基于深度学习的辅助动力装置性能参数预测方法研究

针对传统机器学习的辅助动力装置(Auxiliary Power Unit, APU)性能参数预测方法不能充分利用参数数据间的时序性和非线性问题,提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)-长短期记忆(Long Short-Term Memory, LSTM)-注意力(Attention)的APU性能参数预测方法。首先,引入一维CNN,通过预处理的参数数据得到不同属性的抽象特征。然后,使用LSTM神经网络对这些特征进行记忆,并结合可以对特征状态赋予不同权重的Attention机制来实现参数预测。使用某型APU的参数数据预测未来不同步长的排气温度(Exhaust Gas Temperature, EGT)。实验结果表明,对于单步EGT的预测,CNN-LSTM-Attention模型在平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)指标上比CNN-LSTM、LSTM和简单循环神经网络(Simple Recurrent Neural Network, Simple RNN)模型分别降低了15.2%、32.5%、60.3%,在均方根误差(Root Mean Square Error, RMSE)指标上分别降低了7.3%、11.6%、32.9%。同时它在多步EGT的预测中具有较高的预测精度,证明了该方法的有效性,为短期APU性能变化趋势预测提供一定的参考。     

典型特征参数对大转折APU进气道飞行性能影响的数值研究

为了给一种迎风开门式的辅助动力系统（APU）进气系统设计提供参考,采用基于后缘线轮廓及面积变化规律的参数化设计方法,通过对唇边顺滑修型,可以与唇口的锯齿前缘配合形成斜向下的进口段,利用数值模拟研究了进口形状、前缘面曲率和喉道位置这三个特征参数对此类大转折APU进气道性能的影响。计算结果表明：APU进气道损失主要来自于分离损失,进口形状主要影响导流面转折程度和进气道内压力梯度变化,前缘面曲率影响了分离区的尺度和强度,其中,前缘面曲率对出口气动性能影响较大,在设计状态下,适当增大前缘面曲率可使得出口总压恢复系数增大0.81%。在后缘面曲率不变的情况下,通过合理安排进口形状、前缘面曲率和喉道位置,可有效推迟分离的发生,减弱分离区强度。另外,在正攻角和侧滑状态下也表现出相同的趋势。     

一起特殊APU故障分析及总结

针对一起特殊APU故障,在对其涡轮轴断裂损伤进行断口分析和对其他零件损伤情况进行综合分析的基础上,通过推演APU故障过程,确定了造成该台APU故障的原因,提出了APU零件尤其是涡轮轴的保护措施。     

辅助动力装置建模及数值仿真

为辅助APU(auxiliary power unit)的研发,以目前广泛应用的带负载压气机结构APU为研究对象,进行建模分析与研究.首先介绍了APU结构特点与调节规律,然后分析了负载压气机对APU共同工作的影响,最后采用部件法建立了该类型APU数学模型并设计仿真软件.以某型APU为对象,数值仿真与实际试车数据比较,结果表明所采用的建模方法是正确的,计算误差小于5%,所建立的模型能够满足工程需求.      

基于故障树分析法的APU故障诊断研究

故障树分析（FTA）是故障分析和故障诊断中广泛应用的一种方法。结合APU的工作特性,对APU启动困难的原因进行了分析,建立APU启动困难故障树,并对故障树的基本原因事件进行了定性、定量分析,进而提出了排除APU故障的方法,以达到预测与预防故障发生的目的。