一种基于Deep-GBM的航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承故障信号难于识别的特点,提出了一种深度梯度提升模型（Deep-GBM）对振动信号特征进行逐层学习以提高分类模型的准确率。开展某型航空发动机中介轴承故障模拟实验,并采用经验模式分解(EMD)方法对采集的振动信号进行分解,提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征。采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别。实验结果表明,所提出的Deep-GBM故障诊断准确率达到87%,相对于传统的机器学习模型准确率最高提升了28%,并具有良好的泛化能力。      

基于遗传-支持向量机的对置活塞二冲程柴油机气口高度优化

以某对置活塞二冲程柴油机为研究对象,基于一维仿真模型,利用遗传-支持向量机的方法,以油耗为优化目标,进行不同转速工况下进排气口高度组合的自动化寻优。结果表明:在1200r/min下,优化的进、排气口无量纲化高度组合为［0.075,0.105］,所得最小油耗为220.32g/(kW·h);对置活塞二冲程柴油机的气口最优高度应随着转速的提高逐渐增大;且在高转速(大于1600r/min)下,排气口最优高度增加趋势更加明显。      

Behavior and functional modeling methods of doubly salient electromagnetic generators for aircraft electrical power system applications

The Doubly Salient Electromagnetic Generator(DSEG) is a promising candidate in aircraft generator application due to the simplicity, robustness and reliability. However, the field windings and the armature windings are strongly coupled, which makes the inductance characteristics non-linear and too complex to model. The complex model with low precision also leads to difficulties in modeling and analysis of the entire aircraft Electrical Power System(EPS). A behavior level modeling method based on modified inductance Support Vector Machine(SVM) is proposed. The Finite Element Analysis(FEA) inductance data are modified based on the experiment results to improve the precision. A functional level modeling method based on input–output characteristics SVM is also proposed. The two modeling methods are applied to a 9 kW DSEG prototype. The steady state and transient process precision of the proposed methods are proved by comparing with the experiment results. Meanwhile, the modeling time consumption, the application time consumption and the calculation resource demand are compared. The DSEG behavior and functional modeling methods provide precious results with high efficiency, which accelerates theoretical analysis and expands the application foreground of the DSEG in the aircraft EPS.     

基于最小二乘支持向量回归的混沌时间序列预测研究

研究利用最小二乘支持向量机预测混沌时间序列。混沌时间序列预测是典型的小样本学习问题,基于结构风险最小化原理的支持向量机方法,克服了神经网络易于陷入局部极值点等缺点,能够获得全局最优解。最小二乘支持向量机是一种在二次损失函数下采用等式约束求解问题的一种支持向量机,在保留支持向量机优点的同时使计算量大大减少。对典型混沌时间序列的预测结果表明,最小二乘支持向量机回归预测方法具有良好的泛化推广性能,预测精度高,适合于复杂非线性时问序列建模预测。     

基于优化智能网络的发动机推力指令模型

针对航空发动机性能退化缓解控制中推力指令模型输入量有限问题,提出1种双智能网络串联的推力指令建模方法.其中子模型Ⅰ采用BP网络映射与推力密切相关的气路参数,其输出作为子模型Ⅱ的输入;子模型Ⅱ采用优化极端学习机(ELM)算法,输出为额定发动机推力,并以此推力为性能蜕化缓解控制指令.为了减小ELM网络规模,提高推力指令模型实时性,采用微分进化算法(DE)优化ELM初始网络参数.数字仿真验证表明:各飞行包线内推力指令模型预测值最大相对误差小于4‰,远优于单一神经网络最大8.17％和单一极端学习机最大14.5％的误差,模型推力指令计算时间仅需0.64ms,实时性好,验证了该推力指令模型的有效性.     

基于EMD熵特征融合的滚动轴承故障诊断方法

研究了滚动轴承故障诊断单一故障信号的局限性和故障特征的非线性,从信息融合的理论出发,利用非线性动力学参数熵作为特征,提出了基于经验模态分解(EMD)熵特征融合的方法来解决滚动轴承故障诊断问题.首先将原始信号进行EMD,利用EMD的自适应多分辨率的特点计算EMD得到的固有模态函数(IMF)信号的多种熵值,然后采用核主元分析(KPCA)对提取的状态特征进行信息融合,从而得到互补的特征,最后将提取的融合特征通过支持向量机(SVM)进行故障诊断.滚动轴承故障诊断实验表明:该方法结合了EMD、信息熵理论和KPCA强大的非线性处理能力的特点,可以进行滚动轴承故障诊断.      

基于改进信息融合的航空发动机状态评估方法

针对航空发动机状态监测数据的模糊性和随机性,结合贝叶斯粗糙集和D-S证据理论,提出一种改进信息融合的状态评估方法。首先对样本数据进行离散化处理,通过基于区分矩阵的属性约简算法对影响发动机性能的特征参数进行提取,生成最佳决策表。然后根据置信增益函数重新定义了贝叶斯粗糙集,利用贝叶斯粗糙集的支持度和置信增益函数作为证据的支持程度,得到各准则下的证据基本信任分配。最后利用证据合成法则对多个证据进行合成,得到评估结果。通过实例计算,验证了改进方法应用在航空器发动机状态评估中的有效性以及在处理不完备信息问题时的优越性。     

一种超声速状态下机载推进系统模型的建模方法

为了满足机载航空推进系统模型对精度、实时性及数据存储量的苛刻要求,提出了一种机载模型建模方法.对传统的机载稳态模型建立过程中使用的相似准则进行了充分讨论,得出了一种具备更高建模精度的相似准则.在新的相似准则基础上,建立了包含泰勒展开式中非线性2阶项的高精度稳态变量模型,有效解决了分段线性稳态变量模型在大包线、变状态条件下精度难以保证的问题;为了解决超声速状态下安装推力与发动机净推力差别较大的问题,建立了考虑外流特性的简化进气道模型,给出了一种计算安装推力的方法,即由简化发动机模型计算安装推力中符合相似准则的部分,由进气道模型计算溢流阻力、放气阻力及发动机推力中不符合相似准则的部分.仿真结果表明:基于新的相似准则所建立的机载模型具有大包线、变状态适应性,输出参数误差均在0.5%以内.      

非对称结构损伤飞机鲁棒容损控制器设计

当飞机发生非对称结构损伤时,飞机的质量、重心位置和气动特性都会发生突变,飞机机体的对称性遭到破坏,致使飞机的横纵向间运动产生强烈的耦合。针对飞机发生非对称结构损伤时导致的飞行控制问题,建立了非对称结构损伤飞机的损伤模型,并基于一种新型鲁棒容损控制策略,采用非线性扩张状态观测器和非线性动态逆相结合的方法,对飞机的姿态控制器进行了设计,兼顾了飞机系统的性能和对损伤的鲁棒性。最后,基于NASA的通用运输机模型,对所设计控制器的控制效果进行了仿真验证。仿真结果表明,设计的姿态控制器有效地抑制了非对称结构损伤给飞机控制系统带来的不确定性和扰动,具有较好的控制性能。     

基于深度学习的航空器异常飞行状态识别

飞行设备快速存取记录仪(Quick Access Recorder,以下简称QAR)保留了原始航班各类重要飞行参数在内的航行信息,使研究分析航空器实时状况和保障飞行质量成为可能。针对QAR数据高维大样本的特点,在如今大数据背景下,除了传统机理建模分析航空器飞行状态外,采用深度学习的方式建立基于数据驱动的航空器飞行状态识别模型,理论与实用意义兼具。通过对真实QAR飞行数据的研究,开发了基于深度稀疏受限玻尔兹曼机的异常飞行状态识别程序。首先利用小波降噪技术对原始飞行数据进行预处理清洗,在一系列典型飞行参数上提取经典时域特征以及小波奇异熵等信息熵特征构成特征集。在此基础上,分别利用经典的线性主元分析技术和深度稀疏玻尔兹曼机对特征集进行有效降维,最后采用四折交叉验证方式,通过高斯过程分类器实现对飞行状态的辨识。实验结果显示,基于深度受限玻尔兹曼机-高斯过程分类的飞行状态识别具有较高分类准确性。