基于遗传算法和BP网络的航空发动机拆换期望值预测

通过使用真实样本实验的方法,在BP神经网络、GA遗传算法与改进的GA-BP复合算法中,找出能迅速精确地预测航空发动机拆换期望值的最佳方法。试验结果证明,GA-BP复合算法在用遗传算法对神经网络的权值进行大致搜索以后,再用神经网络方法进行训练,能很好地模拟发动机拆换期望值,并用实例证明该算法是有效的。      

基于GA优化BP算法的滑油状态监测

滑油状态的监测与分析是航空发动机状态监测与故障诊断的重要手段。为了解决以往滑油金属质量分数预测模型算 法的局部性、收敛速度慢及预测结果误差大等问题,结合遗传算法（GA）收敛速度快、鲁棒性好等优点,对反向传播（BP）神经网络 算法进行GA优化,通过GA对参数寻优,并应用于发动机滑油金属质量分数预测。由于滑油的状态参数并不能确定部件故障与 否,利用贝叶斯（Bayes）决策规则对诊断结果进行了错误率计算。将所提方法应用于某航空发动机滑油铁质量分数预测,结果表 明：采用GA优化后的BP神经网络（GA-BP）得到的预测结果具有更高的精度,其最大预测误差不超过6%,平均预测误差为1.7%, 所测数据与原数据具有较好的拟合性,利用Bayes决策规则对诊断结果进行分析,对于部件故障与否的判别更具说服力。     

基于信息融合的航空发动机剩余寿命预测

利用航空发动机状态监测信息,考虑到信息本身具有的误差性和随机性等特点,采用贝叶斯线性模型融合了监测信息,实现了综合利用多源信息的进行航空发动机性能衰退评估;以性能衰退评估结果为输入变量,建立基于Gamma随机过程的可靠性评估模型,预测在指定性能可靠性水平下的剩余寿命.通过算例,分析了不同监测参数对剩余寿命预测的影响.该方法能将性能监测与可靠性分析集成到一个框架中,充分利用了多种状态监测信息,结果更加准确,更符合控制航空发动机维修决策风险的实际.      

基于深度信念网络的航空发动机维修等级决策

准确的航空发动机维修等级决策,能够避免过维修和欠维修,在保证航空发动机运行安全的前提下节约维修成本。结合航空发动机状态监控信息和维修等级特点,采用深度信念网络（DBN）算法,挖掘状态监测及维修等级决策之间的深层次对应关系,实现对维修等级的分类和预测。该模型通过DBN预训练和反向传播(BP)神经网络反向微调提取出样本特征,从而提高维修等级预测准确率。以某航空公司CF6航空型发动机的状态参数和维修等级数据作为实例进行验证,结果显示:该模型能够通过构建多层网络结构挖掘出样本的更深层次信息,在分类能力、决策准确性方面优于传统神经网络,有较强的特征提取能力,对维修等级分类有较高的正确率,能得出更准确的维修等级决策结果,避免因维修等级误判而带来不必要的损失。      

卷积和离散过程神经网络及其在航空发动机排气温度预测中的应用

 针对航空发动机排气温度的变化过程受复杂非线性时变因素的影响而难以用精确数学模型描述的问题,提出了卷积和离散过程神经网络(CSDPNN)模型,并将其应用于航空发动机排气温度(EGT)预测。该模型以离散样本作为直接输入,采用卷积和算法实现对时间累积效应的处理。相较于以连续函数作为输入的过程神经网络(PNN),不需要拟合离散样本得到连续函数后进行正交基展开,减少了精度损失,具有更高的预测精度。给出了卷积和离散过程神经网络模型的学习算法,并通过对Mackey-Glass混沌时间序列的预测对提出的方法进行应用说明和验证。通过航空发动机EGT预测实例,并与卷积和离散过程神经网络模型的连续函数输入过程神经网格以及传统人工神经网络(ANN)的预测结果进行了对比。结果表明,相较于连续函数输入过程神经网络以及传统人工神经网络,卷积和离散过程神经网络具有更高的预测精度,且对于EGT的预测具有较好的适应性,因而为航空发动机EGT预测提供了一种有效的方法。     

用结构自适应神经网络预测航空发动机性能趋势

 将航空发动机作为复杂非线性系统考虑,运用神经网络超强的非线性映射能力和非线性时间序列分析的相空间重构理论,建立航空发动机性能趋势预测的神经网络模型,同时,针对神经网络的结构设计困难问题,建立了基于遗传算法的结构自适应神经网络预测模型,实现了神经网络结构的优化。最后,利用三组民航飞机发动机的性能数据进行了预测分析,验证了利用结构自适应神经网络对航空发动机性能趋势进行预测的有效性。     

NARX神经网络在航空发动机EGT趋势预测中的应用

航空发动机的健康状态是保证飞行安全的重要因素,能在早期发现发动机隐藏的故障,通过预测发动机性能参数的变化趋势来掌握发动机性能衰退情况,实现对发动机健康状态的准确判断,具有重要的意义。针对航空发动机性能参数的数据特点,提出将动态神经网络中的NARX(非线性自回归)神经网络模型运用到性能参数的预测中,并用航空发动机排气温度(EGT)的趋势预测对该方法进行了验证。验证结果表明,这种方法在性能参数预测的精度上优于BP神经网络的预测结果。     

基于支持向量机的航空发动机性能衰退指标预测

针对航空发动机性能衰退状态的趋势预测问题,基于非线性支持向量机回归建立了发动机性能衰退指标的预测模型,给出了反映其性能衰退的综合指标。利用该模型对发动机的性能衰退指标进行了预测分析,并与神经网络模型预测结果进行了比较。结果表明:支持向量机回归预测模型能更准确地对发动机的未来状况进行预测。     

航空发动机多模型预测滑模控制

针对航空发动机是一个不确定性的强非线性系统,借鉴多模型方法和预测控制思想,提出了航空发动机多模型预测滑模控制。对航空发动机飞行包线进行划分,建立了航空发动机状态空间多模型;对每个模型分别设计了预测滑模控制器,以滑模轨迹为预测模型,进行滚动优化、反馈校正求取控制量,并根据前几时刻与发动机的匹配程度选择当前时刻的控制器;推导出了其稳定性的条件。仿真结果表明,所设计的控制器控制效果令人满意,能有效抑制参数摄动和干扰的影响。     

航空发动机神经网络内模控制

基于神经网络内模控制理论研究了神经网络内模控制方法在航空发动机控制系统中的应用,建立了基于Elman网络的航空发动机多变量内模控制系统。采用Elman网络建立发动机内模型和内模控制器,详细介绍了建模、控制的算法及其实现过程。取部分飞行条件下的数据作为学习样本,采用动态BP算法对神经网络权值进行调整,并在飞行包线内其它工作点对整个控制系统进行了仿真。结果表明,使用神经网络建立的航空发动机内模控制系统具有良好的控制品质和较强的自适应能力。      

基于神经网络-遗传算法的液力透平叶片型线优化

提出了一种叶片型线的多工况优化设计方法,该方法包括叶片型线参数化、优化的拉丁超立方试验设计、CFD技术、GA-BP(genetic algorithm-back propagation)神经网络与遗传算法.具体采用三次非均匀B样条曲线参数化叶片型线,优化的拉丁超立方试验设计方法在设计空间内获取训练GA-BP神经网络的样本点,各个样本点性能分析由CFD技术完成,随后开展GA-BP神经网络的学习训练,最后采用GA-BP神经网络和遗传算法相结合的优化技术求解液力透平叶片型线的多工况优化问题.基于上述优化方法对一液力透平进行了叶片型线的优化改进,结果表明,在保证扬程不小于相应初始扬程的约束条件下,优化后的液力透平效率在3个指定工况下分别提高了3.91%,3.59%和3.09%, 证明采用此方法优化叶片型线具有一定的可行性.      

连分式扩充的粒子群神经网络压气机特性重构方法

对航空发动机压气机原始二维等转速线的数据点进行连分式扩充,通过两次网络训练,增加转速特性数据,在三维空间中进行BP(back propagation)网络模型重构.根据压气机特性数据空间分布的特点,引入压力比函数,调整计算区域,定义网络的输入输出数据,利用试探法确定隐含层维数.采用基于趋利避害原则的粒子群算法对网络的初始权值和阈值进行优化,建立了压气机压比和效率特性的整体代理模型.最后以某型发动机的低压压气机为例进行了压气机特性模型的重构.通过模型的校核与验证表明:采用这种方法建立的模型精度较高,优于普遍采用的传统二维插值方法和普通BP神经网络模型.最终建立的重构模型对于采用选配法、坐标法和部件法等以压气机通用特性曲线为基础的发动机模型的求解,可提高计算精度和迭代速度,具有一定的工程应用价值.      

航空发动机虚拟自学习控制方法研究

随着人工智能技术的发展，智能航空发动机逐渐成为当今航空领域研究的热点。传统的航空发动机控制对发动机模型的依赖性过强，而基于发动机气热动力学公式的机理建模会引入较大的建模误差，给控制器设计带来困难。对此，提出一种基于强化学习的航空发动机控制虚拟自学习方法，首先利用航空发动机的试验数据通过LSTM 神经网络建立虚拟学习环境，然后采用深度强化学习TD3 算法，在虚拟环境中训练智能控制器，最后采用JT9D 发动机模型验证智能控制器的性能。结果表明：相比于传统PID 控制，智能控制器产生的超调量更小，调节时间更短。     

基于RVM回归误差补偿的航空发动机分布式控制系统多步预测控制

针对具有随机有界双侧时延的航空发动机分布式控制系统,提出了一种基于多步预测和关联向量机(RVM)回归误差补偿的控制方案.首先建立航空发动机分布式控制系统(DCS)的神经网络非线性自回归滑动平均(NARMA)模型,利用当前的系统输出和控制量对N步之后的系统输出进行预测;其次用改进的RVM回归多步预测算法估计NARMA模型的的预测误差,并对预测结果进行误差补偿;最后利用补偿之后的预测值和设定值对控制参数进行滚动优化,设计系统的神经网络逆控制器实现系统的自适应控制.仿真结果证明该控制策略能够避免随机有界双侧时延对控制系统的影响,实现对设定值的稳定跟踪,且控制器具有较好的实时性和鲁棒性.低压转子转速阶跃响应的稳态绝对误差小于0.04%,响应时间小于0.3s.      

基于深度学习的航空发动机不平衡故障部位识别

针对基于机匣测点的航空发动机不平衡故障部位识别问题,提出了基于深度卷积神经网络的航空发动机不平衡故障部位诊断方法。针对某典型双转子航空发动机,建立整机耦合动力学模型,并利用数值积分算法实现不平衡故障数值仿真;在从发动机压气机端到涡轮端的高、低压转子上选择4个不平衡故障部位作为诊断对象,通过仿真分析得到发动机典型转速下的转子不同部位不平衡故障的仿真样本;计算4个机匣测点信号的规范化频谱,通过对大量仿真数据的处理得到反映不同不平衡故障部位的故障样本集;利用仿真得到的大量不平衡故障样本,训练深度卷积神经网络,利用深度卷积神经网络的优良特征学习能力实现航空发动机不平衡故障的不同部位进行识别,数值试验结果表明该方法对航空发动机不平衡故障部位的识别准确率达到95%。     

基于遗传算法的空空导弹消耗规律神经网络预测方法

针对弹药预测问题,介绍了基于遗传算法的BP神经网络的相关原理及理论,研究了基于遗传算法的空空导弹消耗量BP神经网络预测方法,弥补了传统的BP神经网络法在弹药预测方面存在许多缺点,采用遗传算法求得影响弹药消耗各因素的权值及阈值,具有较高的准确性;同时,优化过程是对神经网络算法的权值及阈值进行优化,由适应度函数计算出染色体的适应度值,再经过选择、交叉及复制等操作,得到适应度最高的个体。对历次空战空空导弹消耗量数据进行归一化处理,将处理结果带入传统BP测,得到预测结果并对比分析,预测结果显示了遗传算法优化的有效性,避免了传统BP算法局部性强的缺点,预测结果较优化前较大提升,验证了改进算法的有效性和先进性。     

基于神经网络的航空发动机环形燃烧室总噪声级预测

建立了某型航空发动机环形燃烧室噪声总声级神经网络模型,并利用测试数据对该网络进行了训练与应用.仿真结果表明,此网络模型能够较精确地拟合出燃烧室噪声总声级与燃烧参数间的函数关系,对于航空发动机燃烧室声疲劳和可靠性的研究有重要意义.     

神经网络集成在发动机故障诊断中的应用研究

提出一种基于A daBoost的集成神经网络故障诊断方法,利用多层前向神经网络作为故障弱分类器,通过简单地训练若干个单一神经网络并将其预测结果进行合成,实现了对航空发动机多类故障的诊断。针对一个涡轮喷气发动机气路部件的仿真实验表明,这种方法提高了最终故障分类器的泛化能力,便于工程应用。      

航空发动机燃油系统执行机构及其传感器故障诊断

提出了基于执行机构模型和航空发动机逆模型的执行机构及其传感器单一故障诊断和定位方法.基于执行机构小闭环结构建立了3阶执行机构传递函数模型.基于两个并联的BP(back propagation)神经网络,建立了航空发动机稳态逆模块和动态补偿模块,形成航空发动机逆模型,以实现基于航空发动机输出的燃油流量估计.以执行机构模型输出和传感器输出之间的偏差为依据进行故障判别,以航空发动机逆模型输出和传感器输出偏差为依据对故障进行定位.以某型航空发动机及其燃油系统执行机构模型为对象进行的仿真,结果表明,该诊断系统可在航空发动机稳态、动态情况下准确地诊断出幅值在1.6%以上的执行机构及其传感器故障并进行定位,验证了所提出故障诊断方法的有效性.