一种建立航空发动机状态变量模型的新方法

本文提出了一种用于建立航空发动机状态变量模型的新方法—拟合法：即用发动机部件级模型在稳态工作点处的非线性动态响应数据拟合该点处的小偏离状态变量模型。并应用这种方法建立了某型涡扇发动机在高空稳态工作点处的小偏离状态变量模型,以及地面加速过程的大偏离状态变量模型。通过动态仿真研究,可以看出：与偏导数法比较,拟合法明显提高了建摸精度。     

基于改进粒子群算法的航空发动机状态变量建模

为了克服现有航空发动机状态变量建模过程中的不足,采用了一种改进粒子群算法建立航空发动机状态变量模型。首先改进了粒子群算法,提出一种每个粒子根据自身适应值动态调整其惯性系数方法来平衡搜索性能;对群体最优位置进行实时的代内更新以提高搜索速度;为避免陷入局部最优,在最优个体附近进行随机搜索。其次利用该算法建立航空发动机状态变量模型,根据航空发动机在稳态点处的线性化模型应与在该同一稳态工作点处的非线性模型响应一致的原则构造适应值函数,仿真结果表明所建立的状态变量模型不论是稳态过程还是动态过程都与非线性模型响应基本一致,建模精度较高,建立过程简便。     

航空发动机小偏差状态变量模型的建立方法

采用最小二乘拟合法建立用于航空发动机鲁棒控制系统设计的小偏差状态变量模型，即根据发动机非线性模型的小偏差动态响应数据直接拟合出其小偏差状态变量模型。由于建模误差在最小二乘意义下最小，因而应用该方法可以保证所建模型具有较高精度。此外该方法亦不受模型阶次的限制。应用该方法建立某型涡记扇发动机的小偏差状态变量模型，具有较高的精度，从而验证了该方法的有效性。     

自寻优求解法建立涡轴发动机状态变量模型

采用自寻优求解法建立小偏差状态变量模型(SVM),即先任意给定A,B,C,D矩阵,然后根据发动机非线性模型与状态变量模型的小偏差动态响应对比直接寻优A,B,C,D矩阵.求解目的为使状态变量模型与非线性模型的小偏差动态响应吻合,因而应用该方法可以保证所建模型具有较高的精度.此外该方法不受模型阶次的限制.应用该方法建立了某型涡轴发动机的小偏差状态变量模型,通过与非线性模型仿真结果比较,验证了该方法的有效性和准确性,所建立的状态变量模型可用于航空发动机控制系统设计与故障诊断.      

航空发动机状态变量模型的QPSO寻优混合求解法

针对航空发动机控制和故障诊断中的状态变量模型求解存在的系数矩阵精度不高的问题,结合阶跃响应法和拟合法的基础上,提出了一种基于量子粒子群寻优（QPSO）求取发动机状态变量模型的混合求解法。QPSO优化算法求解A,C矩阵使得状态变量模型和非线性模型在动态过程具有较好的吻合,阶跃响应法求取B,D矩阵保证了模型稳态响应一致。利用混合求解法建立了某型涡轴发动机在某一稳态工作点下的小偏离状态变量模型。仿真结果表明,这种方法不仅增强了状态变量模型的求解精度,相对于单纯的拟合法缩短了求解时间,精确的状态变量模型为进一步的故障诊断和控制系统设计提供了条件。     

基于改进拟合法的涡扇发动机状态变量模型建立方法

为解决拟合法建立涡扇发动机状态变量模型时初值难以选取的问题和有效提高模型的精度,研究了一种改进的优化拟合方法.针对拟合法初值难以选取的问题,采用改进偏导数法获得的优化迭代初值;根据发动机稳态工作点线性化模型的动态响应与该点处的非线性模型动态响应一致的原则,采用线性最小二乘优化拟合法建立某型涡扇发动机状态变量模型.通过在不同状态工作点、采用不同模型结构,与改进偏导数法和非线性部件级模型仿真结果相比较表明:该方法能有效保证模型收敛性,具有较高的建模精度,并适用于高阶系统建模.     

状态变量模型建立方法

为了克服小扰动方法精度不高、稳态终值响应法动态过程不一致以及传统拟合法的随着维数增加精度下降和拟合时间长等缺点,综合了3种算法（小扰动法、稳态终值响应法和传统拟合法）的优点,设计了基于变尺度法的混合求解方法建立了航空发动机状态变量线性模型。仿真结果表明：建立的航空发动机状态变量线性模型与非线性部件级模型在动态过程响应中吻合良好,而且具有较高的稳态精度,能够保证航空发动机最终稳定值的一致性。     

基于变尺度寻优混合求解算法的航空发动机状态变量模型建立方法

为了克服小扰动方法精度不高、稳态终值响应法动态过程不一致以及传统拟合法的随着维数增加精度下降和拟合时间长等缺点,综合了3种算法(小扰动法、稳态终值响应法和传统拟合法)的优点,设计了基于变尺度法的混合求解方法建立了航空发动机状态变量线性模型。仿真结果表明:建立的航空发动机状态变量线性模型与非线性部件级模型在动态过程响应中吻合良好,而且具有较高的稳态精度,能够保证航空发动机最终稳定值的一致性。     

线性拟合法建立航空发动机状态变量模型

针对非线性拟合法建立航空发动机状态变量模型过程中的初值问题,提出了一种能够避免该问题的线性拟合法,即在离散域情况下,利用已知的状态序列来构建系统矩阵与模型响应之间呈线性关系的目标函数,从而使非线性最小二乘问题转化为线性最小二乘问题.应用该方法建立某型涡扇发动机的小偏差状态变量模型,并与非线性拟合法进行了对比研究,结果表...     

1 种航空发动机增广模型的建立方法

精确完整的发动机线性模型对于现代航空发动机控制系统的设计与故障诊断至关重要。提出了1种用差分进化算法提取包含发动机主要特征量及其执行机构状态变量的增广发动机状态变量模型的方法,其状态变量包括发动机转速、执行机构位移、速度、控制压力等特征,并包含了执行机构的输入饱和限制,与实际系统相一致。仿真结果表明:利用该方法建立的增广发动机状态变量模型与非线性模型动态响应过程吻合良好且稳定终值一致,可用于具有工程应用价值的控制器设计及包含执行机构的发动机故障诊断。     

基于支持向量机的航空发动机整机振动故障诊断技术研究

支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的一种新型机器学习方法,由于它出色的学习分类能力和推广能力,广泛地应用于模式识别和函数拟合中。针对某型航空发动机整机振动过大的现象,提出了一种基于支持向量机（SVM）的整机振动故障诊断方法。首先介绍了SVM理论,然后根据SVM学习方法的结构风险最小化原则,对某型航空发动机已知的整机振动故障模式数据进行了训练和预测,并建立了基于SVM的航空发动机整机振动故障诊断模型。最后通过对已有故障模式进行诊断预测,证明该方法在航空发动机整机振动故障诊断方面具有良好效果。     

基于大规模训练集SVM的发动机故障诊断

提出了一种新的学习策略,用于解决发动机故障诊断中大规模支持向量机(SVM)的训练问题.通过保留初始SVM分类器支持向量超平面附近的样本以及错分样本,使最终得到的约减集规模明显缩小,从而可在保持较高分类精度的前提下使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短.探讨了序贯最小优化(SMO)算法的参数选择和实现过程中的关键问题,为这种极具潜力的算法在发动机故障诊断中的实际应用奠定了坚实的基础.仿真实例表明,这种基于大规模训练集SVM的发动机故障诊断方法有效、可靠,容易实现,可以作为工程应用的基础.      

基于支持向量机的航空发动机PID解耦控制

针对航空发动机多变量控制系统中各回路之间存在的耦合现象,提出了一种基于支持向量机(support vector machines,SVM)的航空发动机PID(proportion integration differentiation)解耦控制方法.利用SVM辨识发动机非线性模型,并获得SVM瞬时线性化模型,在线性化模型的基础上完成了PID参数的在线自整定.利用Lyapunov稳定性定理对控制器的收敛性进行了分析.通过对某型航空发动机的仿真,验证了该方法的有效性和可行性.      

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。     

基于一类辨识的航空发动机故障诊断

在支持向量机理论的基础上，打破了支持向量机的二类辨识传统，引入了基于支持向量机的一类辨识理论，以它为基础设计了基于一类辨识的一类分类器，并将它运用到航空发动机故障诊断中。通过对几种典型故障的分析，证明了该方法的有效性。     

基于约简遗传规划的线参数模型及在航空发动机起动建模中的应用

提出了一种新的约简遗传规划(PGP)算法和一种新的基于约简遗传规划的航空发动机起动动态线参数模型.这种模型采用遗传规划产生航空发动机起动模型的输入输出非线性模型集,并以二叉树结构表征函数项,运用正交最小二乘算法(OLS)估计二叉树分支(基本函数项)对于模型精度的贡献并去除复杂、冗余的函数项,从而加快遗传规划的收敛速度,最后通过GP进化可获得简单、可靠、准确的线参数非线性模型.发动机起动过程试车数据建模和与支持向量机的比较证明,这种方法可以产生适用性好、解析性强的线参数非线性模型,产生的模型可获得与支持向量机相当甚至更优的结果.     

基于免疫粒子群算法的滑油屑末支持向量机预测模型设计

将人工免疫理论的克隆选择算法中的抗体克隆、变异和抑制策略引入粒子群优化算法中,提出了一种基于克隆选择的免疫粒子群优化算法,克服了基本粒子群算法易于陷入局部最优解的缺点.针对支持向量机预测模型的参数选择影响其预测精度的问题,引入免疫粒子群优化算法设计了参数自适应优化的航空发动机滑油屑末支持向量机预测模型.仿真结果表明:与传统的交叉验证试算法相比,基于免疫粒子群优化的预测模型实现了参数的自动择优,并且提高了预测精度.      

基于SVM和SNN的航空发动机气路故障诊断

为了区分航空发动机气路故障诊断过程中出现的相似故障,提高诊断准确率,提出了一种支持向量机(SVM)和协同神经网络(SNN)相结合的故障诊断方法.首先利用参数优化后的SVM对测量数据进行初步故障诊断分类,对诊断结果进行分析统计,得出难以区分的相似故障类型,并根据SNN对这些相似故障进一步地区分判断,最后根据实际数据对此故障模型进行仿真.结果显示:基于SVM的初步故障诊断准确率达到96%;而经过SNN进一步地相似故障区分后,诊断准确率提升到100%.     

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。     

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.