用霍尔特-温特斯模型预测航空运输总周转量

引入了霍尔特-温特斯模型对中国民用航空运输总周转量进行预测,首先介绍了该模型的具体预测步骤,然后采用面向对象的软件技术,设计并开发了预测模型软件。该预测模型软件不但可以根据用户设定的平滑系数进行预测,还可以自动计算出预测效果较优的平滑系数,最终对2006年各个月份的中国民用航空运输总周转量进行了较为精确的预测。     

飞机发动机状态监控研究

通过应用时序分析理论，对飞行参数系统记录的数据进行建模、分析，提出了一种飞机发动机状态监控的新方法。     

三组元发动机试验系统动态过程仿真

针对三组元发动机与传统两组元发动机的区别,建立了三组元燃烧室模型。管路中流体的压缩性、粘性、惯性等对仿真结果有很大影响,长细比、波动传播时间、粘性影响度等可以作为选择管路模型的判断标准。对三组元发动机试验系统动态过程进行了集中参数和分布参数模型仿真,通过与试验数据的对比,验证了系统仿真的准确性;并利用仿真结果对转工况时序进行分析,结果表明时序对转工况性能影响很大。     

固体废弃物热解产物的神经网络预测模型

本文采用3层BP神经网络建立了固体废弃物热解产物的产率和特性的预测模型。采用遗传BP算法来优化隐层节点数和学习速率η0与回归方法相比，其预测误差明显小于回归公式的预测误差。     

静叶片时序效应对压气机叶片非定常气动负荷的影响

采用数值方法对两级低速压气机中径处的流场进行非定常模拟。研究第二排静叶在两个典型周向位置上的叶片气动负荷,分析各列叶栅气动负荷的非定常波动以及静叶时序效应对叶栅气动负荷的影响。对各列叶栅的非定常气动力和气动力矩进行频谱分析,探讨叶列间的非定常气动干扰。结果表明,时序效应对静叶片气动负荷的影响明显高于动叶片的。时序效应能够提高压气机的性能与叶片寿命.      

综合时序信息的试验优化设计及稀疏求解

考虑不同试验点的试验成本及试验时序信息,在性能指标与影响因素间的响应模型未知情况下,利用装备系统的先验信息构造模型驱动的基函数,构造相应的回归模型来刻画系统的内在关系,分析不同试验点成本及试验时序对试验方案的影响。定义了一种考虑空间权重及批序贯时序的非均匀最优设计模型,将稀疏理论引入到回归试验设计中,把不同批次试验下的回归试验设计模型参数估计问题转换为结构化稀疏重构问题,讨论了非均匀最优设计的构造定理,提出结构化稀疏参数求解算法。算例表明:利用本方法生成的试验点考虑了试验点空间权重和试验时序信息,更符合实际试验规程;采用本方法获得的响应函数得到的期望预测误差更小。     

遥测数据时间序列滑动窗口动态分割技术

经由传感器采集的航天器遥测数据是产品验证、算法检验、数据挖掘等学科和方向重要的数据来源之一。由于原始测量数据采集密度高、信息量大,通常采用滑动窗口技术进行逐段处理和算法应用。但当滑动窗口的宽度固定时,数据的局部信息不能被充分提取出来;为此,提出遥测时序滑动窗口的动态分割流程。仿真结果表明:提出的时序分割和窗口宽度计算方法,可以根据数据自身的特点得到更加准确合理的非等长窗口集合;在保持曲线线段曲率的基础上,滑动窗口动态计算方法可以极大地提取拐点信息,合理地给出窗口宽度,对数据进行了简化与提纯,降低了建模难度,为下一步聚类分析、曲线匹配等工作提供了技术支持,提高了遥测数据的诊断与分析效率。     

两级高压涡轮三维时序效应研究

为研究三维时序效应对多级涡轮效率的影响,采用课题组自主研发的三维CFD计算软件NUAA-Tur-bo,对GE公司高效节能发动机两级高压涡轮进行了非定常数值模拟。其中,边界条件的设置采用了相位延迟方法。计算结果表明,涡轮性能参数计算结果与实验数据基本吻合。先后验证了二维时序效应、三维时序效应对涡轮流场的影响,并利用非定常计算结果进行了分析。证实应用三维时序效应,可改变第一级转子叶片尾迹在第二级转子叶片前缘的相对位置,以及第二级转子叶片不同叶高处吸力面尾缘的附面层流动,最终能够提高涡轮效率。     

基于Hankel阵的荧光油膜灰度与厚度预测模型改进

针对荧光油膜灰度与厚度关系数据采集方法较为繁琐、耗时耗力这一问题,研究了基于Hankel阵的系统辨识算法,并在此基础提出了Hankel阵误差修正模型和Hankel阵高阶迭代误差修正模型等两种改进方法,利用了极少数据量建立模型,实现了对其余未知荧光油膜厚度值的预测,且保持了较高的精度。试验结果表明:基于极少数据量建模以预测该数据量外的数据点这一特殊背景下,插值法的外插能力显得并不适用。而传统Hankel阵预测模型的预测精度为76.69%,Hankel阵误差修正模型和Hankel阵高阶迭代误差修正模型的预测精度分别为85.69%和89.25%,较之传统方法预测精度分别提高了9%和12.56%,为荧光油流技术领域针对荧光油膜灰度与厚度建模问题提供了一种可行技术路线,具有一定的实际工程应用意义。      

基于滑动时窗策略自适应优化支持向量机的航空发动机性能参数在线预测

针对传统航空发动机性能参数时间序列预测方法存在的不足,提出了基于滑动时窗策略自适应优化支持向量机(Support Vector Machine,SVM)在线预测模型。该方法解决了训练样本动态适应性差的特点和老旧数据信息影响预测模型精度的问题。在该方法中,滑动时窗策略实时更新时窗数据训练样本,最终误差预报准则(Final Prediction Error,FPE)自适应地确定嵌入维数,遗传算法(Genetic Algorithm,GA)则实时自适应优化SVM建模参数。应用航空发动机排气温度偏差值(Delta Exhaust Gas Temperature,DEGT)数据进行实例验证,结果表明基于滑动时窗策略的自适应GA优化的SVM (GASVM)在线预测模型比传统的GASVM预测模型预测精度有显著提高。进一步分析了预测模型不同时窗宽度对短期预测精度的影响,展示了1步～10步预测的效果,结果表明在线预测模型在不同时窗宽度下短中期(5步以内)预测效果良好且稳定。文中提出的在线预测模型可用于航空发动机性能参数的预测,实现对航空发动机未来性能变化的预警。