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.     

航空发动机的智能神经网络自适应控制研究

针对结构复杂、模型不确定、强非线性的航空发动机对象,提出一种综合模糊推理、神经网络自适应和PID简单控制各自优点的控制方案.在改进模糊PID控制器的基础上,进行了新型智能型神经网络控制器的设计,并提出离线混沌蚁群优化与在线误差反传调整相结合的优化方法.应用具有良好泛化能力的最小二乘支持向量机进行系统辨识,对某型航空发动机进行了设计点处的线性和非线性模型控制仿真.结果表明:控制系统具有满意的动、静态性能和较好的鲁棒性,验证了该方案的可行性和有效性.      

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.      

智能机床的误差补偿技术

误差补偿技术是智能机床精度提高与保持的关键技术之一.分析了国内外机床误差补偿技术研究现状,提出智能机床误差补偿技术总框架;总结了智能机床误差源、误差元素、几何与热误差的误差元素模型及建模方法,以及典型的误差补偿方法;研究了力误差补偿技术、基于零件在线测量的误差综合补偿技术;最后,对未来智能机床误差补偿技术的发展重点进行展望.     

面向空间应用高可靠图像数传设备的设计与实现

针对空间高速图像数传任务需求, 设计并实现了一种采用SpaceWire总线传输协议的高速图像数传设备. 该设备的硬件以FPGA为控制核心, 完成对SpaceWire协议芯片的初始化配置、收发数据包处理、中断和异常状态处理等操作. 重点阐述了FPGA的可靠性设计, 包括状态机设计、异步时钟域设计和数据包传输与链路错误的恢复设计. 测试表明该设备能够稳定可靠地实现140 Mbit/s的图像数据传输, 对于链路的突发错误在一定时间内具有错误数据恢复能力, 能够有效保证传输数据的正确性和稳定性.      

光学坐标测量机的搭建与实现CSCD

为了高速高精高效地完成中小型复杂型面零件的测量,基于激光位移传感器和三坐标测量机等搭建了非接触式的光学坐标测量机,从而将测量机和光学测头的优点结合起来以应对空间自由曲面的测量任务。通过测头标定技术获得测量光束所在直线的单位方向向量,进而将激光测头的一维距离值转化为测量光斑的三维坐标值,然后通过坐标系转换将此坐标值转化到统一的测量机坐标系下,进而完成被测曲面三维点云的创建。最后,对一个直径已知的球在10个不同方位进行测量,通过点云数据拟合球面方程得到其直径作为测量结果,所得各次测量结果的误差均小于0.05mm,充分说明所搭建的测量系统的有效性。