利用飞行试验信号对发动机模型辨识的研究

 利用飞行试验信号对发动机模型辨识进行了研究。在飞行过程中,发动机将受到各种随机扰动的作用,这种扰动将引起发动机特性的变化、在这种情况下,利用与发动机特性有关的信号进行发动机数学模型辨识对发动机自适应控制和状态监控有实际的意义。飞行试验是在H=3km、v=770km/h和H=13km、v=1540km/h时进行的,利用机载信号采集与记录设备录取了试验信号。介绍了信号的平滑和滤波方法,讨论了巴特沃思滤波器的设计和参数选择。为了得到无偏估计,采用递推广义最小二乘方法进行辨识,并得到了辨识结果。     

基于Mallat算法的机载失速喘振辨识装置研制

针对航空发动机机载失稳辨识需求,设计了一种基于数字嵌入式的航空发动机失速喘振辨识装置。该装置利用短时傅里叶变换和小波变换方法对压气机出口壁面静压信号的时频特性进行分析,及时捕获失稳状态下的突变信号并做出响应。所设计的失速喘振辨识装置在压气机逼喘试验中进行了试验验证,对试验中的喘振信号做出了准确报警,报警延时小于50 ms,满足性能设计指标,具有较高的工程应用价值。     

风扇/压气机失稳辨识系统设计与验证

失速和喘振是航空发动机试验中常遇的两类气动失稳现象,为保障发动机零部件试验安全运转,必须对失速喘振信号进行在线检测控制。根据零部件试车台架的需求,设计了失速喘振辨识算法并对影响辨识算法的关键因素进行了分析,通过小型嵌入式系统为硬件平台实现了失稳辨识系统在线检测功能。该失稳辨识系统具有体积小、实时性强、抗干扰能力强的特点。在多个型号零部件试验件的应用表明,该系统能有效识别发动机深度失速和喘振状态,满足航空发动机风扇/压气机对失速喘振在线检测控制的要求,具有较高的工程应用价值。     

航空发动机性能综合评判模型

利用模糊数学的模糊聚类原理,选取适当的影响因子,建立了航空发动机性能综合评判模型,对所录取的航空发动机在多个试验工况下的试验数据进行了聚类分析。结果表明:计算结果与实际结果吻合,为航空发动机性能综合评判提供了重要依据。     

航空发动机气动失稳在线监测试验技术

针对航空发动机试验时缺乏有效安全监控措施的技术难题,开展航空发动机气动失稳在线监测试验技术研究。通过分析发动机试验失稳动态特征数据,设计基于时频-小波的气动失稳辨识算法,研制出具有国内自主知识产权的航空发动机气动失稳在线监测系统。结果表明:该系统能够准确、及时地检测到发动机失稳特征信号,辨识系统响应时间优于50 ms,工程实用性高,具备对发动机试验气动失稳在线预警能力。      

基于试飞数据的航空发动机加力瞬态过程模型辨识

为了对某航空发动机慢车至最大以及最大至慢车加力瞬态过程的工作状态进行监控,在该发动机实际飞行试验数据基础上,基于三层前向人工神经网络,辨识得到了该型发动机加力瞬态过程模型,对模型预测精度进行了分析讨论,利用额外的飞行试验数据对模型进行了检验。结果表明,辨识模型能够指示加力燃烧室工作状态,模型计算模拟参数与实际飞行试验数据吻合良好。该辨识模型可应用至该型发动机飞行试验的实时监控中,也可为其他型号发动机模型辨识提供参考。     

某型发动机起动模型的支持向量机辨识及应用

为了解决某型涡扇发动机慢车转速以下的数学模型难以建立,无法进行起动性能数值计算的问题,提出了用支持向量机辨识起动模型,依据辨识结果估算起动性能的方法。采用发动机起动试验数据作为学习样本,建立了基于支持向量机的非线性动态起动模型。根据该型发动机起动供油量调整试验得到的供油压力数据,利用所建立的模型对起动性能进行了估算,给出了估算结果与试验数据的对比情况。研究表明,将支持向量机用于起动模型的辨识是可行的,能够较好地解决某型发动机起动性能计算的难题。     

神经网络在流体火箭发动机故障检测中的应用（Ⅰ）非线性辨识技术

应用ＢＰ神经网络,提出了一种流体火箭发动机故障实时检测系统,它采用非线性辨识技术,在建立发动机数学模型和输出包含故障信息的监视指标信号之后,用阈值线与监视指标比较,从而预报发动机故障,液体火箭发动机启动与稳态过程的试验数据检验表明：基于非线性辨识技术的故障检测系统性能优越。     

神经网络在液体火箭发动机故障检测中的应用(Ⅰ)非线性辨识技术

应用ＢＰ神经网络,提出了一种液体火箭发动机故障实时检测系统。它采用非线性辨识技术,在建立发动机数学模型和输出包含故障信息的监视指标信号之后,用阈值线与监视指标比较,从而预报发动机故障。液体火箭发动机启动与稳态过程的试验数据检验表明：基于非线性辨识技术的故障检测系统性能优越。     

基于RBF神经网络的航空发动机起动模型辨识与仿真

为解决基于气动热力学方程建立发动机起动模型时存在的困难,本文以某型发动机起动调整试验的试车数据为样本,使用径向基函数(RBF)神经网络对在某一大气条件下的发动机起动模型进行了辨识;并使用另外一组试车数据,通过辨识模型对起动过程进行了仿真。结果表明,用RBF神经网络辨识发动机起动模型,具有方法简单、学习速度快、辨识精度较高等优点。     

基于RBF网络的航空发动机辨识模型

利用实测到的发动机飞行试验数据作为学习样本, 采用径向基函数 (RBF)神经网络建立了发动机的辨识模型。利用这种方法对不同飞行高度发动机的参数进行了辨识, 并与几种 BP网络进行了比较。研究结果表明: 这种方法具有训练时间短、学习速度快、辨识精度高等优点。      

一种涡扇发动机喘振信号判定方法

针对涡扇发动机工作特点,设计了一种发动机喘振信号判定方法。以大量发动机试车数据和飞行试验数据为依据,采用一种新的判别方法来判定发动机工作状态。结合飞行器的综合控制系统,可以以最小的代价来实现发动机退出喘振工况。该方法充分考虑了工程应用的特点,具有很低的漏报率和虚报率。发动机地面试验验证和飞行器的飞行试验验证结果表明,该方法工作可靠。     

试车数据驱动的涡轴发动机起动过程模型辨识

针对传统的采用解析法建立涡轴发动机起动过程模型复杂的问题,提出了一种基于变步长萤火虫算法优化的有外部输入的非线性自回归网络(CSFA-NARX)的涡轴发动机起动过程模型辨识方法。以涡轴发动机起动过程试车试验数据为数据样本,利用CSFA-NARX网络模型辨识得到涡轴发动机起动过程模型,并采用留一交叉验证方法对辨识模型的性能进行验证。结果表明：得到的辨识模型输出参数,如燃气发生器转速n_g、输出轴转速n_r和涡轮后温度T₄都较好地逼近了试车实测数据,各参数验证样本最大相对误差平均值分别为0.90%、1.51%、和2.01%;在相同训练与验证样本情况下,得到的辨识模型精度优于采用萤火虫算法优化的NARX网络(FA-NARX)、NARX网络和变步长萤火虫算法优化的BP网络(CSFA-BP)模型精度。     

基于遗传算法的涡喷发动机身份证模型建立

为建立发动机身份证模型,针对发动机个体差异和寿命期内性能蜕化引起的发动机模型与真实发动机之间的失配问题,提出1种基于遗传算法的发动机部件级模型自动修正方法。在发动机部件级模型中,引入能反映个体发动机部件特性的性能调节因子。根据发动机试车数据与待修正部件级模型输出数据,以发动机关键测量参数残差最小为优化目标,采用遗传算法获得不同换算转速下的特性修正系数,建立发动机身份证模型。以某型涡喷发动机为对象进行试验验证,结果表明该方法能有效提高发动机部件级模型精度,适用于建立发动机身份证模型。     

考虑噪声抑制的高超声速风洞气动力识别方法

对于风洞试验中全尺寸模型试验的非平稳信号进行载荷辨识仍存在诸多问题。针对全尺度模型试验的非平稳信号载荷辨识提出了一种基于深度残差收缩网络（DRSN）深度学习技术的智能载荷辨识方法,该方法通过深度学习提取测力系统输出数据中的气动力、惯性力和噪声等特征,通过注意力机制对每组数据进行获取阈值,再通过软阈值函数对特征进行滤波降噪,有效辨识出测力系统响应信号中的惯性力分量并进行剔除,实现气动力载荷辨识。在测试验证中,均值法的辨识精度为85%以上,DRSN模型的辨识精度为94%以上,证明DRSN模型能有效降低噪声和惯性力对于载荷辨识的干扰,用于非平稳信号的载荷辨识具有精度高、可靠性好等特点。     

直升机垂直飞行状态气动参数辨识方法研究

准确计算直升机的悬停升限依赖于诸如桨尖损失系数,非均匀旋翼诱导速度分布,旋翼下洗引起的直升机增重效应及发动机与旋翼之间的功率传递系数等气动参数的准确度。然而,由于复杂的旋翼空气动力现象,准确预估以上气动参数有较大难度。本文提出了一种确定直升机垂直飞行状态上述气动参数的方法,该方法通过建立直升机垂直飞行状态的运动方程,实测直升机垂直飞行时的相关信息,采用参数辨识的方法得到直升机垂直飞行时的气动参数,然后,利用辨识结果确定直升机的悬停升限。结果表明该方法能有效地确定直升机垂直飞行时的气动参数及相应的悬停升限,且具有飞行试验简便,不受直升机装载和外界环境条件变化限制的特点。     

Virtual flight test techniques to predict a blended-wing-body aircraft in-flight departure characteristics

As one of the promising configurations of the next generation of commercial aircraft,research on departure characteristics of the Blended-Wing-Body(BWB) is of great signification to safe flight limits. A three-degree-of-freedom(3-DOF) virtual flight test in a wind tunnel has been implemented for a candidate configuration to predict the departure characteristics. The support mechanism, the test model and the control law of the virtual flight test are introduced. In order to show the relationship ...     

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。