基于热力学的涡扇发动机神经网络建模方法

由于无法掌握不同发动机的真实部件特性，传统热力学模型对在翼涡扇发动机的建模存在较大的建模误差；同时，热力学模型在特性图边界线附近迭代时，容易迭代到特性图之外，造成迭代过程的不收敛。针对上述问题，本论文提出基于热力学过程的涡扇发动机神经网络建模方法，在神经网络模型的训练过程中充分考虑对部件共同工作热力学约束的优化，提高发动机建模的准确性。通过构建部件级网络结构、部件共同工作损失函数及融合训练过程，将基于部件特性图的传统热力学模型迭代过程转化为部件级神经网络的多目标优化与训练过程，提高了模型的收敛性及建模准确性。模型在26 970条发动机实际飞行数据上进行了训练及测试，结果表明，在相当宽松的准稳态数据下，论文提出的建模方法最大误差可以达到7%左右，比基于部件特性图的热力学模型低5%左右。     

基于神经网络的轴承故障预测模型

利用在故障预测领域广泛应用的神经网络模型,对轴承监测数据的特征提取与建模,挖掘出监测数据与剩余寿命间内在关联,从而对轴承剩余寿命做出评估。在轴承全寿命数据的实际实验中,证实了该模型的有效性。     

基于改进L-SHADE算法的航空发动机性能退化评估

针对航空发动机健康因子求解寻优精度差的问题，提出了一种基于改进L-SHADE算法的航空发动机性能退化评估方法。首先，采用多工作点分析方法拓展发动机健康因子估计的适应度函数，解决气路测量传感器数量不足的问题；其次，通过引入非线性种群缩减策略解决种群快速缩减的问题，同时通过改进的优化加权变异策略，改变不同迭代阶段贪婪算子的权值，增加算法的全局搜索和局部开发能力；最后，在30个经典基准函数上验证了改进算法的收敛精度和鲁棒性。对航空发动机性能退化评估的计算结果表明，改进L-SHADE算法增强了算法迭代前期的种群多样性和算法后期的开发能力，计算精度较标准L-SHADE算法平均提高了65.5%，能够满足工程精度要求，具有较强的工程适应性，能够应用于实际飞参数据，从而为发动机健康管理和性能监测提供理论依据。