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。     

小样本下基于偏最小二乘回归的航空发动机性能参数预测

排气温度(EGT)是反映民用航空发动机运行状态的重要性能参数之一,本文基于发动机各个性能参数存在相关性研究的基础上,针对小样本、贫信息量、多自变量影响的情况,结合偏最小二乘回归分析,提出了一种小样本条件下考虑发动机众多因素对EGT影响的发动机性能短期预测模型。作为试验验证,文中选取了某民用飞机发动机实际飞行数据对模型进行检验,并与大样本、足信息条件下建立的多元线性回归预测模型进行对比,结果表明该模型在贫信息下也可以达到很高的预测精度,为少数据条件下发动机性能参数短期预测提供了一个有效途径。     

基于多元线性回归的发动机性能参数预测

在对发动机性能参数相关性研究基础上,结合多元线性回归预测模型,提出了一种能够考虑发动机众多因素对因变量影响的发动机性能预测模型.使用该模型对发动机排气温度(EGT)进行预测时,能够兼顾到p_4.95,N₂,T₃,N₁,p_B等性能参数对EGT影响.最后使用一组某民用机型发动机飞行试验数据对模型进行了验证,并与加权一阶局域法进行了对比.结果表明,该模型预测精度优于加权一阶局域法,该方法可以为这种机型发动机故障预测提供决策依据.      

NARX神经网络在航空发动机EGT趋势预测中的应用

航空发动机的健康状态是保证飞行安全的重要因素,能在早期发现发动机隐藏的故障,通过预测发动机性能参数的变化趋势来掌握发动机性能衰退情况,实现对发动机健康状态的准确判断,具有重要的意义。针对航空发动机性能参数的数据特点,提出将动态神经网络中的NARX(非线性自回归)神经网络模型运用到性能参数的预测中,并用航空发动机排气温度(EGT)的趋势预测对该方法进行了验证。验证结果表明,这种方法在性能参数预测的精度上优于BP神经网络的预测结果。     

航空发动机排气温度基线建模方法

为实现航空发动机巡航过程中的实时监控,及时发现发动机状态参数的异常变化,提高飞行安全水平,建立航空发动机排气温度(EGT)健康基线。以CFM56-5B型航空发动机为例,将A320飞机机载ACARS系统下传的报文作为原始数据样本,依照设定的数据筛选原则和预处理方法,建立RBF神经网络的输入训练样本和输出训练样本。选用观测基线为网络的输出节点,应用Pearson相关性分析确定网络的8个输入节点。以高斯函数作为网络隐藏层的激励函数,线性函数作为输出层的激励函数,使用NeuroSolutions 6软件实现网络算法。对预测基线和观测基线实施配对非参数检验和图形对比以检验网络精度,结果表明建模方法是建立航空发动机排气温度健康基线的一种有效方法。     

航空发动机排气温度基线建模新方法研究

为实现航空发动机气路性能诊断与预测,提出一种基于堆叠降噪自编码器(Stacked de?noising auto encoder,SDAE)和支持向量回归(Support vector regression,SVR)相结合的航空发动机排气温度(Exhaust gas temperature,EGT)基线建模方法.以CF...     

嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法.该方法将嵌入维数作为影响状态时间序列预测精度的重要参数,以交叉验证误差为评价准则,利用粒子群优化(PSO)进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型.航空发动机排气温度(EGT)预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测.     

嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

 针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法。该方法将嵌入维数作为影响状态时间序列预测精度的重?问?以交叉验证误差为评价准则,利用粒子群优化（PSO）进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型。航空发动机排气温度（EGT）预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测。     

基于GRNN网络的燃气轮机可靠性预测研究

本文根据采集的实际运行数据,利用神经网络较好的高度非线性映射性能,通过对后传播网络（BP网络）和广义回归神经网路（GRNN网络）的优化设计,来预测燃气轮机实际运行中的可靠度。通过算法实现和结果的对比分析表明：BP网络和GRNN网络都能解决高度非线性问题,但在训练时间和精度上GRNN网络具有更为优良的逼近能力。神经网络方法为燃气轮机的可靠性预测提供了有力的工具。     

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。     

GA-BP神经网络在航空发动机状态监测中的应用研究

针对航空发动机状态监测问题,引入人工神经网络为发动机复杂非线性系统建立精确模型;选择以GA-BP贝叶斯算法作为神经网络训练算法,建立优化设计近似模型;以发动机排气温度的预测为例,构建了一个GA-BP神经网络对航空发动机状态进行预测。结果表明,GA-BP神经网络收敛速度快,泛化能力强,优于标准BP神经网络,因而为航空发动机状态监测提供了一种有效的方法。     

民用发动机状态混沌预测算法

首先应用Haar小波和DB16小波对航空发动机排气温度的原始数据序列进行去噪处理,并且证明了处理后的数据序列具有混沌特征.其次应用混沌理论建立发动机状态预测算法,实现对排气温度的预测.通过检验排气温度预测值是否超过所规定的红线,以及该曲线是否平稳,从而进行发动机的健康状态排查.作为验证实例,使用一组某机型发动机实际飞行...     

某型航空活塞发动机排气门的对称烧蚀机理

基于统计显示某型航空活塞发动机运行中出现的大量排气门烧蚀故障案例中烧蚀位置均基本呈两点对称分布在气门头部两侧的现象。通过测量排气门密封面附近气门体的实际运行温度,获取了该型发动机上气门运行温度与排气温度（EGT）之间的对应关系,进一步结合该型发动机的结构设计和实际运行环境分析了这种气门烧蚀点对称分布的机理。研究表明:气门偏摆引起气门密封面温度周向对称性分布不均和运行中过度调贫使气门密封面温度过高是排气门对称烧蚀的主要原因。据此提出以EGT为参照限制调贫幅度的方案,经70 000飞行小时实践验证表明故障得到了完全解决。      

基于神经网络与果蝇优化算法的涡轮叶片低循环疲劳寿命健壮性设计

在对涡轮叶片低循环疲劳寿命概率分析的基础上,将广义回归型神经网络(generalized regression neural network,GRNN)与果蝇优化算法(fruit fly optimization algorithm,FFOA)结合,利用果蝇优化算法的多点全局的快速搜索能力来优化影响疲劳寿命的随机变量,进行涡轮叶片低循环疲劳寿命健壮性优化设计.优化结果表明:疲劳寿命的概率区间减小17.9%,对随机变量的敏感度降低,从而可以更精确地对疲劳寿命进行估计.计算结果验证了该方法在工程应用中的可行性.      

基于KPCA 和DBN 的航空发动机排气温度基线模型

为了给航空发动机整体性能的实时监控与健康管理提供技术手段,提出1种基于核主成分分析和深度置信网络相结合的航空发动机排气温度基线模型构建方法。以配装CFM56-7B发动机的飞机在运行过程中各系统产生的快速存取数据作为原始的数据样本,利用核主成分分析进行降维处理,选用高斯函数作为核函数,将降维后的数据作为深度置信网络的输入,建立航空发动机EGT基线模型,通过大量QAR数据验证了模型的有效性和正确性。与传统神经网络建模方法相比,所提出的建模方法不但降低了网络结构的复杂度,同时也提高了模型的精度。     

基于双隐层过程神经网络的飞机发动机故障检测

利用双隐层过程神经网络模型可以直接处理时变信号的特点，提出了一种用双隐层过程神经网络模型对飞机发动机进行故障检测的方法。由过程神经元隐层完成对输入信息过程模式特征的提取和对时间的聚合运算，非时变一般神经元隐层用于提高网络对系统输入输出之间复杂关系的映射能力。分别利用递归神经网络和双隐层过程神经网络对发动机排气温度裕度进行仿真预测。结果表明，双隐层过程神经网络收敛速度快、精度高，优于递归神经网络的预测结果。为飞机发动机状态监测问题提供了一种有效的方法。     

CFM56—7B型发动机衰退模型建立与研究

发动机从投入使用到返厂大修整体性能衰退是一个连续性过程．研究目的在于建立能精确反映该过程的模型。收集大量CFM56—7B型发动机数据,通过解码、修正、换算得到大量的发动机排气温度裕度数据点．分段拟合并比较得到最优的该型发动机衰退数学模型,并运用另一机队数据验证模型。验证表明模型能较好地反映该型发动机衰退规律,给系统工程师分析该型发动机提供了指导依据,对研究该型发动机的性能衰退过程具有实用和理论指导意义。     

基于过程神经网络的航空发动机排气温度预测

从泛函分析的角度出发,将航空发动机排气温度预测问题转换为一种泛函逼近问题.利用过程神经网络对任意连续泛函的逼近能力,提出了一种基于过程神经网络的航空发动机排气温度预测方法.为克服过程神经网络学习速度慢的问题,为其开发了一种基于正交基函数展开的Levenberg-Marquardt学习算法.将所提出的预测方法应用到某型航空发动机的排气温度预测中,取得了满意的结果.