基于直升机/涡轴发动机综合仿真平台的发动机非线性模型预测控制

 基于具有可靠置信度的直升机/涡轴发动机综合仿真平台,研究了涡轴发动机带约束优化的非线性模型预测控制(NMPC)技术。首先通过设计多输出迭代约简最小二乘支持向量回归机(RRLSSVR),训练具有较好实时性、精度及泛化能力的内嵌式预测模型,在高度0~5 km、前飞速度0~75 m/s范围内模型精度达5‰。其次,考虑了扭矩、燃油流量、动力涡轮转速、燃气涡轮转速等综合信息及相关约束对控制效果的影响,利用在线序列二次规划(SQP)算法实现滚动优化控制,而后加入目标转速偏差的积分项以消除静差,保证输出恒定。最后,通过对直升机进行机动飞行大扰动仿真验证了该预测控制器对扰动的抑制能力,相比传统串级PID控制,能够显著降低动力涡轮转速下垂/超调量,达到更好的控制品质。     

航空通信中基于PN码的信道估计算法研究

航空移动通信系统（空空信道）中,大的多径时延和多普勒频移会造成非常严重的符号间干扰,高速宽带下尤为突出,使得传统的频域信道估计算法不得不通过提高运算长度和复杂度来实现性能,而航空通信对实时性的要求使其难以工程实现。本文针对空空信道时延长而衰落小的条件,提出一种基于PN码的时域信道估计算法,连续发送N段m序列作为训练序列...     

基于小波分析与支持向量机的时间序列预测

时间序列广泛存在于工业、经济、军事等各个领域,时间序列预测是数据分析处理的一个重要方面。目前提出的预测模型大多基于＂原始时间序列是无噪的＂这一假定,而实际应用中,对时间序列去噪处理的好坏将直接影响预测的准确率,针对这一事实,使用小波分析对原始时间序列去噪。利用小波变换对时间序列进行多尺度分解,对各尺度上的细节序列使用阀值法去噪;使用支持向量机对重构后的各组小波系数进行预测并将结果融合,得到预测结果。实验结果表明,用于时间序列预测,能及时反应序列的变化趋势并具有较高的预测精度。     

IIR数字滤波器的序列约束Chebyshev设计方法

 进行无限冲击响应(IIR)数字滤波器的无约束Chebyshev设计时,得到的滤波器幅值响应通常在过渡带存在明显过冲现象,且通带边缘的群延迟误差较大。本文提出一种序列约束Chebyshev(SCC)方法,在通带和阻带最大频率响应(FR)误差小于某给定值ρ的条件下,使过渡带频率响应误差(相对某个具有单调幅值特性的过渡响应函数)的Chebyshev模最小,并通过收缩和对分找出ρ的最小值。该方法不但可以使通带和阻带最大频率响应误差尽可能小,还能减小过渡带幅值响应的过冲以及带边群延迟误差。仿真实例表明了该方法的有效性。     

利用粒子群支持向量机预测轴流压气机机匣壁面压力

建立了基于粒子群优化的轴流压气机机匣压力支持向量机预测模型.利用支持向量机的强大非线性映射能力,实现了对某型轴流压气机机匣压力时间序列的非线性预测,并运用粒子群优化算法对支持向量机的重要参数进行了优化,增强了预测模型对混沌动力学的联想和泛化推理能力,提高了预测的精度和稳定性.而针对发动机台架试验数据的预测结果证明了方法...     

航空发动机气动热力参数的趋势分析

航空发动机状态的趋势分析,是一种广泛地应用于航空发动机性能监控的分析技术。本文建立了发动机气动热力参数趋势分析的数学模型,着重讨论了有关数据处理中的四个问题:参数的换算;野点的判断和剔除;趋势性的判断和数据的平滑与预测。并将上述模型应用于JT9D发动机的气动热力参数的趋势分析。     

基于遗传算法的飞机维修拆卸/装配序列规划研究

飞机维修拆卸/装配序列规划是整个飞机产品维修作业的重要组成部分,同时也是飞机远程诊断与远程维修的重要研究内容。针对飞机维修过程中拆卸/装配序列规划问题的特点和要求,本文从维修产品的拆卸/装配过程稳定性、拆卸/装配方向和拆卸/装配工具的改变次数三个方面来设置目标函数,解决了零件数量大的产品规划计算效率不高且没有考虑产品的维修过程稳定性问题。本文开发出了基于遗传算法的飞机维修拆卸/装配序列规划系统,并结合具体产品进行了验证。     

基于小波变换的非平稳信号趋势项剔除方法

分析了空间飞行器遥测信号处理传统趋势项剔除方法的优势和不足,提出了基于小波变换的非平稳信号趋势项剔除方法。这种方法通过滤波器组将信号分解与重构,实现趋向性信号与零均值平稳随机信号的分离。仿真实验表明,该方法简单、高效,适用于非平稳随机信号的处理,是一种实用的趋势项剔除方法。     

AR模型在时间序列误差分析中的应用

为检测某火控系统的性能,采用统计量分析和AR模型预测相结合来对火控系统实时解算的数据进行分析的一种方法。根据分析结果可以看出,距离误差和航向误差是两种不同类型的误差,距离误差主要是由随机的量测误差构成的,而航向误差主要是系统误差。     

广义时变ARMA序列预测方法

提出一种广义时变ARMA序列预测方法,给出时变序列和广义时变序列的预测公式及其均方误差。该方法能够对均值、方差、自回归系数和滑动平均系数都随时间变化的广义时变序列(或信号)进行分析和预测,可广泛应用于气象、通信、自动控制、结构响应分析和故障诊断等领域。大量计算表明,本文方法与传统方法相比,具有更高的预测精度。