基于QAR数据的碳当量值适航符合性验证方法

为评估飞机碳排放水平并验证适航性,对国际民用航空组织最新的碳排放认证程序进行了研究。以比航程（SAR）和基准几何因子（RGF）组成的综合指标碳当量值作为评估适航性的度量,根据飞机最大起飞重量（MTOM）值选取试飞测量点,并确定对应的飞机碳当量值限制线。提出了一种基于快速存储记录器（QAR）数据的飞机碳当量水平快速评估方法,利用新服役飞机的QAR数据,使用多参数支持向量机回归（SVR）方法分别建立燃油消耗率和飞行速度相对于推力的修正关系,通过飞机总重换算求解3个飞行测量点条件下的SAR值,并计算碳当量值。使用一架B777-200新飞机的QAR数据进行实例分析,计算结果显示,该机型碳当量值为1.598 7,超出限制线20.5%。提出的基于QAR数据的碳当量值计算方法可以用于飞机碳排放水平的快速评估。      

基于DWNN的机电作动器渐变性故障诊断

飞机飞行控制系统机电作动器（EMA）的渐变性故障很难准确预判,若不能及早发现而任其发展就会影响到飞机的飞行安全性。针对EMA的渐变性故障,提出一种基于动态小波神经网络（DWNN）的故障诊断方法。首先,利用EMA在电机电枢绕组匝间短路、传动装置丝杆和滚珠磨损等多种渐变性故障状态下的运行数据来训练DWNN故障诊断模型;然后,利用训练好的DWNN模型对EMA渐变性故障进行诊断。创新之处在于DWNN模型利用小波分解算法去除了传感器测量信号中高频分量的影响,利用反馈神经网络的记忆能力融合了过去输入的信息和过去预测的信息,提高了对EMA渐变性故障诊断的准确性。通过对某型EMA进行故障诊断实验,仿真结果表明所提出的DWNN方法可以实现对EMA部件渐变性故障的准确诊断。      

基于自编码器和HMM的民机接地点远事件检测

已有的飞行品质监控（FOQA）标准仅由地速的积分距离判定接地点远事件（LTE）的发生,无法结合多个快速存取记录器（QAR）参数检测并解释发生该事件的原因。通过滑动窗口对包含多个参数的QAR样本进行分段,按照分段位置形成若干分段样本集。由长短时记忆网络（LSTM）自编码器得到QAR样本分段及分段内向量的特征表示,采用K-means分别对这些表示向量进行聚类处理,实现QAR样本及其分段的符号化。使用正常航班QAR样本集的符号序列建立隐马尔可夫模型（HMM）,以检测包含接地点远事件的航班。由发生及未发生接地点远事件的QAR样本各个分段的符号序列构建HMM后,采用Viterbi算法确定接地点远事件在QAR样本分段内的具体位置。在真实QAR数据集上的实验结果表明,与其他多维时间序列异常检测方法相比,所提方法不仅能有效检测接地点远事件,而且可以获得多个QAR参数的异常值,辅助领域专家分析发生该事件的原因。      

多元线性回归在引气系统故障诊断中的应用

针对利用快速存取记录器(QAR)数据进行民机系统故障诊断问题,以民机引气系统为对象,提出了一种适合多飞行循环数据特点的多元线性回归模型的故障检测方法.首先建立了多飞行循环数据的引气系统性能多元线性回归模型,设计了飞行循环和飞行循环内故障检测方法;然后采用最大后验估计方法进行模型参数估计;最后设计了适合多飞行循环数据的模型参数最大后验估计算法.借助仿真数据和航空公司收集的实际飞行数据对方法进行了验证,结果表明了该方法有效且具有一定工程应用价值.      

基于PSO-BP神经网络的平流层风场短期快速预测

平流层风场环境对临近空间低速飞行器驻空飞行性能有重要影响。研究了基于PSO-BP神经网络的平流层区域风场建模与快速预测方法,根据历史风场数据,采用主成分分析法对数据进行降维处理,通过BP神经网络对风场进行预测建模,利用粒子群优化（PSO）算法对其进行优化,采用Biharmonic样条曲面插值方法构建区域预测风场。以南海地区5年历史风场为对象,对比分析了基于BP神经网络和基于PSO-BP神经网络的风场预测模型,结果表明:使用具有全局寻优特性的PSO算法改进BP神经网络,能够有效避免传统BP神经网络易陷入局部最优的缺点,提高预测精度;通过结合PSO-BP神经网络预测与Biharmonic样条曲面插值,可实现区域风场的预测。研究结果可为临近空间低速飞行器的轨迹规划与区域驻留等任务的高精度区域快速预报风场提供解决途径。      

基于多分类AdaBoost的航空发动机故障诊断

对航空发动机运行数据进行数据挖掘的方法,是发动机故障诊断研究领域的重要研究内容。由于各种算法自身的局限性,通过某种单一算法很难大幅度提升故障分类的准确性。运用组合分类的AdaBoost算法,综合多个分类模型进行诊断,是提升故障识别精度的一种较好的方法。通过AdaBoost算法及其改进算法的结合,建立一种多分类的AdaBoost算法,以支持向量机（SVM）为基础分类器,进行综合诊断模型的建立。通过单位向量法、比值系数法和相关系数法将指印图中统计的故障标识数据进行处理,得到不受故障程度影响的训练数据,再进行建模。实验表明,AdaBoost相关结合算法能够显著提升分类器性能。根据实际故障案例,验证了所建立的诊断模型能够较好地用于发动机的故障诊断。      

基于深度学习的无人机数据链信噪比估计算法

无人机数据链通信受到各种自然与人为的干扰,信噪比（SNR）是信道状态和通信质量的有效评估指标。为解决传统估计算法信噪比估计精度不足的问题,提出了一种卷积神经网络（CNN）与长短时记忆（LSTM）网络结合的估计模型。利用仿真与实测相结合的方式,构建了一个包含不同信噪比、调制方式、衰落信道等信息的无人机通信信号数据集;在网络训练阶段,将样本序列进行分割,对分割后的每一部分序列使用CNN-LSTM网络提取深度特征,多次训练并保存模型参数;在测试阶段,利用构建好的测试集完成对算法的验证与测试,得到信噪比估计值。实验表明,相比于传统信噪比估计算法与单一网络结构的深度学习算法,所提算法的均方误差最低,实现了对信噪比的高精度估计。      

基于ADMM算法的航空发动机模型预测控制

为了提升航空发动机非线性模型预测控制（MPC）的实时性,将交替方向乘子法（ADMM）应用于模型预测控制的滚动优化中。基于状态空间模型构造预测方程,通过引入辅助变量和对偶变量,将二次型性能指标和发动机约束改写为适合ADMM算法求解的形式。在航空发动机部件级模型上开展的仿真结果表明,基于ADMM算法的单变量模型预测能够实现对指令信号的高性能跟踪和约束的有效管理。相比于内点法（IPM）,ADMM算法在滚动优化过程中,在不同控制指令下,均具有更高的实时性,且在预测时域增加的情况下,计算耗时增加更少,验证了其在模型预测控制中应用的有效性。      

基于过程神经网络的液体火箭发动机状态预测

提出一种基于极限学习算法的离散过程神经网络模型,用于解决液体火箭发动机状态预测这一难题。首先,在历史数据的基础上建立离散过程神经网络（DPNN）预测模型;然后,根据在线更新的数据样本,采用递推极限学习（EL）算法对双并联前馈离散过程神经网络（DPFDPNN）隐层到输出层的权值进行更新,并应用权值更新后的过程神经网络对发动机状态进行预测;最后,以液体火箭发动机状态预测中氢涡轮泵扬程预测为例,分别采用有权值更新和无权值更新两种预测模型进行了试验。结果表明,通过更新过程神经网络权值可以使模型具有更高的预测精度和更好的适应能力,该方法能够为液体火箭发动机状态预测提供一种有效的解决途径。      

基于键合图模型的SHA/EMA余度系统的故障诊断

针对液压伺服作动器（SHA）和机电作动器（EMA）组合的余度系统中故障模式复杂的问题,采用基于键合图模型的故障诊断方法,可以诊断出系统中多种参数故障。首先建立SHA/EMA余度系统的行为模型,然后根据因果关系倒置法转换成诊断键合图模型,进而推导出计算残差的解析冗余关系式（ARR）,并创建故障特征矩阵（FSM）作为故障隔离的依据。联立行为模型和诊断模型对可隔离故障进行诊断,并通过ARR估计故障参数以诊断不可隔离故障。选取典型故障进行仿真验证,结果表明可隔离故障和不可隔离故障均被成功隔离,验证了所提方法对SHA/EMA余度系统的故障诊断是有效可行的。      

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.     

火箭发动机基于神经网络非线性辨识的故障检测

应用神经网络方法，提出了一种液体火箭发动机故障实时检测算法。神经网络采用非线性辨识技术贴近发动机的工作过程，并输出包合发动机故障信息的辨识误差信号。若辨识误差变大超过一定阈值，检测逻辑就预报发动机故障。在发动机启动阶段离线训练神经网络，在发动机稳态过程可以采用离线或在线学习算法。实验研究表明神经网络可以成功地应用于大型泵压式液体火箭发动机的故障检测。     

基于BP神经网络X频段调制器故障预测

本文采用BP神经网络对X频段调制器的故障预测进行研究,通过仿真软件编程构建BP神经网络故障预测模型,验证X频段调制器输出功率指标的精确性,根据测试结果表明建立的BP神经网络故障模型预测误差很小,能够较准确对X频段调制器的输出功率故障进行预测。     

基于深度学习的航空发动机故障融合诊断

通过对航空发动机故障诊断,能够正确判断各部件工作状态,快速确定维修方案,保证飞行安全。在结合深度信念网络和决策融合算法的基础上,提出了基于深度学习的航空发动机故障融合诊断模型。该模型通过分析发动机的大量性能参数,先利用深度学习模型提取出性能参数中的隐藏特征,得出故障分类置信度;其后对多次故障分类结果进行决策融合,从而得出更准确的诊断结果。将普惠JT9D发动机故障系数用于数据仿真,通过算例验证本文算法的有效性;算例计算结果表明:多次实验结果经数据融合提高了可信度,该模型具有较高的故障分类诊断准确性和抗干扰能力。      

一种改进的固液火箭发动机故障诊断方法

针对固液火箭发动机的可靠性问题，设计了一种改进的贝叶斯网络故障诊断方法，可以通过网络化自主逻辑推理，对固液火箭发动机进行故障诊断。为了提取时序观测信号的故障特征，提出将步进法与核主成分分析(KPCA)相结合的分析方法，并根据模糊C均值聚类算法(FCM)建立模糊多态贝叶斯网络，实现对观测信号尺度的模糊处理，提高对不确定性故障的诊断能力。通过Matlab/Simulink建立改进的贝叶斯网络故障诊断系统。仿真结果表明，改进的算法能够实现对固液火箭发动机常见故障的有效诊断，并能够适应小样本集学习的情况。与传统贝叶斯诊断算法相比，故障诊断的平均准确率提高了20.9%。     

强电磁脉冲下柴油发动机系统薄弱环节识别

为识别强电磁脉冲环境下柴油发动机系统的薄弱环节,提出了一种加权故障树和分层贝叶斯网络相结合的柴油发动机系统薄弱环节识别方法。该方法综合考虑同层单元失效的相关性,加权故障树的局部应用解决了部分条件转移概率表不易获取问题。运用贝叶斯网络双向推理功能,首先,通过柴油发动机辐照试验和电磁仿真软件获得的各部件敏感度阈值及电磁应力数据,计算出强电磁脉冲下部件级到系统级的先验失效概率;然后,依据贝叶斯概率公式计算在发动机失效条件下各部件故障的后验概率,并排序以识别其薄弱环节,为电磁防护方案的设计提供参考和建议。以宽带高功率微波(WBHPM)辐照为例,说明了柴油发动机系统分层贝叶斯网络故障模型参数获取与概率计算过程。结果表明:执行器和凸轮轴位置传感器、曲轴位置传感器既为柴油发动机系统的重要部件,也为较薄弱环节,是需要重点防护的对象。