粗糙集与神经网络在航空发动机气路故障诊断中的应用

提出了一种基于粗糙集理论和神经网络集成的发动机智能故障诊断方法,首先对测量数据进行离散处理,并运用粗糙集理论建立故障决策表,进而约简属性和提取规则,对航空发动机气路部件的几种典型故障进行隔离.然后建立神经网络故障诊断子系统,使用粗糙集处理后的数据计算出发动机气路相关部件的故障程度.最后,还验证了粗糙集神经网络故障诊断系统的抗噪性能.研究表明,该系统能够正确而且高效地诊断出发动机故障的严重程度,并具备良好的抑制噪声的能力.     

基于神经网络和证据融合理论的航空发动机气路故障诊断

 为解决航空发动机这一复杂系统的故障诊断问题,提高智能化诊断方法的准确率,使用了改良的D-S证据理论,对基于自组织竞争网络和BP神经网络的2个诊断子系统的诊断结果进行决策级融合。结果显示,经过融合整个系统降低了误诊率,改善了诊断性能。文章还针对噪声干扰的情况,通过调整对于2个子系统的权重,在保证高准确率的同时提高了系统的抗噪声性能。研究结果表明D-S证据理论的使用可以达到比单独运用2个神经网络子系统都要好的诊断效能。     

基于相关性分析和神经网络的直接推力控制

传统的发动机控制是将一些可测量参数作为被控制量，如转速和压比，因为可由它们推算出推力。但由于推算的过程不准确，为保证发动机安全运行，在发动机的设计过程中常常保留了较大的裕度。而直接推力控制可以降低这些裕度，充分发挥发动机的性能。针对在飞行中推力无法直接测量的情况，本文使用了相关性分析和神经网络技术设计了非线性推力估计器，使用若干测量参数作为输入，实时计算出发动机的推力值。并针对发动机使用的实际情况，使设计出的估计器不但可以估计额定发动机的推力，而且可以估计非额定发动机的推力。在仿真结果中，估计出的推力跟踪上了正常和非额定发动机的推力。     

自组织神经网络航空发动机气路故障诊断

 为克服学习样本依赖于发动机精确模型的问题,提出了一种基于自组织神经网络的发动机智能故障诊断的方法,并运用故障特征提取的数据预处理方式,成功地对航空发动机气路部件的几种典型故障做出正确诊断。为验证网络的抗噪性能,引入了自联想神经网络。研究表明,自组织网络可以脱离发动机模型,并且对测量噪声有良好的鲁棒性,能基本满足航空发动机故障诊断的要求,具有较好的工程应用前景。