基于K-均值聚类与粒子群核极限学习机的推力估计器设计

鉴于航空发动机直接推力控制与健康管理需要高精度及高实时性的推力估计器,提出了一种基于K-均值聚类与粒子群优化的核极限学习机推力估计方法。采用K-均值聚类对全工况范围内的测量数据进行聚类,在每一个子类中,通过核极限学习机建立推力估计器,采用粒子群算法对核极限学习机的核参数和惩罚系数进行优化,利用了核极限学习机稳定性好、非线性拟合能力强的特点,实现了对发动机推力的估计。经涡扇发动机台架试车数据训练与测试表明,本推力估计方法平均预测时间为0.27ms,实时性满足机载在线状态评估和直接推力控制需求,且在估计精度上较现有方法存在一定优势。     

基于樽海鞘群极限学习机的进/发一体化性能寻优控制模型研究

为充分发挥航空推进系统的性能,提高性能寻优控制的实时性,将樽海鞘群算法（SSA）与极限学习机（ELM）相结合,基于进/发一体化部件级模型建立数据集,提出一种基于SSA-ELM的数据驱动模型。将该建模方法与广义回归神经网络（GRNN）、BP神经网络（BPNN）和极限学习机（ELM）比较,结果表明,相比于BPNN,ELM,GRNN,SSA-ELM用于预测可以使安装推力的均方根误差（RMSE）分别降低7.41%,17.01%,72.57%,安装油耗的RMSE分别降低4.32%,19.41%,66.77%,具有更高的预测精度。将基于SSA-ELM的数据驱动模型作为机载模型应用到性能寻优控制,结果表明,该机载模型能够维持理想的寻优效果。针对最大安装推力模式开展实时性分析,该机载模型相比于进/发一体化部件级模型,平均计算时间由184.05 ms缩短至1.357 ms,实时性得到显著改善,大大提高了寻优效率。     

应用深度核极限学习机的航空发动机部件故障诊断

运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题。为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM)。算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类。这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高。将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具。     

基于在线滚动序列核极限学习机的涡轴发动机非线性模型预测控制

针对涡轴发动机控制系统设计,提出了1种基于在线滚动序列核极限学习机的非线性模型预测控制方法。综合考虑直升机旋翼扭矩、燃气涡轮转速、动力涡轮转速、涡轮级间温度和压气机喘振裕度等信息,设计具有较好实时性、精度和泛化能力的多输出在线滚动序列核极限学习机作为预测模型,引入预测模型输出与发动机输出的误差进行反馈校正,利用序列二次规化算法在线求解包含限制约束的预测控制问题。在某型直升机/涡轴发动机综合平台的仿真环境中进行了直升机大幅度机动飞行仿真验证,结果表明:该模型预测控制器相比于传统串级控制具有更好的控制品质,可显著降低动力涡轮转速超调/下垂量。     

一种可用于航空发动机健康状态预测的动态集成极端学习机模型

提出一种动态集成极端学习机模型用于航空发动机健康状态预测.采用AdaBoost.RT集成学习算法对极端学习机（ELM）进行集成,在训练时采用每个训练样本的近邻样本对ELM的局域性能进行评估;在预测时首先确定新样本在训练样本集中的近邻样本,然后根据ELM在近邻样本上的性能来赋予集成权值实现弱学习机的动态集成.以燃油流量为指标进行航空发动机健康状态预测,动态集成ELM模型短期预测结果的平均相对误差绝对值（MAPE）为3.688%,小于单一ELM模型的3.830%以及静态集成ELM模型的3.719%;长期预测结果中动态集成ELM模型的MAPE为3.075%,小于单一ELM模型的4.355%以及静态集成ELM模型的3.884%.因此动态集成ELM模型更适用于航空发动机健康状态预测.      

基于IGA-ELM网络的滚动轴承故障诊断

为了提高航空发动机轴承故障诊断准确率,提出基于改进遗传算法优化极限学习机网络（IGA-ELM）的诊断模型。针对传统遗传算法易早熟等缺陷,对遗传算法的交叉操作和变异操作进行改进,并用改进的遗传算法优化极限学习机的输入权值矩阵和隐含层阈值,利用Moore-Penrose算法计算极限学习机的输出权值矩阵。使用IGA-ELM诊断模型对滚动轴承正常、内环故障、外环故障和滚珠故障4种工况进行诊断,并分析极限学习机隐含层神经元的数量和激活函数对轴承故障诊断的影响。为了验证改进遗传算法优化极限学习机的有效性,将传统遗传算法、自适应遗传算法和粒子群算法作为对比算法。经过分析表明：改进遗传算法收敛速度和收敛误差,均优于对比算法。     

基于优化智能网络的发动机推力指令模型

针对航空发动机性能退化缓解控制中推力指令模型输入量有限问题,提出1种双智能网络串联的推力指令建模方法.其中子模型Ⅰ采用BP网络映射与推力密切相关的气路参数,其输出作为子模型Ⅱ的输入;子模型Ⅱ采用优化极端学习机(ELM)算法,输出为额定发动机推力,并以此推力为性能蜕化缓解控制指令.为了减小ELM网络规模,提高推力指令模型实时性,采用微分进化算法(DE)优化ELM初始网络参数.数字仿真验证表明:各飞行包线内推力指令模型预测值最大相对误差小于4‰,远优于单一神经网络最大8.17％和单一极端学习机最大14.5％的误差,模型推力指令计算时间仅需0.64ms,实时性好,验证了该推力指令模型的有效性.     

航空网络关键节点辨识的核极限学习机算法研究

通过技术手段准确识别航空网络的关键节点,对航空网络平时的正常运行以及战时的防御和修复,具有重要的理论意义和参考价值。提出一种基于核极限学习机的航空网络关键节点识别方法,首先,采用层次分析法对节点综合重要度进行评估;然后,选取三个简单指标,基于核极限学习机学习简单指标与综合重要度之间的映射关系,建立重要度评估模型;最后,以中美两国航空网络为例进行仿真。结果表明:仅需计算 40 个节点的复杂指标值,就可对关键节点取得较满意的辨识效果,降低了计算复杂度,提高了辨识效率,即采用本文方法辨识航空网络的关键节点是有效、可行的。     

基于聚类与粒子群极限学习机的航空发动机推力估计器设计

针对航空发动机推力不可测,部件级模型求解推力精度不高、实时性差的问题,提出了基于快速寻找密度极点聚类与粒子群极限学习机的航空发动机推力估计方法。首先利用基于快速寻找密度极点的聚类算法对全工况范围内的台架试车数据聚类,然后在每一个子类中,用粒子群极限学习机设计了子推力估计器。在子类推力估计过程中,为使网络拓扑结构最优,用粒子群算法寻找极限学习机的最优隐层神经元数目的方法。训练与测试表明,推力估计测试相对误差最大值为3.06‰,优于传统的RBF(7.25‰)与BP(14.84‰)神经网络方法,能够满足直接推力控制与机载在线实时状态评估的需求,且可将方法扩展到其他不可测参数的估计。     

基于QPSO-ELM的某型涡轴发动机起动过程模型辨识

针对解析法建立某型涡轴发动机起动过程模型困难的问题,提出一种基于量子粒子群优化-极限学习机（QPSO-ELM）的某型涡轴发动机起动过程模型数据驱动辨识方法。首先构建基于状态空间法描述的某型涡轴发动机起动过程分段模型,然后结合发动机起动试验数据,采用QPSO-ELM算法对该起动模型进行辨识,试验结果表明：燃气发生器转子转速、发动机输出轴转速和燃气涡轮后温度的辨识结果都良好地逼近了实测数据,最大相对误差的均值分别为1.358%、1.628%和2.195%,满足实际应用的精度需求,并且QPSO-ELM的辨识精度优于极限学习机（ELM）、支持向量机（SVM）和反向传播（BP）神经网络。     

某型涡扇发动机分布式容错控制系统设计与试验验证

为了提高某型涡扇发动机控制系统的安全性和可靠性,提出1种分布式架构下的容错控制方案。基于模块级硬件冗余的思想,设计了包含7个智能节点的基于TTP/C(时间触发协议)总线的发动机分布式容错控制系统,可以实现核心控制节点的硬件备份。基于控制律重构的方法,采用模型参考变结构控制算法设计了容错控制器,可以根据系统故障情况将控制结构切换至无故障的控制回路中。搭建了涡扇发动机分布式容错控制系统硬件在环仿真试验环境,开展了容错控制系统的试验验证。结果表明:在核心控制节点故障时,容错控制系统可以在120 ms内快速启用热备份节点代替故障节点;在非核心控制节点故障时,容错控制系统可以在100 ms内完成控制回路的切换,并保证发动机各状态量不产生明显波动。     

一级旋流入射半径对小尺寸旋流杯下游流动特征的影响

为探索一级旋流入射半径对小尺寸旋流杯下游流动特性的影响,采用PIV测速技术对小尺寸旋流杯下游速度分布特征进行了试验测量。结果表明:不同入射半径的一级旋流会形成扩张流场或扩张-收缩-扩张流场;入射半径方向相反、数值不同将对旋流杯下游流动产生不同影响;旋流杯下游流场涡量分布与同一方案的速度分布相似,旋流杯出口平均涡量较强的旋流沿流向涡量逐渐衰减,且速率变缓;不同一级旋流入射半径的旋流杯方案的平均涡量变化趋势基本一致。在所研究的试验状态下,一级旋流入射半径对小尺寸旋流杯下游速度和涡量分布特征产生了较大的影响。     

航空发动机作动筒的伺服控制建模与分析

针对典型航空发动机阀控不对称作动筒的结构在带负载工况下的应用和理论分析情况,讨论了作动筒正、反向负载对伺服作动控制的影响,提出了1种阀控不对称作动筒的伺服控制系统建模与分析方法。将该方法在项目案例上的分析结果与实际项目试验数据进行对比,结果表明:该方法切实可靠,模型置信度高,对实际应用具有指导意义。同时,为了使作动筒往返控制效果一致,作动筒负载方向应设计为反向负载,负载力大小应设计在FL0附近。     

航空发动机吞砂试验标准砂与典型沙粒形貌对比分析

航空发动机工作时吸入沙粒会对发动机造成伤害。针对军标中未规定吞砂试验用砂粒的形貌特征问题,提出砂粒形貌特征的统计表述方法——数字图像获取、砂粒圆度(砂粒图片实际面积与其外接圆面积之比)分析、标尺对比与观察统计、振动转换与跟踪、统计指标比较,选取中国南海(海南)、东海(厦门)、腾格里沙漠和塔克拉玛干沙漠等典型地区的沙粒与美国标准砂的形貌特征进行了对比分析。试验表明:利用标准砂进行航空发动机吞砂试验时发动机的损伤最严重,即按照军标要求采用标准砂进行吞砂试验能够保证发动机具有足够的安全裕度。     

偏流板对发动机进口温升影响研究

为研究偏流板升起条件下发动机进口温升的变化,采用计算流体动力学的方法,计算了不同的发动机推力状态、偏流板板位角、偏流板与发动机距离对流场和发动机进口温升的影响。结果表明:在偏流板升起时,随着发动机推力状态的升高,发动机进口温升逐渐增大;随着板位角的增大,高温燃气沿甲板向发动机进口方向扩散范围越大,进口温升逐渐增大;在相同发动机推力状态和板位角时,增加偏流板与发动机距离可显著减小发动机进口温升。     

基于振动台的TA11钛合金超高频疲劳实验和验证

提出一种利用电动振动台开展材料超高频疲劳实验的方法。采用TA11钛合金板材,在有限元计算的基础上设计出超高频疲劳试样,测试过程中的实际加载频率达到1756 Hz,同时在相同的应力水平下对该超高频试样和标准试样开展振动疲劳测试,对测试结果数据的一致性进行统计检验。结果表明:在相同应力条件下,本研究提出的超高频疲劳试样和标准振动疲劳的实验结果吻合较好。将本研究结果与同种材料的轴向高周疲劳和旋弯疲劳测试结果进行对比,一致性同样良好。     

航空发动机转子工作弹性线测试及应用研究

基于三维全息谱思想,利用计算机图形学方法,研究航空发动机转子工作弹性线测试及可视化技术。在高速动平衡试验机上,针对航空发动机真实高压转子进行转子弹性线测试和可视化研究,分别在不同平衡状态下测取了转子工作弹性线,实现了转子弹性线的动态显示。研究表明,转子不平衡量对转子工作弹性线的大小和形状具有重要影响,转子弹性线测试与可视化技术可作为转子平衡状态的有效评估方法和手段。     

航空发动机制造工艺仿真技术体系探索

基于航空发动机仿真工作发展规划,从制造维度对仿真技术的应用需求进行了深入分析。提出了构建航空发动机制造工艺仿真技术体系的思路和建设原则,基于5个环节的应用需求提出了仿真技术体系的初步框架,并对当前需要加快突破的仿真关键技术进行了分析,推进航空发动机制造工艺仿真技术发展和规划的落地。     

带柔性过渡段悬臂动力涡轮转子动力学研究

针对涡轴发动机带柔性过渡段悬臂动力涡轮转子动力学开展了系统的计算分析和试验研究。建立了转子的有限元分析模型,对临界转速、振型和稳态不平衡响应进行了计算分析。在高速旋转试验器上开展了全转速范围内的动力特性和高速动平衡试验,以及慢车转速下5 min的振动考核试验,在整机台架上进行了发动机试车。验证了转子良好的振动特性以及轴向环下润滑设计和临界转速设计的合理性,提出了1号平衡凸台轴向位置的优化方案和试验转接段的改进方案。为发动机实现转速达标提供了强有力的保证,具有重要的工程应用价值。     

冷却结构塞式喷管红外特性抑制试验技术研究

利用涡扇发动机喷管红外辐射特征模拟试验台,对二元塞式喷管的红外辐射特征进行试验研究,得到塞锥冷却对二元塞式喷管红外辐射特性的影响规律,并与轴对称收扩喷管(基准喷管)进行了对比。试验结果表明:在探测角0°方向上,相比基准喷管,二元塞式喷管在不采取冷却措施时红外特征降低了12.1%,冷气流量为1.0%总流量时红外辐射强度降低了40.8%,冷气流量为2.8%总流量时红外辐射强度降低了51.2%。