人工神经网络在航空发动机中的应用

人工神经网络是一个十分热门的交叉学科,在许多行业都得到了应用。介绍了其在系统建模、模型辨识、控制及其在航空发动机上的应用情况和最新发展,并对各种应用状况进行了归纳和分析。同时对最新神经网络模型作了介绍,并对将来神经网络在航空发动机上的应用作了预测。     

智能机器力觉及力控制研究综述

回顾了智能机器力觉及力控制研究历史,介绍了目前的研究现状,详细分析了现有的4种研究策略：阻抗控制、力／位混合控制、现代控制、智能控制。提出了智能机器力觉及力控制研究的4大关键问题：机器本体及位置伺服;碰撞冲击及稳定性研究;未知环境的约束研究;力传感器及力／位反馈融合,展望了智能机器力觉及力控制研究趋势和应用前景。     

非自模化区域内动叶叶尖间隙对气动-声学性能的影响

本文对非自模化区域内小型风机的气动－声学性能进行了实验研究,详细了在非自模化区域内动叶叶尖间隙对气动－声学性能的影响,并与自模化区域内的影响作了对比分析,得到了在非自模化区域内动叶径向间隙对气动－声学性能的修正,计算结果与实测值吻合良好。初步提示了非自模化区域内动叶叶尖间隙对气动－声学性能影响的机理。     

任意平面域的三角形网格和混合网格生成

本文以阵面推进法为基础,给出了一种可对任意平面域进行三角形网格和混合网格自动生成的方法。该方法包含了易于生成与调控的矩形背景网格技术,简便的外形输入和初始阵面划分技术,加速查寻的数据结构,以及节点松弛和基于Ｄｅｌａｕｎａｙ准则的对角线交换技术。网格生成的实例表明,方法能快速可靠地生成任意平面域的高质量三角形网格和适于粘性计算的三角形／四边形混合网格,具有较好的通用性与实用性。     

基于RBF网络的航空发动机辨识模型

利用实测到的发动机飞行试验数据作为学习样本, 采用径向基函数 (RBF)神经网络建立了发动机的辨识模型。利用这种方法对不同飞行高度发动机的参数进行了辨识, 并与几种 BP网络进行了比较。研究结果表明: 这种方法具有训练时间短、学习速度快、辨识精度高等优点。      

传感器测量偏差下的航空发动机智能性能诊断

以某型涡扇发动机为研究对象, 构建了基于神经网络的航空发动机智能性能诊断方法, 讨论了测量噪声及测量偏差对诊断结果的影响及其处理方法.建立一簇并行的神经网络组和发动机模型, 通过比较各模型输出与发动机测量参数之间的误差, 判断传感器是否存在测量偏差.仿真结果表明, 该方法能有效消除测量噪声, 准确判断并隔离有测量偏差的传感器, 得出正确的发动机性能诊断结果.      

航空活塞式发动机空燃比实时控制算法

采用比例-积分-微分神经网络(PIDNN)的控制算法,集合了传统PID控制及神经网络各自的优点,控制发动机在不同工况下的空燃比,实现发动机在不同工况间切换时,能够快速地控制空燃比至目标值.在AMESim软件中建立发动机模型,在MATLAB软件中建立PIDNN控制算法,进行模型在环仿真,仿真结果表明:在不同海拔高度下,PIDNN控制算法都能够准确地把空燃比控制在目标值,当发动机在不同工况间切换时,PIDNN能够在0.5s内把发动机空燃比控制至目标值,并且保证过量空气系数超调量在0.2之内,改善了发动机的动力性、经济性,提高了发动机的响应能力.     

基于相关系数的火箭测试变化缓变参数自动判读方法

变化缓变参数的自动判读是实现火箭测试数据自动判读的难点,已有的研究采用曲线拟合的思路进行判读,但拟合过程相当复杂,且不同的测试流程存在不同的拟合曲线,工作量极大.为提高判读效率,从变化缓变参数的物理意义出发,提出通过判别参数测量值序列之间的相关系数来实现变化缓变参数自动判读的方法.该方法对测量值序列进行先归一再累加生成的处理方式,克服了遥测系统测量误差对相关系数计算的影响,保障了判读准确性,同时减少了建立判读知识库的工作量.仿真结果表明,该方法运用简便,效果良好.     

基于静态删减算法的神经网络在软件可靠性预测中的应用

与传统的基于人工神经网络的软件可靠性预测模型结构普遍由预先经验或者通过不断尝试的方法确定不同,在分析一般的软件可靠性模型的基础上,提出将一种基于静态删减算法的神经网络模型应用到软件可靠性预测中。通过利用2组经典的软件失效数据进行仿真,并与传统的神经网络可靠性预测模型对比分析,研究了神经网络拓扑结构和预测精度的关系,结果表明,基于静态删减算法的运用能够提高神经网络模型对软件可靠性的预测精度。     

DOA estimation and mutual coupling calibration with the SAGE algorithm

In this paper, a novel algorithm is presented for direction of arrival（DOA） estimation and array self-calibration in the presence of unknown mutual coupling. In order to highlight the relationship between the array output and mutual coupling coefficients, we present a novel model of the array output with the unknown mutual coupling coefficients. Based on this model, we use the space alternating generalized expectation-maximization（SAGE） algorithm to jointly estimate the DOA parameters and the mutual coupling coefficients. Unlike many existing counterparts, our method requires neither calibration sources nor initial calibration information. At the same time,our proposed method inherits the characteristics of good convergence and high estimation precision of the SAGE algorithm. By numerical experiments we demonstrate that our proposed method outperforms the existing method for DOA estimation and mutual coupling calibration.