基于飞行过程数据的航空发动机故障诊断方法研究

针对航空发动机飞行过程数据,结合门控循环单元（GRU）动态网络和深度神经网络（DNN）,提出了一种数据驱动的航空发动机故障诊断结构。首先,从飞行数据中抽取发动机健康数据,并通过一组GRU网络建立发动机在健康状态下的动态模型。其次,通过GRU动态模型的预测值与真实测量信号生成残差信号,残差信号作为DNN网络的输入预测发动机健康参数。最后,通过诊断决策模块实现对发动机的故障检测与识别。使用仿真生成的真实飞行工况数据集对提出的故障诊断系统进行了验证。结果表明,相比于直接使用传感器测量数据,基于GRU网络的残差结构能够大幅提升故障检测和识别性能,故障检测和识别准确率分别可达96.51%和95.06%,并且对训练数据样本数量的依赖性较小,较少的训练样本也能获得很好的预测结果。     

基于广义回归神经网络的传感器故障检测

为了研究航空发动机试验中精确数学模型未知的多传感器故障诊断问题,采用基于广义回归神经网络(General Regression Neural Network,GRNN)组的故障检测方法,提炼出传感器之间的约束关系和故障规律,构建了一组多输入多输出GRNN,用于估计传感器输出,与测量值生成残差,通过与门限值比较判断可疑传感器,找到神经网络组中的具有最小可疑传感器数的GRNN。采用可疑传感器的估计信号做为重构信号交叉验证其它GRNN。通过验证即可确定可疑传感器为最终故障传感器。为了控制神经网络的回归精度,将多输入多输出神经网络分解为多个多输入单输出网络。通过仿真数据验证了该方法用于传感器故障检测的可行性。     

智能化航空飞行控制技术的发展

随着航空器飞行环境的日益复杂,对航空器的任务性能需求也不断提升。为了应对飞行安全压力增大、驾驶员操纵负荷增加等问题,从航空飞行控制所面临的问题着手,对人工智能、航空飞行控制的发展历程和后续发展趋势进行初步的探讨。首先,对国内外人工智能技术以及智能化航空飞行控制技术的发展进行简要介绍及分析;然后,结合技术发展趋势对未来智能化航空飞行控制技术的发展趋势进行初步分析;最后,提出了目前航空飞行控制技术智能化发展的初步思路,为后续该领域技术的发展提供参考。     

机器学习方法在气动特性建模中的应用

气动数据建模是飞行性能仿真评估的基础。气动特性建模主要有机理建模方法和“黑箱”建模方法。本文对“黑箱”建模的三类机器学习方法——分类与回归树方法、浅层学习方法和深度学习方法,进行了算法说明与分析应用。将分类与回归树方法、浅层学习方法中的Kriging建模方法、RBF神经网络方法及SVM支持向量机方法分别应用于火箭气动特性建模、三角翼大迎角非定常气动特性建模、气动热试验数据融合,对这几类建模方法的优势和不足进行了比较分析。同时,将流动条件参数组成向量,再映射为图像,与翼型图像构成“合成图像”,建立了基于翼型几何图像、来流马赫数、迎角的翼型气动特性深度神经网络模型,得到了比较好的预测效果,拓展了气动特性深度学习建模方法的使用范围。     

基于观测器的传感器故障检测方法对比分析

针对航空发动机传感器故障检测方法的适用范围缺乏量化数据问题，提出以故障检测性能指标为依据，对基于卡尔曼 滤波器和基于自适应滑模观测器的故障检测方法适用性进行对比分析。分别设计了基于卡尔曼滤波器的残差生成和自适应滑模观 测器的故障估计检测方法，根据故障检测策略实现故障检测；以蒙特卡罗法生成随机故障，对比分析在故障和干扰同时存在的情况 下2 种方法的故障检测效果和适用范围；基于DGEN 380 发动机进行仿真，仿真结果表明：基于卡尔曼滤波器的故障检测方法对高 斯噪声的处理能力较强，但故障检测率不足50%，尤其是针对软故障效果较差；而基于滑模观测器的故障检测方法在不考虑测量噪 声的情况下，针对软硬故障检测的效果均较好，但处理传感器测量噪声的能力较差。     

基于BP神经网络的航空发动机故障检测技术研究

为了提高航空发动机故障检测正确率,将BP神经网络应用于航空发动机故障检测中。从某航空公司使用的CFM56-7B系列发动机的实际飞行历史数据中选取研究样本,对比了6种训练方法的效果并最终选择弹性BP法对网络加以训练并进行测试。结果表明:该方法对CFM56-7B系列发动机的排气温度指示故障、进口总温指示故障和可调放气活门故障的检测正确率高达83.33%。BP神经网络能够很好地应用于航空发动机的实际故障检测,其学习记忆稳定、网络收敛速度快,具有一定的工程实用价值。     

高速空气动力学三大手段数据融合研究进展

风洞试验、数值计算和模型飞行试验三大手段的深度融合，是开展新一代高速飞行器研究的必然需求。本文重点介绍了高速风洞试验设备、数值计算软硬件建设和航天模型飞行试验能力建设情况，以及自主研制的表面温度、热流、脉动压力、摩阻等飞行试验测量技术；并根据气动数据融合特点，提出了一种基于气动数据和物理模型相关度的融合准则，发展了基于组合深度神经网络的气动数据融合方法，解决了不同来源数据之间的数据关联问题，大幅提升了融合数据的可信度，在某高速飞行器俯仰力矩系数和头罩典型构型的气动热数据天地关联方面得到成功应用；综合运用三大手段，开展了高速激波-边界层干扰基础流动问题研究，建立了激波-边界层干扰力/热载荷天地相关性经验公式，修正了压力-热流关联关系，并首次证实了分离泡低频振荡现象在真实飞行条件下客观存在。     

舵面损伤的气动模型及故障检测研究

针对飞机舵面损伤故障检测和诊断的气动模型和飞行状态限制，提出了在线故障模式预测方法，并使用某机的故障及正常风洞数据建立了舵面损伤非线性气动模型。最后，仿真验证了该方案的气动模型独立性、飞行状态及操纵的适应性。结果表明，该方法可提高自修复飞控系统中舵面损伤故障检测算法的适用性和工程应用能力。     

基于复杂网络和朴素贝叶斯的飞行态势评估

为了辅助管制员作出合理的冲突调配决策，准确地评估空中飞行态势，提出了一种基于复杂网络和朴素贝叶斯分类器的飞行态势评估方法。首先，依据航空器的位置、航速、航向等重要信息，通过三维速度障碍法构建了冲突网络，在此基础上选取了平均度、平均点强、平均加权聚类系数等6个网络特征指标构建态势评估指标体系。采用分类的思想对飞行态势进行评估，分类器选择朴素贝叶斯分类器，将飞行态势分为优、良、中、差4个等级。仿真试验结果表明：相对于传统飞行状态网络，所构建的冲突网络能够降低33.3%的虚警率；所提出的评估模型能够准确判断空中的飞行态势，能为航空管制工作提供辅助决策。     

一种基于神经网络的航空发动机剩余寿命预估方法

针对航空发动机剩余寿命预估中模型建立困难且计算精度低等问题,提出了一种基于卷积神经网络和长短期记忆神经 网络进行航空发动机剩余寿命预估的方法。利用卷积神经网络中的卷积层与池化层提取传感器数据中的特征,并依据卷积层提 取出的特征,利用长短期记忆神经网络进行时间序列预测,并使用全连接层输出航空发动机剩余寿命。在NASA的C-MAPSS提 供的涡扇发动机退化仿真数据集上对该方法进行了验证。结果表明：基于卷积神经网络和长短期记忆神经网络的航空发动机剩 余寿命预估方法,可以在保证预测精度的前提下,对航空发动机剩余寿命进行较为保守的预估,在保证资源不被浪费的情况下,尽 可能提前发出故障预警信号,从而提高飞行的安全性,进而为航空发动机健康管理系统提供有用信息。该预测方法在对称指标和 非对称指标上均优于此前提出的方法。     

基于多模型的航空发动机传感器混合故障诊断方法

本文在多模型架构下,提出一种航空发动机传感器在线混合故障检测与隔离算法。利用长短期记忆网络逼近航空发动机建模误差、健康参数变化、过程噪声和测量噪声等不确定性源引起的真实发动机与机载模型之间的偏差。将传感器测量输出与不确定性值的偏差用于一种基于多模型的混合卡尔曼滤波器组算法中,利用贝叶斯方法计算每个传感器在健康模式和不同故障模式下的条件概率,然后根据最大概率准则进行传感器故障检测与隔离,克服了阈值难以选取的问题。针对某型涡扇发动机传感器发生偏置故障、漂移故障和间歇性故障的情形进行仿真验证,并对比了不同传感器之间的检测与隔离精度。结果表明：所提出的方法可以在更高水平的退化下诊断出发动机传感器常见的故障,混合方法对不同不确定性源具有鲁棒性。     

基于物理信息神经网络的飞机气动参数辨识方法

在飞机设计与研制过程中，通过气动参数辨识建立可靠的飞行动力学模型非常重要。传统的气动参数辨识工程算法，诸如极大似然法，需要给出合理的飞行动力学模型以及待辨识参数的初值。基于传统神经网络的气动参数辨识可以避免飞行动力学建模过程，这种方法需要通过增量法、导数法间接地从神经网络提取气动参数。本文提出了一种基于物理信息神经网络的飞机气动参数辨识方法，可将含待辨识参数的飞行动力学模型作为正则项加入损失函数，直接辨识得到气动参数。该方法可以显著减少建模数据需求，也能提高建模精度。飞行仿真数据验证结果表明，该方法的无噪声、含2%噪声仿真数据，纵向飞行状态空间模型辨识最大相对误差分别为1.80%、4.64%，表明了基于物理信息神经网络的飞机气动参数辨识方法具有可行性，并对含噪声的飞行数据具有泛化性。     

广义回归神经网络在冗余捷联惯导故障诊断中的应用研究

针对冗余捷联惯导的故障诊断问题，研究提出了一种基于广义回归神经网络的故障诊断方法。该方法在传感器输出数学模型未知的情况下，仅通过传感器之间的冗余关系，利用传感器正常工作时的测量值和改进的神经网络估计输出值生成残差进行故障诊断。仿真试验表明，利用神经网络补偿产生的残差可以检测到未补偿时的故障。该方法不仅可以检测到单故障，还对多传感器同时发生故障具有一定的检测能力。     

基于气动模型辅助的四旋翼飞行器室内自主导航方法

 惯性/卫星/磁传感器/气压高度计组合导航系统是四旋翼飞行器常用的导航方案。但在室内飞行时,由于卫星导航系统不可用,该导航方案的测速及定位精度难以满足四旋翼飞行器的自主飞行需求,从而制约了其室内自主飞行能力。为解决该问题,在利用四旋翼飞行器气动模型的基础上,提出了惯性/磁传感器/声纳传感器/气动模型组合导航方案。通过分析四旋翼飞行器的气动模型特性,揭示了气动模型辅助自主导航的内在机理;提出了气动模型辅助导航算法,并设计了具体的实施流程。最后,结合OS4型四旋翼飞行器的气动模型特点,搭建了气动模型辅助导航方案的验证平台,对四旋翼飞行器的室内悬停与机动飞行进行了仿真模拟。仿真结果表明,气动模型辅助导航方案可以显著提高室内飞行时的测速与定位精度。该方案无需增加其他传感器,具有自主性强、成本低和零载重的优点,在四旋翼飞行器室内导航中具有较好的应用价值。     

飞行仿真气动数据处理的神经网络应用

利用神经网络一致逼近任意非线性连续函数的特性,训练具有一个隐含层的神经网络来映射飞行参数和气动系数模型相比,飞行仿真系统计算速度更快、计算精度更高。在自修复飞行控制系统研究中,为故障飞机建模所需大量故障状态气动系数数据处理提供一种新方案。也为一般飞行仿真系统气动数据处理方法提供了一种新的思路。     

基于混合神经网络模型的磨粒电荷检测方法研究

由于传统的滑油磨粒在线监测方法无法获取电荷分布位置信息,难以准确测量荷电颗粒数目及其携带的电荷量。为此,本文提出一种基于静电层析成像（Electrostatic tomography,EST）技术和深度学习算法的荷电颗粒检测方法。对EST传感器测量数据采用BP神经网络算法重建出测量截面上电荷的分布图像,采用卷积神经网络（Convolutional neural networks,CNN）算法分析重建图像以识别荷电颗粒数目,将识别的颗粒数目和传感器测量数据组合成输入向量,通过1个多层前馈网络确定带电颗粒数目、感应电荷值与颗粒电荷量值之间的映射关系,得到准确的各颗粒的电荷量值。实验结果表明：混合神经网络模型对数据样本的测量误差为9%,可满足滑油监测对于准确性的要求。     

航空器声爆飞行试验测量技术研究进展

声爆影响航空器飞行的安全性、经济性、环保性等，通过飞行试验进行真实条件下的声爆测量是进行声爆问题研究的重要技术手段。声爆飞行试验是一项复杂的系统工程，面临全传播路径声爆测量技术难点。首先，对近70年的航空器声爆飞行试验研究进行概览，总结了技术发展阶段；其次，对声爆传播特征及对测量的要求进行简要分析，总结了声爆飞行试验测量技术方案；再次，对近场至地面的全传播路径声爆测量关键技术以及辅助参数测量技术进行综述，解析技术要点和发展趋势；最后，对声爆飞行试验测量技术及其发展方向进行了总结，且对中国声爆飞行试验技术研究现状进行简略分析，并提出了建议。     

基于差分隐私的航空发动机喘振故障检测

为保护航空发动机数据集包含的众多敏感数据,将差分隐私技术融入卷积神经网络中,提出一种具有差分隐私的卷积神经网络故障检测模型(DP-CNN模型)。阐述了卷积神经网络和差分隐私技术的基本理论和计算步骤,采用差分隐私随机梯度算法更新神经网络参数以建立DP-CNN模型。运用DP-CNN模型对航空发动机喘振故障进行检测,并与其他故障检测模型(支持向量机,长短时记忆网络,多层感知器)的检测结果进行对比。结果表明,DP-CNN模型在准确率、召回率以及f1-sc ore上都更高,分别达到了95.3%、94.6%和96.5%。     

基于融合神经网络的航空发动机剩余寿命预测

航空发动机的性能退化是影响飞机飞行安全的重要因素。准确预测发动机的退化过程,对于飞机安全飞行具有重要意义。针对航空发动机剩余寿命预测问题,本文提出了一种将卷积神经网络和长短期记忆网络相融合的数据驱动模型。与常规使用单一的神经网络不同,所提出的融合模型结合了两种神经网络的优点,利用卷积神经网络提取数据中的空间特征并采用长短期记忆网络提取时间特征。实验结果证实,在寿命预测中,所提出的数据驱动模型与已有的方法相比,评分和均方根误差分别下降了32%和6.4%,因此,所提出的数据驱动模型可对数据中所包含的信息进行充分挖掘,其对航空发动机寿命预测精度较高,并具有良好的稳定性。     

基于深度学习的滑油监测方法研究

针对传统的数据特征提取方法难以提取航空发动机滑油监测数据有效特征的缺陷,提出了一种基于多尺度卷积神经网络(Multi-scales convolutional neural network,MSCNN)、长短期记忆(Long short-term memory,LSTM)神经网络和BP网络的单通道网络模型MSCNN-LSTM-BP。将多尺度学习融入CNN,MSCNN和LSTM以串行方式提取数据在空间维度和时间维度的二维特征。实验结果表明:3尺度的MSCNN-LSTM-BP对数据样本的分类准确率达到98.2%,单组电容数据采集测试时间仅为2.1986ms,综合分类率F1达到98.57%,总体性能优于CNN,LSTM和传统的多尺度特征提取方法。MSCNN-LSTM-BP满足航空发动机滑油监测对于实时性和准确性的要求,具有良好的适用性。