基于使用可靠性的民用航空发动机水洗间隔优化方法研究

航空发动机在翼水洗是发动机性能恢复的重要手段。通过对国内某航空公司2009年和2010年35台发动机水洗前后EGTM恢复数据的分析,提出了发动机水洗效果评估的指标,建立了一套基于发动机水洗使用可靠性的评估方法与水洗间隔优化方法。可以帮助航空公司优化水洗间隔,评估水洗效果,提高发动机使用可靠性,为航空公司优化发动机维修计划提供数据支持。     

基于随机Wiener过程的航空发动机剩余寿命预测

针对目前剩余寿命(RL)预测方法没有综合考虑发动机个体性能退化的差异性和多阶段性的问题,提出了基于多阶段性能退化模型预测航空发动机剩余寿命的方法。首先,该方法采用多阶段Wiener过程对航空发动机进行退化建模,并假设退化模型参数服从随机分布来描述发动机个体的差异性。然后,根据历史性能退化数据与历史失效时间数据,利用期望最大化算法对模型参数的先验分布进行估计。当获得单台发动机的实时退化数据后,使用Bayesian方法对模型参数进行更新,从而实时更新航空发动机的RL分布,最终实现对单台航空发动机的RL预测。实验结果表明,该方法预测精度较高,能为航空发动机维修计划的制定提供依据。     

基于优化最小二乘支持向量机的小样本预测研究

统计学中的预测问题主要是通过对已知数据的分析,找到数据内在的相互依赖关系,从而获得对未知数据的预测能力。该文提出了最小二乘支持向量机参数优化方法———多层动态自适应优化算法,构建了基于最小二乘支持向量机的预测模型,并对Ti 26合金的性能预测进行了研究。结果表明:优化的最小二乘支持向量机具有优秀的小样本数据学习能力和预测能力。     

基于气弹耦合的旋翼桨涡干扰噪声预测方法

建立了基于气动/弹性耦合的旋翼桨涡干扰（BVI）气动和噪声分析方法。气动模型包括修正Beddoes尾迹模型和CFD模型,噪声计算采用基于声学类比法推导出的FW H（Ffowcs Williams Hawkings）方程,弹性桨叶动力学建模采用有限元方法。应用所建立的方法,对刚性的OLS（operational load survey）旋翼桨涡干扰状态的气动和噪声特性进行了计算,对比了两种气动模型在研究桨涡干扰问题的有效性;以弹性的HART Ⅱ旋翼为研究对象,分析了桨叶弹性、时间步长对桨涡干扰气动载荷和噪声的影响。结果表明:进行桨涡干扰计算时所采用的时间步长不宜超过2°。CFD方法由于固有的数值耗散,计算出的OLS旋翼噪声声压峰值仅为试验值的60%,而修正Beddoes尾迹模型能够避免数值耗散,且具有高效率的优势。考虑桨叶气动弹性能够提高旋翼桨涡干扰噪声的预测精度。      

CFM56—7B型发动机衰退模型建立与研究

发动机从投入使用到返厂大修整体性能衰退是一个连续性过程．研究目的在于建立能精确反映该过程的模型。收集大量CFM56—7B型发动机数据,通过解码、修正、换算得到大量的发动机排气温度裕度数据点．分段拟合并比较得到最优的该型发动机衰退数学模型,并运用另一机队数据验证模型。验证表明模型能较好地反映该型发动机衰退规律,给系统工程师分析该型发动机提供了指导依据,对研究该型发动机的性能衰退过程具有实用和理论指导意义。     

基于ADE-ELM的涡轴发动机建模方法

提出了基于自适应微分进化-极端学习机(ADE-ELM)求解平衡方程的高精度涡轴发动机实时部件级模型建立方法.基于牛顿-拉夫逊(N-R)迭代模型,以迭代计算前模型平衡方程残差为输入,迭代收敛后平衡方程猜值修正量为输出,训练极端学习机,并采用自适应微分进化(ADE)算法优化极端学习机(ELM)参数,提高猜值修正量映射精度.ADE算法中采用sigmoid型自适应缩放因子,提高了微分进化算法的寻优能力.在涡轴发动机不同飞行状态下的测试结果表明,以N-R迭代算法模型为基准,基于ADE-ELM的发动机模型,最大建模误差约为一次通过算法的1/3,运算耗时约为一次通过算法的1/3,验证了算法的有效性.      

基于增量学习的非定常气动力参数化降阶模型

气动降阶模型（ROM）是预测非定常气动力的有效工具,具有高精度和低计算成本的优点,近年来许多研究证实了该方法的有效性。但是关于飞行参数变化时,ROM的鲁棒性还需要进一步提高。为了提高ROM对不同飞行参数下的气动力预测能力,提出了基于最小二乘支持向量回归（LS-SVR）和增量学习算法的参数化降阶模型。LS-SVR是一种具有良好泛化能力的回归方法,基于LS-SVR的增量学习算法的主要贡献是在增加新样本集时,不需要重新学习整个数据集。为说明该方法的有效性,基于两自由度NACA64A010翼型构建参数化非定常气动力降阶模型。为了训练气动力输入和相应输出之间的关系,将马赫数和迎角作为附加的模型输入。仿真结果表明,该降阶模型能够准确描述气动力和气动弹性系统在不同飞行参数下的动态特性。     

基于贯序正则极端学习机的时间序列预测及其应用

为实现对液压泵特征参数的在线预测,提出一种贯序正则极端学习机(SRELM),并研究了基于SRELM的预测方法.SRELM根据结构风险最小化原理实现网络训练,其网络权值可随新样本的逐次加入而递推求解,具有泛化能力强与训练速度快的优点,因此适于特征参数的在线预测.基于SRELM的预测方法利用特征参数训练SRELM模型,以逐...     

SVM在气体减压器稳定性能中的应用

使用支持向量机(SVM)研究涡轮气封减压试验系统中高压卸荷膜片式减压器的稳定性问题,主要集中于以往方法不易涉及的多结构参数变化.针对稀疏易有残缺的小样本空间,与BP(back propagation)神经网络模型进行对比,得出SVM方法在所研究数据集上的一些结论:SVM模型预测性能在多结构参数变化情形下优于BP神经网络模型,预测误差平均降低了25.5%;SVM的泛化性好于BP;在双参数、三参数情形下,SVM模型为气体减压器的设计提供了更好的决策支持,给出了优化结构参数的设计建议.      

基于模糊信息粒化和优化SVM的航空发动机性能趋势预测

提出采用模糊信息粒化(FIG)和优化的支持向量机(SVM)来预测航空发动机参数的变化趋势和变化空间。利用模糊信息粒化方法对性能参数进行粒化处理。以K CV验证误差最小作为优化目标,采用遗传算法(GA)实现支持向量机惩罚参数和核函数参数的自适应优化选择;训练SVM模型并进行并对模糊粒子非线性预测。利用某航空公司的某型航空发动机性能参数监测数据进行验证,结果表明:该算法可以有效实现航空发动机性能参数变化趋势和变化空间预测。在实例基础上分析了窗口大小对算法预测精度的影响以及算法多步预测的效果,得出算法最佳窗口大小为3个数据且算法3步以内预测误差小于10%。      

基于滑动时窗策略自适应优化支持向量机的航空发动机性能参数在线预测

针对传统航空发动机性能参数时间序列预测方法存在的不足,提出了基于滑动时窗策略自适应优化支持向量机(Support Vector Machine,SVM)在线预测模型。该方法解决了训练样本动态适应性差的特点和老旧数据信息影响预测模型精度的问题。在该方法中,滑动时窗策略实时更新时窗数据训练样本,最终误差预报准则(Final Prediction Error,FPE)自适应地确定嵌入维数,遗传算法(Genetic Algorithm,GA)则实时自适应优化SVM建模参数。应用航空发动机排气温度偏差值(Delta Exhaust Gas Temperature,DEGT)数据进行实例验证,结果表明基于滑动时窗策略的自适应GA优化的SVM (GASVM)在线预测模型比传统的GASVM预测模型预测精度有显著提高。进一步分析了预测模型不同时窗宽度对短期预测精度的影响,展示了1步～10步预测的效果,结果表明在线预测模型在不同时窗宽度下短中期(5步以内)预测效果良好且稳定。文中提出的在线预测模型可用于航空发动机性能参数的预测,实现对航空发动机未来性能变化的预警。     

A satellite schedulability prediction algorithm for EO SPS

With notably few exceptions, the existing satellite mission operations cannot provide the ability of schedulability prediction, including the latest satellite planning service (SPS) standard-Sensor Planning Service Interface Standard 2.0 Earth Observation Satellite Tasking Extension (EO SPS) approved by Open Geospatial Consortium (OGC). The requestor can do nothing but waiting for the results of time consuming batch scheduling. It is often too late to adjust the request when receiving scheduling failures. A supervised learning algorithm based on robust decision tree and bagging support vector machine (Bagging SVM) is proposed to solve the problem above. The Bagging SVM is applied to improve the accuracy of classification and robust decision tree is utilized to reduce the error mean and error variation. The simulations and analysis show that a prediction action can be accomplished in near real-time with high accuracy. This means the decision makers can maximize the probability of successful scheduling through changing request parameters or take action to accommodate the scheduling failures in time.     

基于自动核构造高斯过程的导弹气动性能预测

在导弹的初期设计阶段,通常需要对导弹的气动性能进行快速粗略评估。针对传统工程估算软件计算精度低和CFD方法计算代价大的缺陷,提出一种基于高斯过程回归（GPR）代理模型快速预测典型导弹气动性能的方案。以导弹外形参数和攻角作为模型输入,升力系数、阻力系数和力矩系数作为模型输出,对GPR模型的气动性能预测结果进行分析。首先,与其他常用代理模型的预测精度对比,GPR模型对3种系数的预测误差分别仅为0.24%、0.36%和0.36%,高于其他代理模型的预测精度。其次,考虑GPR模型核函数选择严重依赖人工先验知识的问题,采用了一种自动核构造算法,无需先验知识即可从数据中自动学习核函数。将该算法嵌入GPR框架中,与传统GPR模型比较,实验结果表明：基于该算法的GPR模型对3种系数的预测误差分别降低到0.10%、0.22%和0.17%。最后,给出导弹气动性能快速预测的应用实例,结果表明所提出的GPR模型的导弹气动性能预测方案是有效的,能够满足设计初期快速且精确的气动性能预测需求。     

基于GRU的仪表着陆系统故障预测方法研究

故障预测技术在保障仪表着陆系统的可靠运行、提高空管效能等方面具有重要应用价值。结合仪表着陆系统运行特征和实际运行维护工作,提出一种基于GRU 的仪表着陆系统故障预测方法。以航向信标为研究对象,在分析其监控参数与设备运行状态之间的关系后,将监控参数作为故障特征参数;根据监控参数时间步长、时变性特征显著的特点,采用GRU 预测监控参数的未来变化趋势;根据监控参数的隶属函数计算出参数未来时刻可能发生“故障”的概率,实现对航向信标故障的预测。结果表明：基于GRU 的预测方法的相对预测精度在95% 以上。     

基于有监督线性特征映射(SLFM)网络的材料性能预测模型

构造了基于 SLFM网络的材料性能预测模型 ,探讨了实现该预测模型时网络的拓扑结构、学习和预测机制以及参数选择 ,提供了其对 Ti-2 6合金性能进行预测的实验 ,实验结果良好。在此基础上对 Ti-2 6合金的部分性能影响因素进行了优化 ,优化后的性能测算结果和实验结果相符。     

机器学习辅助湍流建模在分离流预测中的应用

数据驱动湍流建模是近年来发展的提高雷诺平均N-S方程预测精度的有效手段,通过机器学习算法能够从高置信度数据中自动提取特征,建立准确的从平均流动特征到雷诺应力的预测模型.针对高雷诺数下积冰翼型绕流这一类典型的复杂流动分离问题,基于此前研究者提出的机器学习预测框架,从输入输出特征选择和翼型绕流中数据分布特性两个方面出发,对...     

基于DS算法的混胺燃料近红外光谱分析模型传递

对混胺燃料的近红外光谱分析模型的传递方法进行研究。采用 K/S(Kennard/Stone)算法选择转换集样品,采摘用直接校正(Direct Standardization,DS)算法对从仪器采集的光谱进行校正。通过光谱平均差异(ARMS)比较奇异值分解(Singular Value Decomposition,SVD)算法和偏最小二乘法(Partial Least Squares,PLS)对光谱校正的效果。当 PLS算法的最佳主因子数为 3时,DS-PLS算法的光谱校正率可达到 97.5%,优于 DS-SVD算法。混胺样品的分析模型经过 DS-PLS算法传递后,对从仪器的混胺样品各项指标的预测标准偏差(SEP)明显好于传递前,与主仪器预测效果接近,说明采用 K/S算法选择合适的转换集样品后,通过 DS-PLS模型传递算法可有效降低仪器间的光谱差异,实现近红外光谱分析模型在各台光谱仪之间共享。     

A generative deep learning framework for airfoil flow field prediction with sparse data

Deep learning has been probed for the airfoil performance prediction in recent years.Compared with the expensive CFD simulations and wind tunnel experiments, deep learning models can be leveraged to somewhat mitigate such expenses with proper means. Nevertheless, effective training of the data-driven models in deep learning severely hinges on the data in diversity and quantity. In this paper, we present a novel data augmented Generative Adversarial Network(GAN), da GAN, for rapid and accurate fl...     

基于在线LS-SVM算法的变参数混沌时间序列预测

研究利用最小二乘支持向量机(LS-SVM)预测变参数混沌时间序列。变参数混沌系统适合于描述现实中的复杂混沌现象,但由于参数的慢变导致系统动力学特性不断发生变化,基于Tan-kens嵌入定理的建模预测方法难以适用,其时间序列预测可以看作是小样本学习问题。最小二乘支持向量机是在二次损失函数下采用等式约束求解问题的一种支持向量机,保留支持向量机优点同时计算量大大减少。提出用一种具有遗忘机制的最小二乘支持向量机在线递推算法,并引入历史数据的高次项预测变参数混沌时间序列。对典型变参数混沌时间序列的预测结果表明,该方法具有较高预测精度,能快速跟踪预测变参数混沌时间序列。     

基于遗传算法和ARMA模型的航空发电机寿命预测

针对航空发电机剩余使用寿命难以准确预测的问题,提出一种基于遗传算法(GA)优化的自回归与移动平均(ARMA)模型.运用航空发电机寿命专用试验平台,对某型航空发电机寿命进行长期试验,获取该航空发电机寿命相关数据.深入分析寿命试验数据,并对其建立ARMA模型.在此基础上,采用遗传算法对ARMA模型的阶数进行优化,分别采用A...