试车数据驱动的涡轴发动机起动过程模型辨识

针对传统的采用解析法建立涡轴发动机起动过程模型复杂的问题,提出了一种基于变步长萤火虫算法优化的有外部输入的非线性自回归网络(CSFA-NARX)的涡轴发动机起动过程模型辨识方法。以涡轴发动机起动过程试车试验数据为数据样本,利用CSFA-NARX网络模型辨识得到涡轴发动机起动过程模型,并采用留一交叉验证方法对辨识模型的性能进行验证。结果表明:得到的辨识模型输出参数,如燃气发生器转速n_g、输出轴转速n_r和涡轮后温度T₄都较好地逼近了试车实测数据,各参数验证样本最大相对误差平均值分别为0.90%、1.51%、和2.01%;在相同训练与验证样本情况下,得到的辨识模型精度优于采用萤火虫算法优化的NARX网络(FA-NARX)、NARX网络和变步长萤火虫算法优化的BP网络(CSFA-BP)模型精度。     

基于数据驱动的轴流压气机特性图规律及预测

为探索轴流压气机特性线的内在规律,结合数据分析方法和热力学原理,对五十余幅轴流压气机特性数据进行了研究。通过将多种热力学参数引入特性图,并提出了压气机特性描述参数,从各转速峰值效率点连线、近喘振区和近堵塞区3个方面分析了压气机特性中物理量间的规律,发现了压气机特性参数与设计指标间的关联,并依据前述规律发展了基于设计指标和性能参数的压气机特性预测算法。研究发现:在工作转速范围内,多个热力学参数之间存在明确的线性相关性,各轴流压气机的特性参数与设计点总压比有显著关联,而与设计点效率关联不明显。提出的预测算法可以在没有叶片几何信息的条件下,仅依靠设计指标和性能参数,较好地预测出总压比小于8的轴流压气机性能。      

基于机器学习的空间翻滚目标实时运动预测

借助监督式机器学习（ML）方法,对空间翻滚目标的运动状态预测问题进行研究,为空间机器人抓捕空间翻滚目标提供可靠的数据依据。基于物理模型的运动预测方法依赖理想的建模假设,需要连续的视觉反馈信息,解决目标预测问题的能力有限。因此,本文采用机器学习中纯数据驱动方式的稀疏伪输入高斯过程（SPGP）回归方法进行空间翻滚目标的运动预测。给定空间翻滚目标运动状态的历史观测数据,通过连续优化真实观测数据,得到稀疏的伪训练数据集,进而在线快速预测目标的运动状态,预测的计算效率达到毫秒级。此外,利用马尔科夫链蒙特卡洛（MCMC）法处理连续优化过程,克服由于随机初始值造成的优化过程陷入局部极小值问题。利用Snelson数据验证了所提稀疏伪输入高斯过程回归方法的正确性,并通过4组仿真算例验证了所提方法对于空间翻滚目标运动预测的有效性和鲁棒性。     

Stacked-GRU网络在动力随动陀螺零部件选配上的应用

动力随动陀螺是红外导引头位标器的核心部件之一，其装配质量对于导弹制导精度而言有着决定性的作用。针对动力随动陀螺零部件一次选配成功率低的问题，提出了一种基于数据驱动的动力随动陀螺零部件选配方法。对动力随动陀螺零部件装配现状进行了分析，考虑到零部件装配参数间复杂的非线性映射关系，建立了堆叠门控循环单元（Stacked-GRU）网络数据驱动模型，对陀螺待装配零部件参数属性值进行了预测。根据预测结果指导了陀螺零部件的选配，并以陀螺典型零部件装配为例进行了验证。实验结果表明，所提方法能够实现动力随动陀螺零部件的选配，且预测精度优于传统神经网络。     

精密机电设备寿命评估方法

寿命评估技术既是确保设备安全、可靠运行的核心和关键,也是设备定寿、延寿的重要依据。从工程的视角,根据精密机电设备的工作状态,将精密机电设备分为新研设备、工作态设备、贮存态设备3类,分析这3种状态机电设备的特点及可以获取的信息资源,进而对新研设备、工作态设备、贮存态设备的寿命评估方法进行了系统研究和评述,对存在的问题及未来发展趋势进行了分析和展望。鉴于难以对复杂精密机电设备的机理进行建模,数据驱动的寿命估计已成为当前研究的主流,本文在3种状态机电设备分类的框架下,重点分析了数据驱动寿命估计的研究动态。     

基于物理知识约束的数据驱动式湍流模型修正及槽道湍流计算验证

对湍流摩擦阻力的精准预测是学术界和工业界普遍关心的重要问题，而数据驱动式的湍流模型修正方法对此显示出较大的潜力和前景。提出了一种基于物理知识约束的数据驱动式湍流模型修正方法，根据湍流摩擦阻力分解获得先验物理知识，在S-A湍流模型的生成项中引入非均匀分布的修正因子，以修正因子为设计变量，设定包含物理知识约束的目标函数，利用离散伴随方法求解目标函数与设计变量之间的梯度关系，通过高效率的迭代求解获得修正因子的分布。以槽道湍流为例，验证了包含物理知识约束的数据驱动式建模方法的优势，并分析了物理知识约束对湍流摩擦阻力预测精度的影响，结果表明引入物理知识约束可进一步提高湍流摩擦阻力的预测精度。     

基于遗传EM算法的航班延误状态空间模型(英文)

航班运行过程的高度动态性和随机性,航班延误因素的复杂性和不确定性导致航班延误实时预测成为难题。控制领域的动态数据驱动方法为该问题提供了一种解决方案。然而,要想运用动态数据驱动方法,首先必须建立航班延误状态空间模型来表示系统状态之间、状态与系统输入输出之间的关系。本文对单机延误事件序列进行了分析,创建了一种航班延误状态空间模型,并对其中的输入控制量进行了重点建模。在历史航班运行数据集上,采用遗传EM算法对模型参数进行了极大似然估计,并同时验证了遗传EM算法在优化参数估计和提高计算效率方面的优势。最后,采用Kol-mogorov-Smirnov方法对模型实例进行了假设检验,检验结果表明,所选模型具有较好的拟合优度。     

基于数据驱动的航空发动机故障诊断与预测方法综述

航空发动机故障诊断与预测是航空发动机健康管理的重要内容,基于数据驱动的故障诊断和预测技术是航空发动机故障和预测领域广泛应用的方法。本文总结了基于数据驱动的航空发动机故障诊断与预测的主要方法及特点,展望了航空发动机故障和预测方法的未来发展方向。     

基于数据驱动的变循环发动机多变量自适应控制算法研究

本文针对变循环发动机包线范围大,自适应控制需求高的问题,在增广线性二次型调节器(ALQR)基础上,提出一种基于数据驱动的自适应ALQR(DA-ALQR)控制算法。构建了多变量系统自适应控制准则函数,以梯度下降法对控制器参数进行调整,借助基于数据驱动的动态线性化建模方法,递推进行输出对输入梯度的近似计算,实现了对ALQR控制参数的自适应调整。仿真结果表明,所设计的DA-ALQR控制器参数随发动机状态变化得到了有效调整,相较于ALQR控制算法,闭环系统动态性能得到了大幅度提升,推力在单外涵模式表现出较快的响应速度,在双外涵模式表现出更小的超调,转速同样表现出了超调减小和响应速度加快特性,验证了所提出方法的有效性。     

基于模型与数据驱动的自适应模糊规则故障诊断方法

针对复杂装备系统故障模糊性强的特点,以及目前基于模型和数据驱动的故障诊断大都局限于决策层融合的问题,提出了 1种利用诊断模型作为数据驱动方法的初始条件来辅助网络模型构建和学习的方法。首先,通过 T-S故障树理论分析,建立系统各故障模式之间的逻辑关系和描述规则;然后,根据 T-S故障树模型,将诊断模型映射为模糊神经网络(FuzzyNeuralNetworks,FNN)模型,并利用误差反向传播算法对网络参数进行学习,进而提出 1种模糊规则自动更新机制;最后,以某组合导航系统为实验对象进行仿真实验。结果表明:提出的方法能够准确地诊断出故障,且具有较快的收敛速度和较好的泛化能力。