神经网络在发动机自适应建模中的应用研究

提出了一种新的基于神经网络的发动机自适应实时模型的建模方法。建模的思想是认为发动机的任何非额定工作都将导致其输出参数的变化,因而可以把这些参数偏离正常工作参数值的变化量,也就是输出偏离量,用来表征发动机的非额定工作情况。把它们作为增广的状态变量,设计卡尔曼滤波器对其进行最优估计,然后用这些输出偏离量的估计值,通过由BP神经网络训练出来的可测输出偏离量与未测输出偏离量的映射关系来校正机载发动机模型的计算输出,使之与真实发动机的输出一致,从而使实时机载模型获得对任何发动机非额定工况的自适应能力。      

基于智能复合结构的可靠性分布模式自动识别

 采用Vor onoi 向量对SOM 网络算法进行了改进, 提高了学习收敛速度。通过提取数据的统计特征,建立了可靠性分布模式自动识别样本。提出的智能自动识别模型分两层, 在SOM 网络层对概率分布模式进行自动聚类, 在支持向量机层对各聚类组进行分类学习和识别, 获得识别模型的双层记忆权值。最后采用模型对常用可靠性分布模式进行了自动识别研究。测试结果表明, 建立的可靠性分布模式自动识别模型是可行、有效的。     

基于概率神经网络的发动机故障诊断

 用反向传播神经网络 (BPNN)和概率神经网络 (PNN)对航空发动机若干原型故障进行定性的诊断,并将仿真结果进行了比较。仿真结果表明,当测量参数不包含噪声或噪声较小时,两种网络都具有很高的诊断准确率;当测量参数的噪声较大时,则概率神经网络的诊断准确率远大于反向传播神经网络,显示了概率神经网络较强的诊断鲁棒性。此外,概率神经网络能够充分利用故障先验知识,并考虑代价因子的作用,从而把误诊断可能带来的损失减小到最低程度。     

航空发动机多变量三层神经网络控制

提出了一种发动机多变量神经网络控制方法。采用三层前向神经网络对非线性项进行补偿,神经网络权重自适应律采用在线学习算法。控制系统的设计不需要知道精确模型,适应于全飞行包线。仿真研究表明发动机多变量神经网络控制具有良好的动、静态性能。      

复合BaTiO3对聚氨酯基互穿聚合物网络阻尼性能的影响

分别采用BaTiO_3纳米粉和纤维为填料,以改性的聚氨酯(PU)和不饱和聚酯树脂(UP)制备的互穿聚合物网络(IPNs)为骨架材料,采用在位分散聚合法,制备了均匀性较高BaTiO_3/IPNs复合型阻尼材料,并研究了BaTiO_3形态及复合量对BaTiO_3/IPNs型复合材料阻尼性能的影响。结果表明,复合后材料的阻尼性能,除与无机填料的性质有关,主要受其形态影响,纤维状BaTiO_3对复合体系的阻尼损耗因子(tanδ)极值和阻尼损耗模量(E′)峰面积提升较为明显;BaTiO_3纳米粉的复合量增加到70％(V/V)),E′增加10~2倍,且tanδ曲线肩峰和主转变峰的位置均移向高温区,相应明显拓宽了室温区的阻尼损耗因子值。     

航空发动机自适应神经网络PID控制

本文提出了一种航空发动机多变量自适应神经网络 PID控制方法, 采用基于共轭梯度的神经网络学习算法在线整定控制器参数。该控制器的设计无需知道发动机精确模型, 具有响应速度快、抗干扰能力强和鲁棒性好等优点。控制器不仅算法简单, 实现容易, 而且适用范围广。      

基于RBF神经网络的航空发动机起动模型辨识与仿真

为解决基于气动热力学方程建立发动机起动模型时存在的困难,本文以某型发动机起动调整试验的试车数据为样本,使用径向基函数(RBF)神经网络对在某一大气条件下的发动机起动模型进行了辨识;并使用另外一组试车数据,通过辨识模型对起动过程进行了仿真。结果表明,用RBF神经网络辨识发动机起动模型,具有方法简单、学习速度快、辨识精度较高等优点。     

用相关参数实现参数多步预测的神经网络方法

对相关参数预测的非线性时间序列进行分析,提出了用相关参数实现多参数、多步数预测的神经网络方法,建立了神经网络实时预测模型,并对预测参数进行了综合处理,不仅弥补了预测信息的不足,而且能够使故障状态提前得到多次警报,克服了传统预测方法所遇到的困难,提高了预测模型精度     

矩形拓扑曲线网格上G~1有理插值曲面的构造

就矩形拓扑曲线网格上的Ｇ￣１有理曲面插值问题作了研究,提出了一种在空间矩形拓扑曲线网格上构造有理插值曲面的方法。进而给出了一种曲面内部形状可调而边界连接条件不受影响的有理曲线网格插值方法。此法无需考虑内网点处的扭矢协调问题及求解连续性方程,其最终产生的曲面自然达到Ｇ￣１连续。     

BP神经网络在三次有理B样条曲面近似等距面中的应用研究

利用改进的BP神经网络构造三次有理B样条曲面等距面。训练成功后的神经网络可作为描述自由曲面的模型,利用它能够产生任何需要的点。实际证明,该方法简单、有效。