基于过渡工作过程的航空发动机气路分析方法

为对发动机机动性能的退化程度进行估计,开展了基于过渡工作过程的气路分析研究。针对气路传感器数目较少的情况,采用序列工作点方法对大量的健康参数进行分析,在增加可用信息量的同时,降低了由多工作点方法的平均效应引入的参数估计系统误差。为解决发动机大偏差性能退化健康参数估计中的计算收敛性问题,提出了间接递归牛顿-拉夫逊法强化非支配分类差分进化算法。针对某型双轴分排涡扇发动机的气路分析结果表明：采用本文所提出的方法能够在气路传感器数目有限的条件下,利用发动机过渡态数据实现对大偏差范围内大量健康参数的高效、准确估计。     

基于TestStand的先进飞机ACP综合测试系统

音频控制面板(ACP)用于向飞行机组提供与各种通信系统联接的方法,并监控来自导航系统的音频信号.与音频管理组件(AMU)配合对飞机上的各种无线电通信和无线电导航通道进行选择,管理和控制来往于飞行机组的音频信号,同时显示相应的选择控制状态.     

基于在线LS-SVM算法的变参数混沌时间序列预测

研究利用最小二乘支持向量机(LS-SVM)预测变参数混沌时间序列。变参数混沌系统适合于描述现实中的复杂混沌现象,但由于参数的慢变导致系统动力学特性不断发生变化,基于Tan-kens嵌入定理的建模预测方法难以适用,其时间序列预测可以看作是小样本学习问题。最小二乘支持向量机是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,保留支持向量机优点同时计算量大大减少。提出用一种具有遗忘机制的最小二乘支持向量机在线递推算法,并引入历史数据的高次项预测变参数混沌时间序列。对典型变参数混沌时间序列的预测结果表明,该方法具有较高预测精度,能快速跟踪预测变参数混沌时间序列。     

可行SLP法在发动机在线优化中的应用

研究了航空发动机在线优化算法问题。基于序列可行方向法,提出了一种用于解决一般非线性优化问题改进的序列线性规划(SLP)在线优化算法——可行下降序列线性规划(FSLP)方法。其显著特点是通过适当的步长修正算法,在保证目标函数下降的同时,确保解的可行性。根据对偶理论证明了其核心算法的收敛性,对步长修正原理进行了数学分析,并详细介绍了算法实现途径。基于上述优化算法,以某型双转子涡扇发动机最大推力模式为仿真算例,验证了该算法在解决航空发动机在线优化问题时,相比传统的序列优化方法,在提高优化算法解的可行性方面效果更好。     

基于遗传算法的产品拆卸序列规划研究

拆卸序列规划(Disassembly Sequence Planning,DSP)是民用飞机维修规划的一个重要内容,也是在设计阶段对民用飞机产品维修性的一个评估.为了能以较高的效率求解出产品拆卸序列的方案,本文首先根据拆卸特点构建了产品拆卸混合图模型.该模型描述了零部件之间的连接关系和优先关系,然后通过分析产生产品的拆卸序列.在此基础上建立目标函数并利用遗传算法的计算速度和灵活性的特点对拆卸序列进行优化.最后,通过一个实例,验证了本文方法的可行性及其计算效率.     

混合神经网络和混沌理论的股票价格预测研究

针对股票时间序列的非线性特点,结合混沌理论和神经网络理论,提出了基于混沌理论的股票价格神经网络预测方法。同时利用重构相空间的嵌入维数确定神经网络的结构,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,在股票时间序列预测中有广泛的实用价值。     

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。