航空发动机低温壳体设计需求分析与指标确定策略

航空发动机的低温壳体在使用时需要满足相应的强度、刚度指标及质量要求。对发动机低温壳体在不同应用环境下进行定量需求分析以明确设计目标。通过QFD质量功能展开工具逐层分解客户需求、定位功能和物理参数,分析功能的重要性。通过模糊数学中的最大隶属度模糊评价原理,分析多种方案的适应性,得出定量分析结果,避免以往依靠经验和类比的不确定性。对优选的概念方案进行风险分析,识别重点失效模式并采取预防措施,获得设计关注的技术指标。实例分析结果表明:采取多种数理分析方法和实用工具对需求分析、方案决策、风险预估3个方面进行的方法研究和设计实践,有利于提高低温壳体的方案设计方法的科学性,具有一定的参考价值。     

电动汽车无刷直流电机能量回馈制动系统设计

就电动汽车能量回馈制动效率较低的问题提出了一种恒转矩模糊控制策略。首先分析了无刷直流电机能量回馈制动的基本原理,对不同的回馈控制策略进行了对比分析,设计了一个三维模糊控制器,再以该控制器为核心,在MATLAB/Simulink环境中搭建了无刷直流电机能量回馈制动系统的仿真模型,并进行仿真。仿真结果显示提出的控制策略对电机制动转矩以及能量回收达到了很好的控制效果。     

基于专家控制器的电动汽车感应电机弱磁区优化控制研究

由于感应电机驱动系统采用数字控制器和脉宽调制输出会伴随着数字延迟的问题,加之参数可能存在的扰动,使得传统的间接磁场定向控制方法在感应电机高速弱磁区的控制性能降低。针对此问题,提出了一种基于专家控制器和模糊推理机制的感应电机弱磁区优化控制策略。考虑到传统间接磁场定向控制中电流调节器在弱磁区若没有获得适合的电流参考指令,则可能会产生高频振荡乃至失稳。因此,在传统方法的基础上将转速闭环输出的电流参考先送入到专家控制器,专家控制器基于数据库和模糊推理,对电流参考进行修正,其中模糊推理机制基于简单的高斯函数逻辑实现。最后,构建了感应电机驱动试验平台,开展了电机在弱磁区的高速驱动试验,试验结果验证了新型控制策略的有效性。     

航空发动机LQR控制的模糊神经网络方法

针对线性二次型调节器LQR在航空发动机多变量控制中存在的存储量需求太大的问题,提出了相应的自适应神经网络模糊控制方法。根据某型发动机飞行包线内给定工作点的线性化模型,分别设计控制器,并将分别设计的控制器用自适应神经网络模糊推理的方法进行综合,使之成为一个非线性的控制器,由此可以得出其它工作点的LQR设计结果。该方法能够在一定程度上弥补LQR控制的缺陷,仿真实例表明了其有效性。      

随机模糊测试的确定性

论述了模糊测试确定性和随机模糊测试确定性的概念,以及测试确定性、征兆－成因隶属函数与随机征兆信号概率密度函数之间的关系。建立了随机模糊测试系统的模型。在此基础上提出了模糊测试确定性的量化指标——确定度测试的计算公式,分析了它与征兆－成因隶属函数的关系;分析计算了随机征兆信号的概率密度函数对隶属函数和测试确定度的影响。     

航空产品重要度分类的模糊评判方法

提出一种航空产品重要度分类的模糊评判方法。建立了进行航空产品重要度分类的模糊综合评判模型。该模型描述了重要度分类中的模糊因素,避免了重要度分类逻辑决断法的缺陷和不足。最后给出了该方法的一个应用实例。     

模糊综合评判理论在备件供应保障中的应用

备件供应保障是综合保障中重要的组成部分。为了给决策者提供确定备件种类和数量的依据,分析建立了航空备件保障指标的层次结构。影响备件种类和数量的部分因素具有模糊性,利用模糊层次分析法和模糊综合评判理论的优点,将两种方法相结合完成权重分配和评估运算。最后,结合实例进行了分析,分析结果表明该法是可行的,具有较高的使用价值。     

甲板运动对舰载机人工着舰的影响和补偿

分析了甲板各自由度运动对舰载飞机准确着舰造成的影响,提出根据主要的影响因素,由降落指挥官发出补偿引导指令,对甲板运动进行补偿。在此基础上,采用神经网络预测甲板运动并结合模糊控制,建立了补偿指令和控制模型,并通过数值仿真分析了所建立的模型的合理性。     

模糊Petri网在电站燃气轮机故障诊断中的应用

本文给出了用模糊 Petri网模型来表示燃气轮机故障诊断专家系统中模糊产生式知识库的方法。并在这个模型的基础上, 给出了有效的推理算法, 并举例验证其正确性和在燃气轮机专家系统中应用的可行性。      

模糊神经网络实现飞行数据的智能处理

利用模糊神经网络实现了根据飞行数据识别出飞行过程中所做的基本动作 ,推理过程使用了一种特殊的模糊规则 (fuzzyrule) ,权值学习采用负梯度下降 (Gradientdescentweightadaption)法。首先对每帧飞行数据进行特征检测(Featuredetect) ,将根据专家经验模糊处理得到的隶属度矢量作为模糊神经网络的输入 ,经过该网络决策 ,获得该帧数据的基本动作模式 ,由此 ,得到飞行过程中的基本动作。而实际的飞行动作就是由这些基本动作的组合而成 ,所以 ,实际上也就实现了飞行动作的自动识别。经大量实际飞行数据检验 ,该方法准确、有效。