无人机涡喷发动机的神经网络自适应PID控制

将基于RBF神经网络的辨识网络与基于BP网络的控制器相结合，组成自适应PID神经网络控制系统。RBF神经网络采用离线学习在线修正权值和阈值，为加快收敛速度，应用带惯性项的梯度下降法。大量仿真结果表明，RBF网络较ELM，标准BP及改进的BP等网络具有明显优点。对某型无人机涡喷发动机控制系统的仿真结果表明此控制方式具有鲁棒性好、响应速度快、稳态误差小等优点。     

结合先验知识的涡喷发动机神经网络点火识别

在分析某弹用涡喷发动机燃烧室点火特性的基础上，提出利用结合先验知识的神经网络来识别发动机点火时刻的方法。一方面，该方法通过先验知识对神经网络原始输人样本进行更合理的重组。另一方面，用神经网络的信息分布来描述燃烧室的点火条件，可以全面融合影响点火性能的各种因素。根据与试车数据的比较，结果显示：在少量训练样本情况下，神经网络识别器能保证较好的收敛速度和泛化能力。该方法可用于发动机点火点在线识别。     

涡喷发动机风车启动工况的神经网络建模

弹用涡喷的风车启动工况是复杂的非线性过程，由于此时压气机处于非设计工况（膨胀）而造成机理建模的困难。神经网络对于非线笥映射具有任意逼近能力，应用径向基函数神经网络（RBFN）对涡喷发动机风车启动阶段进行了实验建模，寻选取网络参数及训练样本，达到了很高的精度，对确定发动机可靠点火点和启动过程仿真等都有一定的价值。     

弹用涡喷发动机振动故障诊断技术探讨

简要地论述了弹道涡喷发动机振动故障诊断的理论基础，介绍了弹用涡喷发动机振动故障的一些特点，设计一套弹用涡喷发动机振动故障诊断系统，探讨了弹用涡喷发动机振动故障诊断的方法。     

基于小波变换和神经网络的航空发动机故障诊断

在阐述了小波变换和BP神经网络概念的基础上,根据小波神经网络故障诊断的基本思想,提出了一种基于“能量-故障”的小波预处理神经网络航空发动机诊断方法。实验仿真结果表明,使用该方法提取故障特征加快了神经网络的训练速度,能迅速地进行故障的诊断。     

小波变换在航空发动机故障诊断中的应用

论述了小滤变换在航空发动机故障诊断－－检测特征信号和分离信号的高、低频成分中的应用，小波变换是采用可变窗口的积分变换，是一种多分辨率的时频分析方法，应用在振动信号处理较传统分析方法优越。     

弹用涡喷发动机性能监视与诊断系统软件研制

介绍了发动机性能监视与诊断系统的功能，并讲述了软件系统总体设计方案，给出了软件系统流程图，论述了气路参数分析法在某弹用涡喷发动机故障诊断中的具体运用，通过数值试验表明了诊断方法的有效性。     

小波神经网络在航空发动机故障诊断中的应用

针对某型航空发动机构建了转子-滚动轴承动力学仿真模型,并利用该模型构造了三种发动机故障样本.研究中采用松散型的小波神经网络,先对构造的三种故障信号进行小波包特征分析,提取其能量特征向量作为神经网络的输入,再采用改进的BP神经网络分类器进行发动机故障模式识别.仿真结果表明,基于小波神经网络的信息融合技术用于发动机的故障诊断是可行的和有效的.     

涡喷发动机多媒体实时数字仿真

编制了涡喷发动机实时数字仿真软件,该软件可以作为涡喷发动机操作员的模拟训练器。用ＶＢ语言实现了模拟发动机声音、动画等多媒体功能。采用动态链接库技术,通过Ｉ／Ｏ接口,外接油门开头和启动按钮等真实设备,可以反应操作员的随机动作。该软件可以较真实地模拟涡喷发动机的开车过程以及对试车数据的处理。     

基于神经网络的涡轮泵多故障诊断

针对液体火箭发动机的涡轮泵系统中，常出现多故障同时发生的现象，分析了涡轮泵常见故障的特征表现，建立了涡轮泵系统的标准故障模式，在此基础上，提出了采用建立并行BP神经网络进行多故障诊断分类的方法，结果表明，并行BP神经网络结构简单，学习诊断速度快，对单一故障的诊断分类优于基本BP网络，且能对并发故障进行诊断分类。     

基于小波神经网络的齿轮系统故障诊断

通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断.      

应用神经网络诊断航空发动机气路故障的前景

介绍了近几年来国内外应用神经网络对航空发动机气路故障进行诊断的基本方法和研究进展。对单一故障进行定性的诊断已经取得了试验验证，结果表明神经网络具有较高的诊断准确率。对反映发动机气路部件健康状况的气流量、效率等参数的多故障、定量的诊断则取得了一些仿真研究成果。相对于基于发动机气动热力学数学模型的方法而言，神经网络方法具有更大的工程应用潜力。     

基于小波神经网络的模拟电路故障诊断

介绍了模拟电路故障诊断的神经网络方法及小波神经网络,以一带通滤波器为例,提出了一种基于输出灵敏度分析,利用多频测试生成故障特征向量训练小波神经网络进行故障诊断的方法。仿真结果表明小波神经网络作为故障分类器具有收敛速度快,诊断准确等特点。     

基于动态云BP网络的液体火箭发动机故障诊断方法

将云模型与BP(back propagation)神经网络以串联方式有机结合,首先利用云变换方法进行网络的结构辨识和云模型的特征提取,同时通过在输入层引入单位延时环节描述发动机工作过程动态特性,研究提出了基于动态云BP网络的液体火箭发动机故障诊断方法.结合实际试车数据的验证结果表明,该方法能够准确识别发动机已有的3种故障模式,通过在试车数据中添加0期望、0.2标准差的随机噪声的方法来模拟环境噪声和测试过程中产生的随机噪声,根据持续性原则,方法仍能够正确进行故障检测与分类.方法单步运行时长为1.124×10-4s,完全能够满足实时性要求.      

Fault diagnosis of bearings based on deep separable convolutional neural network and spatial dropout

Bearing pitting, one of the common faults in mechanical systems, is a research hotspot in both academia and industry. Traditional fault diagnosis methods for bearings are based on manual experience with low diagnostic efficiency. This study proposes a novel bearing fault diagnosis method based on deep separable convolution and spatial dropout regularization. Deep separable convolution extracts features from the raw bearing vibration signals, during which a 3 × 1 convolutional kernel with a one-s...     

基于小波包变换的模拟电路电源电流故障诊断

针对模拟电路故障诊断这一难点,运用基于IDDT技术的故障诊断方法,即利用小波包变换提取电源电流各频率成分的能量,作为神经网络的输入特征矢量进行故障诊断。仿真结果表明,该方法可以快速高效地进行模拟电路故障诊断与定位。     

基于小波包分析的航空发动机轴承故障诊断

振动分析是进行滚动轴承状态监测与故障诊断的重要手段。当轴承某一元件表面出现局部损伤时,产生周期性的冲击脉冲力。因此,原来的平稳振动信号变成了非平稳振动信号。傅里叶变换在频域上是完全局部化的,但它不能提供任何时域的局部化特征,而窗口傅立叶变换尽管在时域和频域均具有一定的局部化特征,但其局部化却是固定不变的。针对常规方法难以准确分析非平稳信号的局限性,提出了基于小波分析的滚动轴承故障诊断方法,通过滚动轴承外表面损伤的实验信号进行小波包频谱分析,验证了基于小波分析的滚动轴承故障诊断方法是可靠、准确的,可进一步应用于航空发动机主轴轴承的状态监测和故障诊断。     

应用神经网络信息融合诊断航空发动机故障

研究了基于神经网络信息融合技术,同时结合模糊集合论对发动机气路部件进行故障诊断的方法,并以某型涡轴发动机为对象进行了仿真分析.研究结果表明该方法的故障诊断过程相对简单,对模型的精度要求不高,能够降低虚警、误报、漏报等情况的发生.