神经网络在液体火箭发动机故障检测中的应用 (Ⅱ)模式识别技术

基于模糊超球神经网络,提出了一种液体火箭发动机故障的实时检测系统。它采用模式识别技术,在建立正常工作状态的样板模式之后,把当前样本与样板模式进行比较,进而判断发动机工作状态。发动机试车数据分析表明：模糊超球神经网络对输入样本非常敏感。     

模糊超体神经网络及其在火箭发动机故障分离中的应用

提出了一种用模糊集表示火箭发动机故障模式的神经网络二次分离器,模糊集是由模糊超体聚集形成的集合体,模糊超体在一次分离中表现为由半径和球心确定的n维超球,在二次分离中是一个由夹角、球心和方向矢量确定的部分超球。神经网络二次分离学习算法与一次学习算法相比,提高了训练样本的分离精度,增强了神经网络对故障的敏感性。      

模糊极小极大神经网络在火箭发动机故障分类中的应用

研究了一种用模糊集表示火箭发动机故障模式的神经网络分类器。模糊集是由模糊超立方体聚集形成的集合体，模糊超立方体是一个极小点和极大点构成的用隶属函数表示的ｎ维方盒。极小点和极大点的确定用包含有扩张与收缩阶段的模糊极小极大学习算法实现，这种算法能在一次循环学习中形成非线性模式边界，无需对已知故障模式重新训练就可融合新样本和精炼已存在的故障模式。模糊集用于故障模式分类自然地提供了故障更刘水平分类的有用信     

基于神经网络和模糊逻辑的航空发动机状态监视

设计了基于神经网络和模糊逻辑的航空发动机状态监视系统,它包含数据有效性检查和发动机健康评估.系统利用BP(back propagation)神经网络对发动机进行数据有效性检查,根据发动机的状态确定测量参数的有效边界以检测发动机的测量参数是否超限;利用模糊逻辑对发动机健康状况进行实时的评估,监控发动机因性能蜕化引起的异常.通过对某型涡扇发动机仿真,验证了基于神经网络和模糊逻辑的状态监视系统的有效性.      

基于小波和球结构支持向量机的航空发动机故障诊断

介绍了一种航空发动机状态监控和故障诊断方法,即基于球结构支持向量机的状态监控和故障诊断方法.球结构代表了一类样本,不需要另类样本,从而降低了发动机的试验和研制成本,并结合小波的运用,给出了相应的结果.     

航空发动机增强型机载自适应模型气路故障诊断方法

针对航空发动机在工程应用中气路健康状态的评估问题,提出一种基于增强型机载自适应模型的气路故障诊断方法。 该方法在机载模型中加入神经网络补偿算法,在线修正机载模型的输出误差,提高了卡尔曼滤波器估计精度,以此为基础建立了 发动机增强型自适应模型和性能基线模型。增强型自适应模型可实时评估健康参数状态,并指导性能基线模型跟踪发动机正常 性能降级趋势,确保剪裁精准的故障信息用于检测和诊断。基于发动机性能仿真模型模拟故障特征数据库,采用RBF神经网络训 练样本,完成了故障模式判定和故障隔离。通过构建某型涡轴发动机气路故障诊断平台进行仿真验证,结果表明：该方法能够有 效监视发动机在全包线、全寿命周期的气路健康状况,在实际工作流程中具备可行性。     

不同模型堵塞比的超声速风洞二次喉道优化

为了延长采用真空球排气系统的超声速风洞的工作时间,拟采用二次喉道提高真空球临界工作压强。本文针对Ma=4和Ma=7超声速风洞,采用计算流体软件系统地研究了不同发动机堵塞比对二次喉道起动能力的影响以及不同尺度的二次喉道对真空球临界工作压强的影响。研究结果表明,随着发动机堵塞比的增大,二次喉道的临界起动直径相应增大,呈非线性变化,同时,真空球的临界工作压强下降。因此,二次喉道直径应针对不同的模拟状态和发动机堵塞比范围综合优化选取。     

基于RBF神经网络的航空发动机故障诊断模型

利用某型发动机地面定检状态实测数据作为学习样本，采用径向基函数(RBF)神经网络建立发动机的故障诊断模型。通过该模型对起飞状态实测的发动机参数进行了辨识，结果表明：这种方法具有训练时间短、学习速度快、诊断精度高等优点。     

基于模糊矩阵和神经网络的航空发动机磨损部位故障识别

滑油中的金属颗粒成分及含量反映了发动机部件磨损程度,利用光谱分析技术监测诊断发动机部件磨损故障。在分析发射光谱原始数据的基础上,提出基于BP神经网络的航空发动机磨损部位识别方法,并通过实例阐述了部位磨损识别的步骤。将待识别样本输入已经训练好的神经网络中,得到低压压气机轴承支座磨损故障模式。待识别样本中含有Fe、Al、Cr、Cu、Mg,与低压压气机轴承支座磨损故障模式存在的元素完全一致。与原始识别方法相比,本文方法得到的故障特征更加明显,所需训练样本更少,识别精度达到96.67%。     

基于全航段QAR数据和卷积神经网络的航空发动机状态辨识

为了充分挖掘全航段飞行数据中蕴含的丰富信息以提高发动机状态辨识的准确率,提出一种基于全航段快速存取记录器（QAR）数据和卷积神经网络的发动机状态辨识方法。该方法将每次飞行循环的全航段QAR数据变换为一个红绿蓝（RGB）多通道样本实现全航段数据图像化处理,根据发动机维修记录中的水洗时间,将发动机划分为不同的衰退状态,采用卷积神经网络对不同衰退状态进行分类和辨识。该方法经某航空公司飞机QAR数据验证,结果表明：基于全航段QAR数据的衰退状态辨识算法的精确度相比于仅使用巡航段数据的精确度提升超过13%,辨识准确率达到98%。     

基于混沌变量的航空发动机模糊神经网络控制

针对模糊神经网络控制器中模糊规则的设计和神经网络权值的确定存在困难这个问题,提出了混沌优化控制方案,将混沌优化算法应用到航空发动机模糊神经网络控制中,利用混沌优化算法对模糊神经网络的参数进行优化。仿真结果表明,设计的模糊神经网络控制器具有良好的性能。      

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。     

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。     

基于递归径向基神经网络的航空发动机盘腔瞬态壁温预测

针对航空发动机空气系统盘腔瞬态壁温动态预测难的问题,提出了一种基于径向基神经网络的递归预测模型。通过时序数据多维重构的方法建立训练样本,强化径向基神经网络对“时滞性”的预测能力,分析了模型固有超参数和由多维重构引入抽样控制参数对模型预测精度的影响。采用简化的典型盘腔壁面换热模型结合公开的试验历程转速数据,构建了供模型训练和测试的瞬态壁温数据样本,以递归调用模型的方式完成了对测试样本时序数据的预测和验证。结果表明,与常规的径向基神经网络预测模型相比,该模型的平均相对预测偏差由3.0%降低至0.45%,有效提升了模型的预测精度。为航空发动机盘腔瞬态壁温异常监控及超温排故问题提供了一种新的预判方法。     

发动机故障统计与分析系统设计方法

部队目前使用的《航空维修管理信息系统》软件,存在发动机故障信息收集样本小、统计分析预测能力弱等缺点。本文描述了某型发动机故障统计与分析系统的设计方法,该系统采用Delphi和SQL Server 2000数据库软件,通过设计专家评测系统和模糊神经网络（FNN）算法,实现了数据库的开放性录入管理、故障的统计及预测、人机交...     

基于深度信念网络的航空发动机维修等级决策

准确的航空发动机维修等级决策,能够避免过维修和欠维修,在保证航空发动机运行安全的前提下节约维修成本。结合航空发动机状态监控信息和维修等级特点,采用深度信念网络（DBN）算法,挖掘状态监测及维修等级决策之间的深层次对应关系,实现对维修等级的分类和预测。该模型通过DBN预训练和反向传播(BP)神经网络反向微调提取出样本特征,从而提高维修等级预测准确率。以某航空公司CF6航空型发动机的状态参数和维修等级数据作为实例进行验证,结果显示:该模型能够通过构建多层网络结构挖掘出样本的更深层次信息,在分类能力、决策准确性方面优于传统神经网络,有较强的特征提取能力,对维修等级分类有较高的正确率,能得出更准确的维修等级决策结果,避免因维修等级误判而带来不必要的损失。      

Elman 回归神经网络在航空发动机故障诊断中的应用

提出了一种基于Elman神经网络的航空发动机故障智能诊断方法。以在某型发动机地面定检状态下实测的数据作为样本数据,建立了航空发动机故障诊断模型,利用该模型成功地对实测发动机参数进行了诊断。研究结果表明:该方法对权值初始值选取、隐含层节点数选取和输入样本规范化处理等不敏感,具有学习速度快、诊断精度高等优点。     

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。     

涡桨发动机轴台试验方法

为实现某涡桨发动机在轴台稳定运行,对该发动机机载控制系统进行了详细研究。对该发动在轴台的控制系统增加了 水力测功器、用PEC模拟器代替PEC控制器,及增加航电模拟器代替航电控制器。根据该发动机的工作模式和控制方式,参考以 往轴台试验经验,制定了初始试验方法：发动机调试从低状态到高状态、先稳态后加减速,测功器采用多种控制模式自由切换的飞 行模拟模式。通过多次试验验证和修正,探索出一种适应该涡桨发动机轴台试验的方法,并应用于轴台试验。结果表明：该方法 解决了PEC模拟器代替PEC控制器、航电模拟器应用于发动机轴台试验、发动机加速时转速超调及状态切换时转速波动等问题, 实现了PEC模拟器参与测功器控制、水力测功器与发动机的协同工作。     

基于ANFIS的涡轮发动机风车工况建模仿真

小样本情况下神经网络模型泛化能力不足的缺陷限制了其在涡喷发动机风车工况建模中的应用。在十组风车工况实验数据的基础上建立了涡喷发动机风车工况的神经网络模型，并且利用人们对涡喷发动机动静态、相似参数以及剩余功率与加速度的关系等先验知识不断对神经网络的输入变量进行变换，逐次减少神经网络的训练样本数目，最终只用一组训练样本就可以训练出泛化能力较强的神经网络模型，大大提高了小样本情况下神经网络的泛化能力。仿真结果表明，该方法简单有效。