航空发动机健康估计的神经网络修正卡尔曼滤波算法

针对商用航空发动机与气路相关的传感器分布不均、且个数小于气路健康参数的个数、使用卡尔曼滤波算法估计全部气路健康参数时容易出现误判的特点,提出一种神经网络修正的卡尔曼滤波算法。该算法在每个采样周期内利用BP神经网络来修正个体的偏移方向,按粒子滤波算法计算每个个体的权值用以估计总体的均值和协方差,然后利用卡尔曼滤波算法更新所有个体,并将总体的均值作为当前时刻的估计结果。通过对商用航空发动机部件级模型在多个飞行状态点数字仿真模拟9种气路突变故障,由7个可测输出估计全部10个健康参数,该混合算法的估计误差相比BP神经网络与无迹卡尔曼滤波算法分别平均降低了34.6%与47.9%。     

叶片式预旋喷嘴出口流场实验研究

叶片式预旋喷嘴具有尺寸小,落后角大的特点。为了详细研究小尺寸预旋喷嘴的预旋性能,采用五孔探针对叶片式预旋喷嘴的出口流场进行了实验研究。测量了Ma=0.2,0.3时喷嘴出口的压力分布、速度分布和出口气流角度分布,实验获得了喷嘴的落后角和预旋效率,并进行了与实验工况相同的数值计算。通过实验获得的总压云图以及速度云图,可以发现叶片式预旋喷嘴的端壁二次流损失、尾迹损失严重,有明显的边界层分离现象。Ma=0.2时,喷嘴Re数为5.76×104,落后角2.84°,实验测得的预旋效率为0.73;Ma=0.3时,喷嘴Re数为1.06×105,预旋效率提高至0.77。实验模型端壁的影响使预旋效率实验结果偏低6.5%左右。数值结果与实验测得各参数符合较好:数值结果与测得的喷嘴出口截面平均总压、静压偏差在1%以内;出气速度、周向速度以及出气角度与实验结果偏差在4%以内。数值计算表明,叶片式预旋喷嘴的预旋效率基本不受压比影响,随Re数增大先增大后基本不变,最后基本稳定在0.85。     

倾角回转误差算法问题分析及改进

对倾角回转误差的算法和公式进行了积极探讨,对GJB1801-1993中倾角回转误差算法进行改进尝试并通过对测试方法进行理论分析和一组典型数据的计算结果对此予以进行证明。在此基础上对倾角回转误差算法进行了修正,增加约束条件:消除的一阶谐波分量必须幅值相同,相位相差90°,从而得到修正公式。再从基本误差定义出发,重新对倾角回转误差进行推导,得到了相同的结果。     

基于SimulationX的可调静子导叶机械滞后效应系统仿真

为了解决压气机可调静子导叶(VSV)机械滞后问题,基于Simulat ionX系统仿真平台,建立了VSV调节系统仿真模型。通过仿真结果与台架试验数据对比分析,验证了模型的有效性。在此基础上,结合FMEA方法分析了不同因素对VSV角度滞后的影响程度。分析结果表明:发动机个体分散度和不同热状态之间的驱动负载、驱动能力、活门特性的差别是引发问题的主要因素,当由2种以上因素共同作用时,VSV角度的机械滞后效应增加。提出了1种新的故障模式,并通过台架试验完成了验证。     

基于LSTMAttention网络的短期风电功率预测

提出一种基于LSTMAttention网络的短期风电功率预测方法。首先,使用LSTM网络对数值天气预测(NWP)数据的特征信息进行提取,同时采用注意力机制有效分析了模型输入与输出的相关性,从而获取了更多重要时间的整体特征;其次,使用卷积神经网络(CNN)提取NWP数据的局部特征,并引入压缩和奖惩网络(SE)模块学习特征权重,利用特征重新标定方式提高网络表示能力;最后,将局部特征和整体特征进行特征融合,通过分类器输出分类结果。利用NOAA提供的美国加利福尼亚州某风电场的数据进行案例分析,证明了所提方法的有效性。试验结果表明,与BP神经网络、自回归积分滑动平均模型(ARIMA)模型和LSTM模型相比,LSTMAttention模型具有更高的预测精度,证明了该方法的有效性。     

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。     

飞行仿真气动力数据机器学习建模方法

基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法。该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近。首先,分析了神经网络层数、隐含层神经元个数等对建模误差的影响,通过对典型弹道气动数据的神经网络建模计算,确定了较合适的神经网络层数和较优的隐层神经元个数。进而,利用飞行仿真的弹道数据辨识出沿弹道的气动力,采用神经网络建立了包含多个弹道融合的气动力模型,输出量分别为三轴气动力系数和力矩系数。最后通过气动模型输出量与原样本数据的对比,以及4条未参与训练弹道气动数据的预测,验证了该气动力建模方法具有较高的精度。建模结果表明:采用神经网络方法建立的飞行器气动力模型,对拟合多源耦合输入全弹道非线性气动力是可行的和有效的,在样本覆盖的高度、速度、姿态和控制舵偏角范围内,气动力拟合能力较强,并具有一定的外推性。该项研究可以为基于飞行试验数据的气动建模提供新的方法,并且能为飞行器气动力数据挖掘、飞行仿真和总体性能分析提供参考。     

基于民航团队旅客销售的组合预测方法分析

利用Matlab分别用回归分析算法、BP神经网络算法、最小二乘支持向量机算法和组合预测算法对民航团队销售数据进行预测和比较分析,期望为民航销售人员提供更加精准的预测信息,以获得更高的航线收益.结果显示神经网络、支持向量机和组合预测3种算法比航空公司常用的回归分析预测精准度有了明显的提高.支持向量机预测精度相对神经网络稍低,却拥有更强的泛化能力.组合预测能避免单一预测方法的误差,更加适合航线销售人员的实际操作.     

变冲角下压力面小翼控制高亚声速扩压叶栅气动特性的研究

为了探究变冲角时压力面小翼对高亚声速扩压叶栅气动特性的影响,采用数值模拟软件ANSYS CFX对不同来流冲角下(0°,±3°,±6°)原型叶栅及加装了不同宽度压力面小翼的改型叶栅进行了数值计算。结果表明:不同冲角下压力面小翼都可以削弱泄漏涡的强度,改善叶顶间隙流动,降低叶栅流动损失。不同冲角时具有不同的最佳小翼方案,PW1.5方案在+6°冲角下性能提高最大,与同冲角下的原型叶栅相比,PW1.5方案的总压损失降低了14.4%。     

音频信号矢量编码算法

为了在保证译码恢复的声音质量良好的前提下,减小编码的压缩率,以减小声音信号的存储空间,提出了一种将线性预测编码、SOM神经网络矢量编码以及Huffman编码相结合的声音信号编码算法,将1列声音信号转换为2列信号,这样就可以进行后续的矢量编码。实现了预测编码和矢量编码的结合。利用Matlab软件编程进行了声音信号编解码实验。实验结果表明,在保证声音质量的前提下,该编码方法的码率小于MEPG-1 Layer3的最低的64kbps标准码率,且算法简单。文章提出的编码算法在音频压缩编码方面将具有较高的研究价值和很好的应用前景。