应用神经网络诊断航空发动机气路故障的前景

介绍了近几年来国内外应用神经网络对航空发动机气路故障进行诊断的基本方法和研究进展。对单一故障进行定性的诊断已经取得了试验验证，结果表明神经网络具有较高的诊断准确率。对反映发动机气路部件健康状况的气流量、效率等参数的多故障、定量的诊断则取得了一些仿真研究成果。相对于基于发动机气动热力学数学模型的方法而言，神经网络方法具有更大的工程应用潜力。     

液体发动机故障检测与诊断中的基础研究问题

液体火箭发动机故障检测与诊断是当前航天推进系统研究中迫切需要解决的关键技术。根据我国当前这项技术发展的实际情况，必须提高研究水平和加快研究进程，做好基础性的研究工作，介绍了我国在建立泵压式液体火箭发动机故障模式、标准数据库和改进人工神经网络算法与时序分析算法等方面所做的工作。提出了深入开展故障仿真研究和开发实用故障检测与诊断系统的建议。     

应用BP-ART混合神经网络的推进系统状态监控实时系统

应用ＢＰ－ＡＲＴ混合神经网络提出了一种供推进系统状态监控实时使用的系统,其拓扑结构为： 第一层处理单元由ＢＰ神经网络组成, 每个ＢＰ网络代表一个相应的推进系统组件; 第二层处理单元为一个ＡＲＴ神经网络, 网络的每一个输出代表推进系统的一种“健康状态”, 据此可对其故障进行“诊断”。该混合结构充分发挥了两类网络的优点, 给出的具体应用实例也显示出在推进系统实时状态监控与故障诊断应用中的有效性     

基于混合特征匹配的微惯性/激光雷达组合导航方法

微惯性/激光雷达(MEMS IMU/LADAR)组合导航系统在室内应用时,由于室内结构化环境下环境特征(如点和线段)分布稀疏,传统的单一特征匹配算法存在观测盲区,易造成导航定位参数估计误差大的问题。基于此,研究了激光雷达自适应数据分割方法的点和线段的特征提取算法,提出了基于混合特征匹配观测模型的MEMS IMU/LADR扩展卡尔曼滤波(EKF)算法。同时,设计了MEMS IMU/LADR组合导航试验样机,在室内环境下通过试验对滤波算法进行了验证。结果表明:提出的算法在室内结构化环境下相比传统单一点或线特征匹配组合定位算法的定位精度可提高60%,对于小型旋翼无人飞行器在室内结构化环境中的高精度定位具有较高的参考意义。     

无人机爬升转弯航迹预测

信息获取、自动精确打击等使得无人机已成为不可缺少的武器。快速精确的航迹预测可以提高作战效率,提供及时、最优的冲突解决方案。针对无人机的优良特性,首先优化无人机的航迹模型,并对其可行性进行理论推导,重点研究了以最大功率爬升转弯过程,验证了优化后的过程优于普通爬升转弯模型。此航迹预测方法可以快速得出航迹特征点以及到达航迹特征点的时间。     

液体火箭发动机故障特性动态模拟

以某大型泵压式供应系统液体火箭发动机为研究对象, 建立了液体火箭发动机非线性动态数学模型。针对已发生过或可能出现的故障形式, 以阶跃形式输入, 进行了故障状态下动态特性模拟。数值方法用四阶定步长龙格-库塔方法发展而成的自适应变步长龙格-库塔法。计算结果表明, 所建模型较精确合理, 数值方法满足故障模拟的要求。该工作为故障模式提取、监控参数优化选择、基于模型的故障检测与诊断等发动机健康监控问题的研究奠定了基础。      

基于人工噪声神经网络BP算法的火箭发动机故障仿真与检测

研究了用于液体火箭发动机故障仿真与故障检测的神经网络ＢＰ算法。在ＢＰ算法中采用了加噪声等技术来避免系统误差陷入局部极小，训练出精度高（误差小于０．０２）的神经网络，试验表明：神经网络ＢＰ算法成功地用于故障仿真与故障检测。     

基于模型的液体推进系统故障诊断算法

给出串联双涡轮结构以泵作为供应系统的液体火箭发动机系统故障仿真的准动态数学方法和基于灰色关联度分析的实时诊断算法。该算法对于调整计算确定的具体系统和预先设定的典型故障模式进行仿真计算、事先形成该发动机系统的故障模式样本集。试车时, 利用诊断算法对采集的发动机性能参数进行实时分析, 从而给出发动机所处的健康状况, 以便及时采取措施, 提高发动机的安全性和可靠性。      

发动机转子系统早期故障特征提取方法

对飞机发动机转子系统早期故障特点进行分析的基础上,提出了利用虚拟仪器和Matlab小波工具箱分析软件对其早期故障进行检测和特征提取的方法.文中对早期故障特征量的选取、有用信号与噪声信号的分离方法、突变信号与奇异信号的特征提取等进行了分析和研究,并以转子早期碰摩和早期不平衡为例进行了实验研究.结果表明,Labview和Matlab小波分析软件相结合,能够快速有效地提取发动机转子系统的早期故障特征,为发动机转子系统早期故障的快速识别提供了一种新途径.     

基于主元核相似度免疫机制的故障诊断方法及应用

1引言目前,国内外已发展了多种应用于航空发动机的智能故障诊断方法,如专家系统方法、神经网络方法,以及新近提出的基于支持向量机的诊断方法。但这些方法需要有足够的已知故障模式的训练样本才能发挥出优异的性能,而且算法实时性较差,难以满足快速在线诊断的要求[1]。传统的基