基于确定学习理论的轴流压气机系统分岔预测

针对轴流压气机系统中的分岔预测问题,基于简化的Moore-Greitzer 3阶压气机模型,分析了该系统中存在的分岔现象;利用最新发展的确定学习理论,对压气机系统随着γ参数变化出现的几种典型模态的相关系统动态进行辨识,并将所学知识保存成常值RBF神经网络以构成模式库;利用该模式库构建1组嵌入了常值RBF神经网络的动态估计器;将测试模式与估计器相比,得到1组残差,并利用动态模式识别方法的残差最小原则实现了对Pitchfork分岔的预测。     

基于MBSE思想的航空发动机控制系统设计方法

在航空发动机控制系统设计开发过程中,存在需求理解偏差、需求实现描述不清晰、设计过程缺失等问题,严重影响产 品后续使用。为了构建完整、规范、准确的系统设计要求,完整描述系统设计过程,引入基于模型的系统工程思想。通过需求分析 将用户需求条目化,并对每条需求进行确认;通过功能分解,将复杂系统模块化;利用功能描述将需求量化、图形化,明确各项功能 的具体行为;在要求制定过程中引入数据流管理,将整个系统设计过程有机结合在一起。结果表明：采用基于模型的系统工程思 想构建满足产品研发的控制系统正向设计方法,实现了顶层需求的100%覆盖和追溯,可将模糊的需求通过建模方式具体化、显形 化。通过N1测量对设计方法进行了验证,表明该方法可用于工程设计。     

航空发动机传感器解析余度模型的建立方法

为了使用解析余度模型对传感器故障进行诊断,提出了1种基于K-均值聚类与改进微分进化算法优化的极端学习机(IDE-ELM)的发动机传感器解析余度模型建立方法。为避免求解ELM算法时H矩阵奇异,采用K-均值聚类对试验数据进行聚类处理,然后从每类数据中选取1组数据组成训练样本用于训练;利用IDE算法优化ELM的输入层权值和偏置,提高ELM的泛化能力。利用飞行试验数据进行了仿真验证。结果表明:基于K-均值聚类和IDE-ELM设计的传感器解析余度模型具有较高的精度,可用于FADEC系统双通道传感器的故障诊断。     

辅助动力装置控制系统传感器智能解析余度方法

针对辅助动力装置(APU)控制系统传感器故障,提出了一种基于协方差优化集成极限学习网络(COSELM)的传感器智能解析余度方法。该方法能够根据在线序列预测误差的最小方差来自适应更新单个在线序列极限学习机的权重系数,发挥和权衡各个学习模型的优势,通过提高模型算法的稳定性和泛化性,改善传感器智能解析余度的精度。通过在某辅助动力装置控制系统传感器解析余度的验证表明,提出的COSELM方法可以解决传感器在发生偏置故障时的信号重构问题,重构误差不超过1%,适用于不同辅助动力装置个体,为其提供可靠的解析余度。