基于线性神经网络的滑油金属含量预测

利用神经网络方法对某型航空发动机滑油监控系统中需重点监控的金属元素含量建立了网络，并根据该模型对其含量变化趋势进行了预测分析。某部队通过对不同实测数据的检验证明，可根据该模型的预测结果预报金属含量是否超标。     

基于支持矢量机的旋转机械滑油金属含量预测

对滑油系统进行监控和技术诊断,可提前发现旋转机械系统的内部故障,为预测系统部件使用寿命和可靠性提供有力依据。对某大型旋转机械滑油监控系统中需重点监控的金属元素含量建立了基于支持矢量回归的时间序列预测模型,并根据该模型对该系统铜元素含量变化趋势进行了预测分析,取得了较好的效果。     

基于AR模型对滑油中金属元素含量的预测

利用时间序列分析方法对某型航空发动机滑油监控系统中需重点监控的金属元素含量建立了AR模型。并根据该模型对其含量变化趋势进行了预测分析。某部队通过对不同实测数据的检验证明，可根据该模型的预测结果预报金属含量是否招标。     

航空发动机滑油压力和温度最大影响参数的一种确定方法

以初步确定的试飞中滑油压力和滑油温度影响参数集合为基准输入参数,基于大量试飞数据,采用人工神经网络方法,获得滑油压力模型和滑油温度模型的基准结果。随后,采用不同的基准输入参数子集进行人工神经网络计算,以模型计算结果与试飞结果的最大偏差、偏差分布范围作为判据,与基准结果对比,确定滑油压力和滑油温度的最大影响参数。最后,建立发动机全包线试飞、全工作状态的滑油压力和滑油温度最大影响参数确定方法。该方法对滑油系统的试飞内容规划、状态预判和安全监控等具有重要的指导作用。     

基于支持向量机的航空发动机滑油监控分析

提出了一种基于支持向量机的航空发动机滑油金属含量预测方法。详细分析了支持向量机用于时间序列预测的理论基础,并给出了运用支持向量回归进行多步预测的一般公式,提出了用最终预报误差(FPE)准则优化选取嵌入维数。与传统的AR预测模型相比,支持向量机由于采用了新型的结构风险最小化准则表现出优秀的推广能力。经过数值仿真得出自回归(AR)模型仅适合于短期预测;支持向量机预测推广能力强、具有较强的鲁棒性和容错性,对较长区间预测仍具有较好的效果。最后,将其应用于某型发动机滑油的铁金属含量预测,取得了较好的效果。      

基于试飞数据的航空发动机维修性分析优化技术研究

针对我国航空发动机试飞期间维修性与指标要求有一定偏离的现状,引入以可靠性为中心的维修理论和方法,开展基于试飞数据的维修性分析优化技术研究,提出维修性优化方案,并按"试验—暴露—改进—再试验"模式,对优化方案实施结果进行预测,为提升我国航空发动机维修性水平提供技术支持,为新型发动机维修性研制论证提供参考。     

基于小波神经网络航空发动机滑油系统故障诊断方法研究

研究了基于小波神经网络的非线性系统的故障检测和诊断方法.把小波分析与前馈神经网络相融合,并推导出其具体的算法.应用小波神经网络对航空发动机滑油系统进行故障诊断.试验和仿真的结果表明:小波网络应用于故障诊断时具有收敛速度快,对网络输入不敏感等特点,为非线性系统的故障诊断提供了新的理论和方法.     

发动机滑油消耗率监控的精益管理

应用精益管理的方法,利用大数据管理技术,分析和改进发动机滑油消耗率的监控方式。     

航空发动机滑油系统的现状及未来发展

滑油系统是航空发动机机械系统的重要组成部分。随着中国航空发动机的发展,对其滑油系统的研究逐步深入,在系统的设计原理、系统热分析、系统组成部件、润滑油、系统检测等几个方面正在从仿制走向自行研制的道路。对发动机滑油系统的发展现状进行了分类描述,总结了未来发动机研制滑油系统的发展方向。     

试飞数据处理方法——升力曲线和极曲线

介绍了一种试飞数据处理的方法,详细介绍了数据处理步骤。并以具体的试飞数据为例,根据提供的方法得出升力系数和阻力系数,进而可得到升力曲线和极曲线。对比了试飞数据和风洞试验的结果,两者基本相一致。在处理大量试飞数据的过程中,编写了相应的程序,提高了工作效率。     

基于试飞数据的航空发动机状态监测与故障诊断

在航空发动机飞行试验阶段,发动机技术状态变化快、故障频发,为了实时监控发动机工作参数变化情况,快速及时地预测并诊断发动机故障,本文研究了试飞数据驱动的航空发动机状态监控与故障诊断技术。文章基于实际试飞数据建立了航空发动机ANN-NARX参数预测模型,考虑到建模样本量大、模型结构复杂、训练时间长、输入输出延迟等因素,采用遗传算法对模型的最小数据样本需求和结构进行了改进优化,并利用蒙特卡洛方法确立了参数预测模型的自适应告警门限,同时基于构建奇偶空间残差模型实现了航空发动机典型故障诊断。结果表明：实际试飞中只需有限架次试飞数据的训练学习,即可得到发动机参数预测模型,高压转子转速、压气机后压力、涡轮后总温及滑油总回油温度预测相对误差最大值分别为：1.0%、1.7%、0.2%和1.2%,综合模型建模误差和参数测量误差后的自适应告警门限有效降低了模型预测结果的不确定性,在已有数据样本集上的典型故障识别率达到95.2%。     

航空发动机滑油颗粒监测与控制标准研究

在航空发动机零部件的加工、装配及发动机工厂试车和检验试车过程中,运用先进的技术手段,开展以发动机零部件清洁度控制、装配清洁度控制及试车阶段滑油磨粒的监测试验,探索滑油中污染物的来源、污染程度及其对发动机使用的影响,确定磨粒来源、产生原因及典型故障模式,提出减少、控制污染物及磨粒的改进意见,进而制定出发动机滑油颗粒监测与控制标准,并应用于发动机生产及零部件的质量控制,对改进产品质量,降低生产成本,缩短生产周期等具有重要意义。     

基于动态优化数据的航空发动机过渡态控制方法

针对一般稳态燃油前馈PID算法在发动机过渡态过程中控制效果差的问题,提出了一种基于动态优化数据的涡轴发动机瞬态控制方法。采用带约束限制的序列二次规划（SQP）优化算法采集包线范围内各点的过渡态参数变化数据作为样本数据,利用稀疏化的最小二乘支持向量机（LSSVM）对样本数据进行训练、测试,将训练得到的LSSVM模型作为前馈与PI构成闭环控制器共同对涡轴发动机进行过渡态控制。通过对民用涡轴发动机部件级模型的包线内某两点不同功率水平进行仿真,结果表明,过渡态过程中动力涡轮转速超调量与下垂量均小于0.4%,稳态误差为0,动力涡轮转速稳定时间小于2s,各参数均未超限,因此,该控制器能有效提高涡轴发动机过渡态控制效果,实现对参数的限制管理。     

基于飞行数据的无人机平飞质量分析方法

利用无人机飞行数据管理记录系统记录的飞行实验数据,对无人机的平飞状态进行了分析。介绍了试验用无人机的结构及性能,概述了无人机飞行数据管理记录系统的功能、构成及记录的主要数据,对无人机平飞质量分析的主要内容及计算分析方法做了详细阐述,并对无人机平飞的高度、速度状态及横侧向误差进行计算分析,分析方法及结果可为无人机的训练、使用提供参考。     

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。     

一种基于阴性选择算法的飞行数据异常值检测方法

研究了基于阴性选择算法的飞行数据异常值检测问题。针对传统的基于数据趋势进行数据异常值检测方法难以处理连续异常值的问题,提出通过提取待测参数的相关参数并在检测器编码中加入相关参数信息,使得阴性选择算法能够用于连续多个异常值的检测,算法不需要关于数据异常的任何先验知识。实验表明,采用改进编码后的阴性选择算法识别飞行数据中的异常值具有较高的精度。     

某型航空发动机燃油调节器滑油腔窜油故障研究

介绍了某型发动机外场发生窜油故障的情况,对窜油故障机理进行了研究验证,确定了故障原因,制定了预防措施.