基于深度学习的混合翼型前缘压力分布预测

提出了一种基于深度学习的混合翼型前缘压力分布预测方法,通过对翼型几何特征提取、压力分布曲线的参数化,建立了卷积神经网络模型（CNN）,并利用计算流体力学（CFD）的计算结果作为其训练样本,实现对混合翼型前缘压力分布的预测。结果表明:两种方法计算结果的拟合优度大于0.98,基于深度学习的计算方法耗时1.7 s,CFD方法耗时大于50 s,计算时间大大缩短。该方法能够在满足计算精度的条件下提高计算效率并可应用于其他的翼型设计过程。      

连续式风洞二喉道调节马赫数控制策略

为了降低连续式跨超声速风洞压力波动,提高马赫数稳定性,需要对二喉道调节马赫数控制方式进行研究,针对现有文献鲜少对该控制策略描述等问题,以0.6m连续式跨声速风洞为例,对二喉道控制马赫数的原理进行分析,基于运动控制器加伺服驱动器双PID(proportion-integral-derivative)控制模式实现二喉道位置精确控制,提出了二喉道和压缩机转速的组合控制流程,并采用分段变参数模糊PID加串级控制的算法实现马赫数精确控制,最后进行了试验验证。结果表明马赫数控制精度优于0.001,且每个马赫数极曲线(9个攻角阶梯)的时间可控制在4min以内,证明所提出的控制策略是有效的,可为连续式跨超声速风洞的设计调试提供参考。      

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

基于模糊动态逆的飞机直接升力控制

针对飞机的直接升力控制问题,设计了一种将动态逆控制器和模糊控制器结合使用的新方法,并在系统参数优化过程中对ITAE准则进行改进。在ITAE准则的基础上,引入对正向误差的积分从而约束系统响应的超调量。通过对单纯直接升力控制模态和垂直平移控制模态的仿真实验,表明文章的模糊动态逆控制器能够实现具备良好鲁棒性的直接升力控制;通过对比模糊动态逆控制器和动态逆控制器的仿真结果,表明模糊动态逆控制器的动态性能和稳态性能优于动态逆控制器。     

双层结构模糊综合决策的AIS与雷达航迹关联

根据AIS 与雷达关联的一般原则, 首先对AIS 航迹和雷达航迹进行时空配 准,接着将配准后的航迹进行时间和距离上的初级关联判断,对满足初级关联但是又难 以判断的航迹进行高级关联判断。在高级关联判断阶段提出一种双层结构模糊综合决策 的航迹关联方法,仿真实验表明新方法在提高关联正确率和降低关联错误率方面有了明 显改善。     

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.     

基于模糊PID算法的六自由度并联机构控制研究

针对六自由度并联机构难以实现高精度及快速响应的问题,分析六自由度并联机构模型,提出基于模糊PID的六自由度并联机构的控制算法.介绍了六自由度并联机构的运动学反解模型及机械系统模型;在此基础上确定模糊算法的模糊语言变量、隶属函数和模糊规则,完成了六自由度并联机构模糊PID控制器的设计.针对一组PID控制参数进行了仿真和实验,结果表明,加入模糊算法的PID控制提高了系统的动态响应特性及运动精度.     

涡扇发动机气路传感器故障诊断

为了实现对某涡扇发动机传感器故障的在线诊断,提出并设计了1种基于在线贯序极端学习机的故障诊断算法。其核心思想是在定位某传感器故障后,在线建立针对该故障传感器"预学习"的信号重构算法,解决多故障混叠问题。在线信号重构算法以泛化能力指标为判定条件,利用选择策略对算法网络权值进行选择性更新,提高了故障诊断系统的实时性。以某型涡扇发动机为对象开展了传感器故障诊断与重构仿真,结果表明:该算法能够对发动机单、双传感器故障进行准确地诊断与信号重构,且具有良好的实时性。     

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。     

基于变论域模糊控制的无刷直流电机转速问题

无刷直流电机(BLDCM)是一种多变量、强耦合、非线性、时变的复杂控制系统。由于其采用传统的PID控制时很难满足需要,所以针对BLDCM精确调速的控制问题,在基于传统PID控制上引入模糊控制设计了模糊PID控制,并在此基础上应用变论域的方法,设计了变论域模糊PID控制器。以BLDCM为模型,通过MATLAB建立其仿真模型。仿真和试验结果表明,采用变论域模糊PID控制的BLDCM与传统控制的BLDCM相比,具有响应速度快、超调小、控制精度高等优点。