基于误差预测修正的液体火箭发动机故障预测方法研究

为解决液体火箭发动机故障预测这一难题,提出一种基于误差预测修正的故障预测方法。在历史数据的基础上建立小波过程神经网络故障预测模型,同步计算学习样本的预测误差,根据上述误差建立双并联离散过程神经网络预测模型。预测时,将预测误差值实时补偿到小波过程神经网络预测模型以提高预测精度。通过液体火箭发动机地面试验中的涡轮泵数据对该方法进了验证。结果表明,该方法在预测精度和适应能力上较单一的过程神经网络预测模型有显著提高,进行10步预测时,预测值的标准化均方根误差为0.392,预测平均耗时为76ms,能够用于解决液体火箭发动机故障预测问题。     

预设堵块法检测进气道自起动能力的数值研究

在进气道内预先设置轻质堵块迫使进气道不起动,堵块被气流吹出后流道恢复畅通,为激波风洞提供了一种检测进气道自起动能力的方法。为了深入认识预设堵块方法的检测过程,将堵块简化为一个自由度的刚体运动,采用k-ωSST湍流模型,结合铺层动网格技术,对该检测方法进行了二维非定常数值模拟。在Ma_∞=5.9条件下,采用改变堵块质量的方式,获得了三种典型的检测过程。通过分析堵块在气动力作用下的运动与进气道非定常波系演化相互耦合的过程,揭示了堵塞作用产生和消除的流动机理。结果表明,堵塞时间没有显著地改变进气道的自起动能力,预设堵块方法成功检测到进气道在Ma_∞=4.9自起动。此外,建立了预估堵块运动的匀加速模型,预估的堵塞时间与数值模拟结果较为符合。在Ma_∞=5.9条件下,堵块的临界质量约为3.8g。考虑到激波风洞实验时间短暂,应选择合适的堵块。     

煤基喷气燃料代用组分神经网络混合构建方法

为了建立航空燃料的喷雾模型,用于高保真液雾燃烧数值模拟,提出了基于人工神经网络混合模型的煤基喷气燃料代用组分构建方法.基于这一构建方法,重点针对煤基喷气燃料的雾化特性,利用多组分混合燃料的理化性质数据库对神经网络进行训练,获得了混合燃料理化性质隐式预测模型,结合随机投点优化方法,构建出能够很好地模拟煤基喷气燃料目标理化性质的代用组分.结果表明:该代用组分包含了5种碳氢化合物成分,摩尔分数为11.46%正癸烷、23.29%正十二烷、49.87%正十四烷、6.66%异辛烷和8.72%甲基环己烷.通过雾化特性实验,验证了代用组分对真实燃料雾化性能的模拟效果.该代用组分构建方法可以较好地解决混合燃料模拟过程中的非线性问题,通过改变目标理化性质可构建出相应代用组分.      

航路网络生成及优化

空中交通流运行的安全性和成本取决于航路网络结构。基于节点度实现航路网络枢纽节点和干线节点分层,利用全局耦合生成主干网络,运用距离连接概率实现干线节点社区化,采用连接概率生成社区网络;采用DBSCAN聚类算法,基于角度和距离实现航路网络优化;以中国大陆空域为例,实现了主干航路网络和局部干线航路网络的生成及优化,验证了方法的可行性。在与相关研究对比,基于节点度的枢纽节点选取更加客观合理,所构建的分层航路网络结构符合机场点的分布特性,采用DBSCAN聚类算法优化效率明显提高。     

穿越微下冲气流的飞翼布局无人机控制方法

微下冲气流是最危险的低空风切变形式,为在起降阶段安全穿越该气流,飞翼布局的无人机控制律应具有快速响应能力和良好的鲁棒性。针对大展弦比飞翼布局无人机舵面附加升力大和低速状态俯仰操纵效能低的特点,提出了舵面附加升力和机体气动力相结合的复合控制方案,改进了以输出误差为参考量的非线性指令分配策略,设计了基于迎角保护的指令分配策略。将风干扰和模型的不确定性视为未知扰动,采用自抗扰控制(ADRC)理论设计飞翼布局无人机非线性控制律,使之对风干扰和模型的不确定性进行估计补偿。仿真结果表明,复合控制与ADRC相结合的方法加速了航迹倾角的单位阶跃响应速度,使上升时间缩短了64%,同时能够实现对风干扰的有效观测和补偿,使高度损失低于2m;能够在风切变中有效保护迎角,使其维持在5.5°以内。因此,该方法能够为飞翼布局无人机安全平稳地穿越微下冲气流提供一种参考方案。     

内压缩段构型对高超声速进气道自起动性能的影响

为了探寻内压缩段构型对高超声速进气道自起动性能的影响,对二元高超声速进气道折角型和曲线型两种内压缩段的自起动过程进行准定常数值仿真研究.对比了这两种构型进气道在不同唇罩起始压缩角下的自起动性能和自起动过程中分离区的变化规律,并分析了内通道压缩强度沿程分布对进气道自起动性能的影响.研究表明:①即使进气道内收缩段的内收缩比相同,不同的内压缩段构型和唇罩起始压缩角对高超声速进气道的自起动性能影响显著,曲线型内压缩段构型的自起动性能明显优于折角型;②内压缩段的总压缩强度及其沿流向分布都是影响高超声速进气道自起动性能的关键因素,并且压缩强度沿流向分布决定着进气道在自起动过程中处于临界状态下主分离包所停留的位置.      

攻角与马赫数对进气道起动影响的可比拟性

针对高速风洞变来流马赫数的能力有限,不易获得高超声速进气道起动马赫数界限的问题,本文尝试通过改变进气道模型攻角的方法来模拟来流马赫数的变化,分析定来流马赫数变攻角与定攻角变来流马赫数两种途径下二元进气道起动性能之间的关系,以助于风洞实验获得进气道的起动马赫数界限。结果表明,在Ma∞=5.9来流条件下,进气道不起动和自起动的临界攻角分别在12°~13°和0°~1°。定来流马赫数变攻角与定攻角变来流马赫数两种途径下,进气道不起动和自起动临界所对应的内收缩段入口马赫数基本一致。对于同一内收缩段入口马赫数,当变攻角跨度小于4°时,两种路径下进气道的内部流场与壁面压力分布规律符合较好;当变攻角跨度较大时,两者的差别也增大。对于二元高超声速进气道模型,当常规风洞的来流马赫数在进气道起动边界附近时,在一定的攻角范围内,可以尝试通过攻角机构连续改变模型安装攻角的办法来模拟变马赫数引起的进气道起动特性的演变过程。     

基于广义回归神经网络的传感器故障检测

为了研究航空发动机试验中精确数学模型未知的多传感器故障诊断问题,采用基于广义回归神经网络(General Regression Neural Network,GRNN)组的故障检测方法,提炼出传感器之间的约束关系和故障规律,构建了一组多输入多输出GRNN,用于估计传感器输出,与测量值生成残差,通过与门限值比较判断可疑传感器,找到神经网络组中的具有最小可疑传感器数的GRNN。采用可疑传感器的估计信号做为重构信号交叉验证其它GRNN。通过验证即可确定可疑传感器为最终故障传感器。为了控制神经网络的回归精度,将多输入多输出神经网络分解为多个多输入单输出网络。通过仿真数据验证了该方法用于传感器故障检测的可行性。     

基于区域的卷积神经网络在空对地车辆检测中的应用

针对传统空对地车辆检测算法在光照变换、场景变化时检测效果不佳的问题,提出了基于区域卷积神经网络Faster RCNN模型的空对地车辆检测方法,介绍了Faster RCNN模型以及模型训练过程.实验结果表明,基于Faster RCNN的空对地车辆检测方法是可行的,对不同光照和场景下的车辆检测可以取得较好的效果.     

基于IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选,降低输入维度;采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化,并对优化的神经网络进行训练;用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法,并且在参选故障诊断的性能参数不同时,其诊断误差相近,展现出较强的适应能力。