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.     

涡轴发动机性能退化分析与诊断

利用燃气涡轮发动机数值仿真软件(GSP)建立涡轴发动机性能仿真模型,采用退化因子方法得出部件性能退化后发动机测量参数的变化,并以此分析部件性能退化对发动机性能的影响。针对发动机单个部件性能对整机性能的影响权值难以定量的问题,提出采用随机赋权值的极限学习机(ELM)算法诊断发动机部件性能退化。仿真结果表明,运用ELM算法进行涡轴发动机部件性能退化诊断的平均精度可达97.5%,速度也明显快于BP等传统神经网络。     

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。     

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。     

航空发动机传感器信号重构的K-ELM方法

针对航空发动机传感器信号重构,提出了评价核极限学习机（K ELM）模型性能的一种快速留一交叉验证方法.结果表明:该方法可以避免原始的留一验证方法N次模型的显式训练,将计算复杂度降低为原来的1/N（N为样本数目）.该算法可以快速准确评价核极限学习机的性能,为核极限学习机确定最优的核参数.      

基于粒子群核极限学习机的涡扇发动机加速过程模型辨识

针对解析法建立涡扇发动机加速过程模型精度和实时性不高的问题,提出了一种基于粒子群核极值学习机(PSO-KELM)的涡扇发动机加速过程模型数据驱动辨识方法,构建涡扇发动机加速过程模型,结合加速过程试车数据,利用PSO-KELM方法对该加速模型进行辨识。试验结果表明:低压转子转速、高压转子转速和低压涡轮出口燃气总温都较好地逼近了试车数据,最大相对误差均值分别为1.013%,0.355%和1.055%,平均计算时间为0.04ms。精度和实时性均优于反向传播神经网络和粒子群支持向量回归方法,可用于发动机状态监控和性能优化控制。     

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.      

航空发动机气路部件故障融合诊断方法研究

针对发动机气路部件故障,提出了一种基于模型和基于数据驱动的融合诊断方法。采用极端学习机(ELM)实现基于数据驱动的故障诊断。针对ELM随机选择输入层权值和隐含层偏置带来的缺点,采用改进微分进化(IDE)算法以训练样本的均方根误差(RMSE)和输出层权值的范数为评价标准对其进行优化,减少了ELM的隐含层节点数,提高了网络的泛化能力。同时,由于传感器数目的不足,采用基于奇异值分解(SVD)的Kalman(SVD-Kalman)滤波器实现基于模型的部件故障诊断。为了提高航空发动机部件故障诊断的精度,利用改进的迭代约简最小二乘支持向量回归机(IRR-LSSVR)算法对两种算法的估计结果在特征层进行定量融合。仿真结果表明,在发动机稳态状态下,与单独使用基于模型和数据驱动的诊断方法相比,采用特征层融合有效地提高了部件故障诊断的精度和准确率。     

一种对飞行参数选取的自适应方法

飞参数据的典型选取问题是单机寿命监控以及飞行品质分析中压缩数据的储存空间关键。针对飞参数据的特征,提出了一种基于ELM极限学习机的飞参数据选取的模型。利用极限学习机ELM神经网络、文化基因算法MAS优化的方式,克服了算法中存在早熟收敛和局部极小的问题。实现了对飞机不同部位载荷自适应选取不同飞行参数的效果,有效获得评估出飞参数据的重要度。验证结果表明,优化后的ELM-M模型比传统选取飞参模型的精度得到了极大提高,泛化能力增强,说明了方法的可行性、有效性。     

基于GA-ELM的飞行载荷参数识别

针对用复杂飞行数据识别飞行载荷时的精度低、速度慢等问题,提出一种结合遗传算法(GA)和极限学习机(ELM)的GA-ELM模型。该模型使用ELM神经网络作为计算核心,用遗传算法产生ELM网络输入层到隐含层的权值矩阵和隐含层偏移量;用GA-ELM模型对飞行数据进行识别,并与BP神经网络和原始ELM神经网络的识别结果进行对比。结果表明:GA-ELM模型是一种有效且高精度的飞行载荷参数识别方法。     

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。     

基于复合模型及FSQP算法的发动机性能寻优控制试验

提出了一种在保证优化效果前提下提高发动机在线性能寻优实时性的方法,即一方面基于相似理论建立了适用于非加力状态的发动机复合稳态模型,在优化过程中替代原部件级模型以缩短优化计算时间,另一方面采用先进的可行性序列二次规划算法寻求全局最优解,以提高优化精度。最终实现了上述方案在最小油耗模式及最大推力模式下的数字仿真及半物理模拟验证,相比于传统的基于发动机部件级模型进行性能寻优控制,其优化精度相当,但优化实时性得到大幅度提高,从仿真结果可以看出上述方案的有效性及可行性。     

基于PCA-MPSO-ELM的空战目标威胁评估

目标威胁评估是空战对抗过程中的关键环节。由于影响空战目标威胁评估的因素复杂多样，且指标之间存在相关性，导致传统的评估算法无法得到准确客观的评估结果。由此，提出了一种基于主成分分析法和改进粒子群算法优化的极限学习机（PCA-MPSO-ELM）的目标威胁评估算法。首先，综合分析了影响目标威胁程度的指标，利用主成分分析法对原始评估指标进行线性变化处理得到综合变量，消除了评估指标之间的相关性，实现了对评估数据的降维；在此基础上，构建ELM神经网络并利用改进的粒子群算法优化极限学习机的输入权值和阈值，提高了目标威胁评估模型的精度。最后，在空战训练测量仪中选取空战对抗数据，利用威胁指数法构造了目标威胁评估样本数据，通过仿真实验分析了PCA-MPSO-ELM算法的精度和实时性，结果表明所提算法可以快速准确地进行空战目标威胁评估。     

基于GRNN网络的燃气轮机可靠性预测研究

本文根据采集的实际运行数据,利用神经网络较好的高度非线性映射性能,通过对后传播网络（BP网络）和广义回归神经网路（GRNN网络）的优化设计,来预测燃气轮机实际运行中的可靠度。通过算法实现和结果的对比分析表明：BP网络和GRNN网络都能解决高度非线性问题,但在训练时间和精度上GRNN网络具有更为优良的逼近能力。神经网络方法为燃气轮机的可靠性预测提供了有力的工具。     

基于PSO-BP神经网络的固冲发动机推力估计器设计

为了对固体火箭冲压发动机的推力进行直接控制，提出了基于PSO（粒子群优化算法）优化BP（back propagation）神经网络的固体火箭冲压发动机推力估计方法。采用SPSO（标准PSO）和三种不同的BBPSO（骨干PSO）寻优神经网络权值，而后以最优权值进行BP网络训练，对其进行精调，如此便可获取推力和燃气流量、飞行马赫数以及飞行高度之间的非线性关系，从而完成推力估计器的设计。利用240组训练集数据对网络进行训练，并用180组测试集数据对网络进行验证。仿真结果表明：在SPSO、BBExp（exploiting BBPSO）、ABPSO^*（modified adaptive BBPSO）和SNPSO（simplified pruning strategy based BBPSO）等四种不同的PSO中，基于SNPSO优化BP神经网络实现推力估计器设计是最为便捷有效的方法，不仅形式简单，而且对于测试集数据而言，其能够将推力相对误差控制在5%以内。     

航空发动机部件性能参数融合预测

为了改善目前单独采用基于模型和数据驱动的部件健康参数预测精度,提高数据驱动方法的故障诊断的泛化能力,提出一种自调整决策融合机制,对航空发动机部件性能蜕化在连续蜕化空间进行融合诊断。传感器测量值同时输入到机载自适应模型和数据驱动的诊断模块中,分别利用卡尔曼滤波算法和自适应遗传算法优化的支持向量回归机(AGA-SVR)对主要部件性能进行预测,再利用自调整决策权重的量子粒子群寻优(QPSO)进行决策级融合诊断。以某型涡扇发动机为对象进行气路部件蜕化的仿真研究表明,与单独使用基于模型和数据驱动的诊断方法相比,采用决策融合机制有效地提高了部件故障诊断精度。     

航空发动机部件级模型硬件在回路实时性验证

为了验证航空发动机部件级模型作为机载模型的实时性,开展部件级模型的硬件在回路试验。根据AIR4548A燃气涡 轮发动机实时建模标准,建立了单轴涡喷发动机部件级实时Simulink模型;基于模型设计方法和自动代码生成技术,将该模型集 成到全数字仿真平台FWorks;将验证后的模型代码集成到硬件在回路平台的电子控制器实物中。进行了全数字仿真和硬件在回 路仿真验证。结果表明：全数字仿真结果验证了部件级模型的准确性和代码生成的正确性;在硬件在回路的开环仿真结果中,该 部件级实时模型单步最大运行时间不超过2.7 ms,可以作为模型基控制、故障诊断、健康管理和性能寻优控制等技术的机载模型。     

超声速进气道/发动机一体化控制

为了解决超声速进气道/发动机一体化问题,建立了可进行放气调节的超声速进气道部件级数学模型,而后将其与某双轴涡扇发动机部件级模型匹配,实现进气道与发动机共同工作.基于该进气道/发动机一体化部件级模型,分析计算了超声速进气道内流、外流特性,并研究了在超声速工作状态下进气道放气特性,验证了在超声速飞行时,发动机在中间状态与加力状态下,通过进气道放气调节,发动机安装推力提升了3%.     

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.