进行了计算.结果表明:采用自然激励技术与矩阵束方法能够较准确地识别紊流激励响应的模态参数,频率识别误差小于6％,阻尼比识别误差小于30％,结合Z-W方法能够在较低风速较早地预测颤振边界,有助于提高试验的安全性.     

基于误差预测修正的液体火箭发动机故障预测方法研究

为解决液体火箭发动机故障预测这一难题,提出一种基于误差预测修正的故障预测方法。在历史数据的基础上建立小波过程神经网络故障预测模型,同步计算学习样本的预测误差,根据上述误差建立双并联离散过程神经网络预测模型。预测时,将预测误差值实时补偿到小波过程神经网络预测模型以提高预测精度。通过液体火箭发动机地面试验中的涡轮泵数据对该方法进了验证。结果表明,该方法在预测精度和适应能力上较单一的过程神经网络预测模型有显著提高,进行10步预测时,预测值的标准化均方根误差为0.392,预测平均耗时为76ms,能够用于解决液体火箭发动机故障预测问题。     

基于疲劳-蠕变载荷等效转换的涡轮盘载荷谱编制及寿命预测

针对雨流计数法在峰谷值提取时进行等值压缩,忽略保载时间的问题进行了改进,提出了一种基于损伤曲线的疲劳-蠕变载荷等效转换方法。利用非线性疲劳损伤累积函数和损伤等效原则,建立了不同应力水平、不同保载时间下疲劳-蠕变载荷与疲劳载荷之间的等效换算模型。利用涡轮盘材料试验数据,计算了不同循环加载条件下的等效换算比,得到了其随保载时间的变化规律。利用改进的雨流计数法,编制了航空发动机高压涡轮盘载荷谱,并将其与寿命-时间分数预测法相结合,得到了涡轮盘剩余寿命。结果表明,改进的雨流计数法综合考虑了疲劳-蠕变耦合损伤对涡轮盘寿命造成的影响,相比于传统雨流计数法,寿命预测误差降低了15.02%,验证了该方法的有效性。     

基于灰色神经网络的APU维修成本预测研究

对APU的维修工作进行分析,提出APU维修成本的结构组成,利用APU在翼性能参数与维修成本的映射关系确定预测参数,在传统灰色预测方法的基础上融合BP神经网络,构建了基于灰色神经网络的APU维修成本预测模型。以某航空公司APS3200型APU维修数据为样本,运用MATLAB对影响参数进行关联分析,并对所建立的模型进行拟合和验证分析。该模型具有样本少、训练快、预测精度高等特点,实现了对APU维修成本的准确预测,可为航空公司年度APU维修预算制定、维修合同谈判、经济性拆发等提供决策支持。     

基于混沌理论的滚动轴承振动信号融合模型预测

提出融合算法模型,在混沌理论的基础上对滚动轴承振动信号进行预测。基于相图法、最大Lyapunov指数法和关联维数法对滚动轴承振动信号进行混沌判别,证明其混沌性。以预测值和真值间差值范数最小为目标导向优化出Kriging模型、最小二乘支持向量机(LSSVM)模型和极端学习机(ELM)模型的权重,加权法构建融合算法模型。相空间重构法构建滚动轴承振动信号预测的训练样本,并对融合模型、Kriging模型、LSSVM模型和ELM模型进行训练,训练好的模型用于振动轴承振动信号混沌预测。以案例1和案例2共两个实验的滚动轴承振动信号为对象进行验证,两案例的最大Lyapunov指数大于0,从而判断这两个案例的轴承振动信号呈现混沌特性。另外,从方均误差、方均根误差和平均绝对误差指标来评价,融合算法模型的指标值均小于单一模型算法,融合算法模型的预测精度优于单一模型算法。     

退化发动机加速性能恢复控制方法

针对退化发动机加速性能下降的现象,提出一种变喘振裕度约束的模型预测控制方法。通过分析退化发动机在加速过程中的工作特点,将加速过程分为三个阶段,在不同阶段采取不同的喘振裕度约束。鉴于模型预测控制能够显式处理约束、采用在线滚动优化来获取最优控制输入,采取模型预测控制方法,并采用具有较高实时性的交替方向乘子法求解优化问题,实现了退化发动机加速性能的恢复。数字仿真结果表明,采用本文所提出的加速性能恢复控制方法后,相比退化发动机,加速过程中所耗费的时间缩短了35%以上。