应用神经网络的航空发动机故障诊断仿真研究(英文)

传统的定期维护制度成本高 ,劳动强度大 ,且对发动机故障的诊断和探测能力十分有限。现代飞机上的发动机监控系统 ( EMS)具有向维护人员提供有关发动机故障信息的潜在能力。本文将径向基函数 ( RBF)神经网络应用到航空发动机故障诊断中。该方法能够依靠测量参数探测发动机多个气路故障 ,并对各大部件的性能退化进行定量的诊断。仿真结果表明 ,诊断的精度能够满足实际应用的需要 ,神经网络的非线性映射能力可用来捕捉发动机的特性。该方法具有通用性 ,在其他类似的复杂机械中也可以获得应用。     

网络陶瓷增强铝基复合材料的摩擦磨损特性

提出了三维陶瓷网络（骨架）增强金属基复合材料的新构思，设计和制备了一种新型的三维陶瓷网络（骨架）增强铝合金复合材料，研究了其在干摩擦状态下的滑动摩擦磨损行为。结果表明，基体铝合金在重载时产生严重粘着磨损，磨损层发生软化和塑性流动，而复合材料中的陶瓷颗粒暴露于磨损表面并起承载作用，从而保护基体不发生严重磨损，复合材料对磨环的磨损量大于基体合金对磨环的磨损量，但复合材料摩擦副的总摩损量比基体合金摩擦副的小。     

一种模糊Modular神经网络模型及其应用

将神经网络模糊系统与模糊C均值聚法相结合，对模糊Modular神经网络进行研究，提出了该模糊神经网络模型的多输出结构及其学习算法，据此开发了模糊神经网络诊断系统，并将其用于某电源分系统的诊断分析，运行的结果表明，该网络模型优于一般神经网络。     

一种BP网络自整定PID控制算法及其在NF-6风洞控制中的应用

NF-6风洞是一座增压、连续、高速回流式风洞,对各子系统的控制性能都有较高的要求。针对NF-6风洞对模型姿态系统控制性能提出的高要求,提出了一种BP网络自整定PID控制策略,并结合现有的改进型PID控制思想对其进行了进一步的分析与改进。仿真结果及初步应用表明:该算法在算法收敛性、实时性及控制精度上较传统PID算法及BP网络算法都有较大程度的提高。     

RBFE人工神经网络在四组分络合滴定中的应用

本文用非线性的方法来解决多组分金属离子体系同时测定的问题。在此我们用MATLABv5 .3编写了BP网络和RBFE网络并比较了它们在校正时的情况 ,发现在此体系中RBFE网络优于BP网络。络合滴定是在不加缓冲液的情况下直接滴加入EGTA ,并讨论了滴定体积V与溶液的pH值和溶液中金属离子的初始浓度C0M之间的关系 .最后 ,我们将RBFE网络应用于四组分金属离子CuZnPbCd的同时测定     

神经网络在旋翼／机身气动干扰模型中的应用

由于直升机自身的特点,旋翼／机身气动干扰呈现非线性,且受多种因素的影响,用神经网络来解决这一非线性问题是一个很好的办法。将旋翼／机身气动干扰试验数据构造的学习样本,对网络参数进行学习,可以得到旋翼／机身气动干扰神经网络模型,进而可以用该神经网络模型研究直升机机身受旋翼气流干扰时的空气动力特性。参数训练好的旋翼／机身气动干扰神经网络模型可直接用于直升机气动设计和实时仿真。笔者在对旋翼／机身气动干扰神经网络模型的建立进行论述外,还简要介绍了旋翼／机身气动干扰试验。     

神经网络BP算法预测可靠性增长

叙述可靠性增长的基本概念和神经网络BP算法,着重探讨BP算法用于可靠性增长预测的可能性。通过两个实例的预测结果,与常用的可靠性增长参数模型Duane,Gompertz的结果相比较。实例表明,该方法是可行的,而且是有效的,适应性强。可以预料,它不但能用于仪器设备试制过程中预测可靠性增长,而且可用于武器装备在储存过程之中可靠性下降的预估。     

基于一维卷积神经网络和SoftMax分类器的风电机组行星齿轮箱故障检测

将卷积神经网络引入风机故障检测领域,设计了一种一维卷积神经网络的结构,并和SoftMax分类器相结合构造了一种双层智能诊断架构。一维卷积神经网络用于行星齿轮箱数据的特征提取,SoftMax分类器对提取的特征进行分类。与传统智能算法相比,该方法具有训练样本少,可直接使用原始数据训练网络;计算效率高,可以适应实时诊断的需要。试验结果证明,该方法可以有效地诊断出不同工况下的行星齿轮箱中的齿轮故障。     

基于深度学习的航空发动机不平衡故障部位识别

针对基于机匣测点的航空发动机不平衡故障部位识别问题,提出了基于深度卷积神经网络的航空发动机不平衡故障部位诊断方法。针对某典型双转子航空发动机,建立整机耦合动力学模型,并利用数值积分算法实现不平衡故障数值仿真;在从发动机压气机端到涡轮端的高、低压转子上选择4个不平衡故障部位作为诊断对象,通过仿真分析得到发动机典型转速下的转子不同部位不平衡故障的仿真样本;计算4个机匣测点信号的规范化频谱,通过对大量仿真数据的处理得到反映不同不平衡故障部位的故障样本集;利用仿真得到的大量不平衡故障样本,训练深度卷积神经网络,利用深度卷积神经网络的优良特征学习能力实现航空发动机不平衡故障的不同部位进行识别,数值试验结果表明该方法对航空发动机不平衡故障部位的识别准确率达到95%。     

利用重要性贡献矩阵确定通信网中最重要节点

针对已有的节点重要性评价方法,基于节点的移除可能导致网络拓扑结构变化的不足,提出了一种利用节点间关联特性的通信网络节点重要性评价方法.该方法定义的节点重要性贡献矩阵(NICM,Node Importance Contribution Matrix)考虑了网络中不同节点间的联接关系对节点重要性的影响,每个节点对其相邻节点重要程度的贡献与该节点的度有关,节点的初始重要性设为该节点的介数.利用该算法对典型网络的节点重要性进行了分析,并且与移除节点的方法进行了对比.实验结果表明,所提出的算法无须考虑网络拓扑结构的变化,结果精确并能正确评价节点对网络资源的控制能力.