对特定传感器故障敏感的最优奇偶向量检测与隔离方法

 提出了一种利用对特定传感器故障敏感的最优奇偶向量进行故障检测与隔离的方法。主要思想是设计一个性能指标函数，使得最优奇偶向量对被检测的传感器故障最敏感，而对其余传感器故障和未知输入不敏感。与常用的广义似然比方法相比，该方法明显地提高了故障的检测能力，此外，对故障的隔离效果也更好。     

气压高度表辅助下GPS接收机自备完善性监测可用性研究

 对我国范围内飞机非精密进场及终端航行时全球定位导航系统（ＧＰＳ）接收机自备完善性监测（ＲＡＩＭ）的可用性进行了研究，分析了气压高度表辅助和故障偏置大小对ＧＰＳＲＡＩＭ可用性的影响。结果表明：气压高度表与ＧＰＳ组合是提高ＲＡＩＭ可用性的有效措施；过大或过小的偏置误差将产生较小的漏警概率，而中等大小的故障偏置则产生较大的漏警概率     

基于SVR的X型发动机传感器故障诊断研究

利用基于回归型支持向量机(SVR)的诊断方法,设计了某型涡扇发动机传感器常见故障诊断系统,实现了传感器故障隔离与信号重构.通过发动机试车数据对SVR进行训练,以传感器的偏置故障、冲击故障和漂移故障为例,用MATLAB语言进行了计算机仿真验证.结果表明:基于SVR的传感器故障诊断具有精确度高,实时性强的特点,是一种很好的传感器故障诊断方法.      

P向量实现快速星图识别的方法

 提出了一种快速的星图识别方法。该方法识别时提取出描述观测三角形的一维特征量P,根据该值快速检索到对应的导航三角形,减少了计算过程。由于获得星点位置的时候存在误差,所以将一定误差范围内的三角形均作为待选三角形考虑。上述识别后引入了验证识别环节,保证识别的准确性。随机实验统计表明,同等星点位置噪声方差下,该方法和栅格算法相比识别率提高约1%,识别时间约为后者的1/5。     

基于在线滚动LS-SVR的涡轴发动机混合预测控制

提出了一种串级PID+非线性模型预测控制(NMPC)的混合控制方案,用于涡轴发动机控制系统中。其中:主控制回路采用串级PID控制器以消除静差保证系统稳定;带约束优化的预测控制器则用于实时燃油补偿,以增强发动机系统对直升机功率需求的快速跟随能力。该预测控制器是基于在线预测模型实现,首先在VC环境下设计在线滚动最小二乘支持向量回归机(OSLS-SVR),在线训练高精度、实时性好的内嵌式预测模型,其测试精度可达3‰;而后利用该模型与序列二次规划(SQP)算法完成滚动优化,建立预测控制器;最后,在UH-60A直升机/T700涡轴发动机综合模型仿真环境下,通过模拟直升机大幅急速升降操作,验证了该混合预测控制方案对大扰动具有较强的抑制能力及鲁棒性,从而使直升机获得更好的机动性能。     

基于Rough/SVM的飞机目标识别模型

研究了基于粗糙集（Rough）和支持向量机（SVM）的模式分类技术,结合遥感图像中军用飞机目标识别进行理论分析和试验研究。基于粗糙集和支持向量机算法的优势,设计了基于粗糙集和决策有向无环图的支持向量机模式识别分类器,并对分类的性能进行了分析研究。利用粗糙集理论中属性约简方法去除冗余属性,降低飞机特征维数,提出了使用决策...     

支持向量机在燃气涡轮性能诊断中的应用

由Vapnik统计学习理论得到的支持向量机是一种新的人工智能方法，它具有比人工神经网络更好的泛化性。文中构建了一种基于C—SVC的故障诊断模型（CBFDM），并采用5重交叉验证法来选择模型参数，该模型可给出3个最可能的故障原因。利用PW4000—94发动机巡航态影响系数矩阵产生仿真数据，对CBFDM研究结果表明，即使在噪声级别为正常情况下的3倍时，该模型诊断准确率仍超过93％。该诊断模型也可用于其它领域诊断问题。     

飞机蒙皮缺陷磁光图像识别算法研究

提出一种基于模糊支持向量机自动识别飞机蒙皮磁光图像中铆钉裂纹缺陷的新方法。针对铆钉磁光图像的不规则圆形特点．采用阈值法确定近似铆钉区域中心，将由中心发出的星形射线矢量作为识别的基本特征，采用模糊支持向量机方法对铆钉周围裂纹的方向进行分类。其中，支持向量机采用径向基核函数，利用网格法选取核宽度惩罚常数．并结合模糊隶属度函数解决多类分类问题中存在的错分、拒分现象。样本测试实验结果表明，算法具有很高的识别率。     

基于免疫粒子群优化的不等时间间隔发动机性能综合指数组合预测

首先利用奇异值分解滤波算法,对测量参数进行滤波处理,进而合成发动机性能综合指数。针对性能综合指数为不等时间间隔的情况,在改进灰色预测模型中引入新陈代谢思想,提出一种基于免疫粒子群优化权值的改进灰色模型与支持向量机相结合的性能指数预测方法。仿真实例表明:组合模型的预测精度明显高于改进灰色预测模型,略高于支持向量机模型;且对于大多数样本点,组合模型的预测结果变化更加平稳。     

基于贝叶斯LS-SVR的锂电池剩余寿命概率性预测

提出了一种基于贝叶斯最小二乘支持向量回归(LS-SVR)的锂电池剩余寿命在线概率性预测方法.首先,通过滚动窗方法选取锂电池历史健康退化数据,并根据相空间重构原理建立训练样本,其中最小嵌入维数使用Cao氏方法计算获得.然后,运用贝叶斯3层推理训练LS-SVR预测模型,在迭代预测阶段,采用蒙特卡罗方法来表示和管理多步预测中的不确定性及其传递,即用一群离散粒子来近似连续分布,结合“退化轨迹不相交”原则和高斯过程假设,预测出锂电池健康状态未来时刻的发展趋势.最后结合给定的失效阈值,通过统计穿越阈值的粒子数目得到剩余寿命的概率分布.使用美国国家航空航天局阿姆斯研究中心公开的电池数据集与高斯过程回归(GPR)方法进行对比实验,多项预测性能指标结果表明贝叶斯LS-SVR方法具有更高的预测准确度和置信度.