基于灰色神经网络组合模型的航空发动机磨损趋势预测

航空发动机的磨损机理十分复杂,且受到诸多不确定因素影响,单一预测模型难以对其变化趋势进行有效预测。针对该问题提出了一种BP网络与改进灰色模型相融合的组合预测模型,并引入混沌理论的C—C方法确定BP网络的嵌入参数和时间延时。仿真结果显示,该组合模型相比单一的神经网络模型和灰色模型精度更高,更客观地反映出发动机滑油中金属含量的变化趋势,可为科学制定发动机维修决策提供重要依据。     

多特征注意力的航空发动机剩余寿命预测模型

航空发动机性能退化趋势复杂,适时地对其进行剩余寿命预测和检修维护十分重要。提出一种基于多特征注意力的膨胀卷积网络模型来预测航空发动机剩余使用寿命,利用膨胀卷积增强提取序列数据时序信息的能力,同时建立残差连接以改善传统卷积网络中的梯度消失问题。首先采用定长滑动时间窗沿时间维度截取数据,对数据进行重构;再对每个特征对应的时间序列单独应用膨胀卷积提取时序信息;引入特征注意力机制计算各特征之间的相对重要性;在公开的航空发动机数据集上进行验证,并对比现有的主流预测方法。结果表明：该模型在时间序列数据预测方面有着更高的精度。     

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。     

融合多传感器数据的发动机剩余寿命预测方法

针对基于单一传感器数据的剩余寿命预测方法存在数据利用率低和预测精度不高的问题,论文提出了一种融合多传感器数据的发动机剩余寿命预测方法。首先将多个传感器数据融合成一个复合健康指标来表征发动机的退化性能,采用线性维纳过程对复合健康指标进行退化建模,通过极大似然估计方法确定模型参数,进而得到发动机的预测寿命。为了确定融合系数,提出了一种利用真实寿命与预测寿命的预测均方误差最小化的方法。融合系数确定后,基于训练发动机历史寿命数据,确定出模型参数的离线估计值;然后利用Bayesian公式,同时结合发动机的实时监测数据与参数的先验分布对模型参数进行实时更新,接着在首达时间的意义下推导出剩余寿命的概率分布,进而实现了发动机的剩余寿命在线预测。最后,选择商用模块化航空推进系统仿真数据集进行数值仿真实验,结果表明：相较于基于单一传感器的方法,论文所提方法能够提高剩余寿命预测的准确性,其剩余寿命预测的相对均方误差降低了2%左右。     

基于支持向量机方法的发动机性能趋势预测

为了提高对航空发动机性能趋势预测的精度，提出利用支持向量机方法来预测表征发动机整体性能的参数一性能综合指数。建立了基于支持向量回归的一步及多步预测模型，利用该模型对性能正常衰退及性能异常发动机的综合指数分别进行预测，并与自回归(AR)模型的预测值进行比较。结果表明，基于支持向量机的预测模型比AR模型的预测精度更高，其四步预测精度由80．56％提高到88．51％。因此该模型尤其适合中、长期预测。     

基于组合优化相关向量机的航空发动机性能参数概率预测方法

针对航空发动机性能参数预测过程中存在的不确定因素,提出一种基于组合优化相关向量机(CORVM)的概率预测方法.首先,通过正交小波变换将性能参数序列分解为具有不同特征尺度的随机分量和趋势分量,并分别建立各分量的相关向量机(RVM)回归预测模型.然后,以留一交叉验证误差最小作为优化目标,采用量子粒子群优化(QPSO)算法实现RVM核参数和嵌入维数的自适应优化选择.最后,组合各RVM回归预测模型得到最终预测均值及方差,进而得到预测值的概率分布.通过航空发动机排气温度变化量和滑油金属含量预测实例验证了方法的有效性,实验结果表明:该方法能够有效避免传统点预测方法可能导致的不可靠结果,并具有比单一模型更高的预测精度.     

用结构自适应神经网络预测航空发动机性能趋势

 将航空发动机作为复杂非线性系统考虑,运用神经网络超强的非线性映射能力和非线性时间序列分析的相空间重构理论,建立航空发动机性能趋势预测的神经网络模型,同时,针对神经网络的结构设计困难问题,建立了基于遗传算法的结构自适应神经网络预测模型,实现了神经网络结构的优化。最后,利用三组民航飞机发动机的性能数据进行了预测分析,验证了利用结构自适应神经网络对航空发动机性能趋势进行预测的有效性。     

基于奇异值趋势分解和LS-SVR的航空发动机性能指数组合预测

发动机性能指数是衡量其性能优劣的重要指标之一。针对发动机性能指数具有非线性、非平稳的特征,引入多层次多尺度的思想,在此基础上提出一种基于奇异值趋势分解的组合预测方法。利用奇异值趋势分解提取原始数据的趋势项和波动项;以改进粒子群算法分别获取趋势项和波动项在最小二乘支持向量回归模型中的最佳参数组合(嵌入维数、延迟时间、惩罚因子、核参数),并引入回归移动的思想,在此基础上利用最佳的最小二乘支持向量回归模型进行预测。预测结果表明预测精度明显增加,计算时间也相对减少。提前预测步长在5步之内时,精度变化不大;步长超过10步,精度下降很快。与不同预测方法比较,证明了方法的有效性。      

基于RBF网络辨识的航空发动机模糊神经网络解耦控制

对航空发动机的多变量解耦控制方法进行了研究,提出了一种基于RBF网络辨识的航空发动机模糊神经网络解耦控制方法。该方法利用RBF网络辨识航空发动机的实时模型,为模糊神经网络控制器参数的调整提供了Jacobian信息,解决了模糊神经网络自适应控制器在被控对象不能精确建模情况下应用的问题。仿真结果表明,系统鲁棒性强．在设计点和偏离设计点处,均具有良好的动态特性和解耦特性。     

卷积和离散过程神经网络及其在航空发动机排气温度预测中的应用

 针对航空发动机排气温度的变化过程受复杂非线性时变因素的影响而难以用精确数学模型描述的问题,提出了卷积和离散过程神经网络(CSDPNN)模型,并将其应用于航空发动机排气温度(EGT)预测。该模型以离散样本作为直接输入,采用卷积和算法实现对时间累积效应的处理。相较于以连续函数作为输入的过程神经网络(PNN),不需要拟合离散样本得到连续函数后进行正交基展开,减少了精度损失,具有更高的预测精度。给出了卷积和离散过程神经网络模型的学习算法,并通过对Mackey-Glass混沌时间序列的预测对提出的方法进行应用说明和验证。通过航空发动机EGT预测实例,并与卷积和离散过程神经网络模型的连续函数输入过程神经网格以及传统人工神经网络(ANN)的预测结果进行了对比。结果表明,相较于连续函数输入过程神经网络以及传统人工神经网络,卷积和离散过程神经网络具有更高的预测精度,且对于EGT的预测具有较好的适应性,因而为航空发动机EGT预测提供了一种有效的方法。     

嵌入式分布式架构下航空发动机模型预测控制方法研究

传统集中式架构和离线设计控制器的方法已经很难满足航空发动机复杂多变、全生命周期控制需求。本文提出了一种部分分布式架构的涡喷发动机模型预测控制方法，并进行了鲁棒性分析：采用改进的组合线性模型求解方法，在保证精度的前提下大幅缩短求解时间，解决了发动机多变量线性状态空间模型求解问题；设计了基于线性模型预测控制的涡喷发动机控制器，解决了含有约束条件下发动机动态性能优化问题；考虑到分布式控制系统具有总线网络通信特性，建立了以网络工具箱模拟总线网络的分布式控制系统仿真平台，解决了存在总线网络丢包情况下的分布式控制系统鲁棒性分析问题；采用多节点模块化设计方法，设计并搭建了分布式控制系统硬件在环仿真平台并采用嵌入式矩阵运算优化方法，解决了模型预测控制算法在嵌入式平台上的应用问题。试验表明：模型预测控制的效果优于传统PID控制效果，有效地提高了发动机的动态响应；同时，在存在网络丢包情况下，本文所设计的基于模型预测控制的分布式控制系统依然具有稳定的控制效果和鲁棒性。     

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。      

潜在故障期内航空发动机的剩余寿命预测

在航空发动机的潜在故障期内,状态参数的变化规律可以间接地预测发动机的剩余寿命。针对潜在故障期内的特点,利用随机滤波理论建立了航空发动机的剩余寿命预测模型,并采用K-M法检验发动机性能参数的退化数据服从威布尔分布,按照最优线性无偏估计的点估计方法和极大似然函数法对相关参数进行点估计,举例对某型航空发动机在潜在故障期内的剩余寿命进行了预测。模型有效地预测了航空发动机的剩余寿命,为航空发动机的视情维修提供了决策依据。     

基于随机森林算法的航空发动机振动趋势预测

提出了基于随机森林算法的航空发动机振动趋势预测模型。阐述了随机森林算法的基本理论和计算步骤,采用C-C法计算了延迟时间和嵌入维数,对一维时间序列进行了相空间重构,并在此基础上建立了随机森林算法的预测模型。应用发动机振动试验数据进行了振动预测,并与利用相同训练数据建立的支持向量机预测模型的预测结果进行对比。结果表明,与支持向量机模型相比,随机森林算法预测模型的预测精度更高,泛化能力更强,操作方便,且计算效率更高。     

组合预测方法在APU状态监控中的应用

针对复杂非线性时间序列预测误差较大的问题．提出了一种组合预测的方法以减小误差。该方法通过采用均方误差确定权系数的思想．拟合混沌预测和指数平滑预测的结果．对飞机辅助动力装置的排气温度进行预测．通过监控排气温度的预测值监视其工作的状况。仿真结果表明．组合预测的精度比单一方法高．预测更准确。     

基于动态集成算法的航空发动机气路参数预测

针对单一学习机对航空发动机气路参数预测困难的问题,提出了基于动态加权核密度估计（DWKDE)组合方法的集成预测算法,该组合方法选择测试样本的近邻样本,通过评估学习机在近邻样本的局部性能动态确定各学习机的权值,并基于该权值利用加权核密度估计实现数据序列的集成预测。该组合方法不易受离群值和样本不对称分布的影响,将该组合方法用于AdaBoost.RT和AdaBoost.R2算法,获得了改进后的集成学习算法。实验证明:相比于神经网络和原始集成学习算法,改进后的集成学习算法较好地提高了航空发动机气路参数序列的预测精度,方均根误差（RMSE)指标至少可降低27%。      

航空发动机转速信号的ARMA模型预测方法研究

提出了一种基于时间序列理论的分析和预测某型航空发动机转速信号的方法,建立了描述发动机额定转速变化规律的ARMA（3,1）模型,并对发动机转速进行预测。结果表明,所建模型能够以较高精度预测未来一段周期内发动机转速信号的发展趋势和数值大小,说明采用时序分析方法进行航空发动机转速信号预测有效可行。     

固体火箭发动机装药贮存寿命预测方法

针对固体火箭发动机装药贮存寿命预估的难题,开展了固体火箭发动机贮存可靠性、装药老化性能、药柱结构完整性分析等几个方面的研究,建立了GM-RBF网络模型、基于修正Ar-rhenius的交变温度预测模型、基于加速老化和结构完整性分析的装药贮存寿命预估模型,从不同角度来对装药贮存寿命进行组合预测.在此基础上,设计和开发了预测系统,通过实验数据和仿真分析,得到实例的装药贮存寿命区间为10.5～13.2y.研究表明:这种组合预测的方法避免了单一算法的局限性,提高了预测精度.     

基于ABC-RBF神经网络的飞机燃油流量监测与故障诊断

为了检测飞机发动机的性能及故障,利用神经网络建立了燃油流量的预测模型,将人工蜂群（ABC）算法结合预测需求 在3维进行拓展,分别优化基于径向基函数（RBF）的神经网络泛化值和中心值,与经典RBF神经网络、K均值聚类算法等相比,3维拓展后的ABC算法对RBF神经网络进行的“反馈式更新”拥有更好的预测效果,其计算平均差值及预测误差更小,所需时间更短。随机选取短航程、中航程、长航程航班数据分别进行验证,结果表明：选择油门杆角度、飞行高度、马赫数、大气总温、发动机转速等参数能够反映发动机运行工况,预测效果理想;采用ABC算法对RBF神经网络进行优化后模型的更新能力较强,能够获得更高的预测精度,降低计算平均差值;通过航班故障数据验证了利用神经网络进行故障诊断的方法具有较大的实际应用价值。