基于融合神经网络的航空发动机剩余寿命预测

航空发动机的性能退化是影响飞机飞行安全的重要因素。准确预测发动机的退化过程,对于飞机安全飞行具有重要意义。针对航空发动机剩余寿命预测问题,本文提出了一种将卷积神经网络和长短期记忆网络相融合的数据驱动模型。与常规使用单一的神经网络不同,所提出的融合模型结合了两种神经网络的优点,利用卷积神经网络提取数据中的空间特征并采用长短期记忆网络提取时间特征。实验结果证实,在寿命预测中,所提出的数据驱动模型与已有的方法相比,评分和均方根误差分别下降了32%和6.4%,因此,所提出的数据驱动模型可对数据中所包含的信息进行充分挖掘,其对航空发动机寿命预测精度较高,并具有良好的稳定性。     

基于融合算法的航空发动机涡轮前温度最优控制

涡轮前温度是航空发动机的关键控制参数之一，在保持发动机推力不变的前提下，降低涡轮前温度可以有效提高发动机使用寿命，涡轮前温度最优控制是降低涡轮前温度的有效技术途径。本文研究了航空发动机涡轮进口温度的在线优化问题，并根据该优化问题的特点，提出了一种基于小生境遗传算法（NGA）与非线性规划（NLPQL）相结合的混合优化算法。数值仿真研究结果表明，虽然NLPQL计算速度快，但对涡轮进口温度的降低效果较差，NGA具有全局收敛能力，优化效果较好，但计算耗时较长。NGA和NGA-NLPQL混合算法在飞机全飞行包线内可分别降低涡轮前温度27.35K和27.19K，但与NGA相比，NGA-NLPQL混合算法节省了74.6%的计算时间。因此，所提出的NGA-NLPQL混合算法是一种效果更好、实时性更优的航空发动机涡轮前温度在线优化方法。