涡扇发动机早期退化性能的线性变参数估计

针对涡扇发动机线性变参数(Linear parameter varying,LPV)模型,给出了一种新的早期退化航空发动机部件性能LPV滤波器设计方法.该方法采用仿射依赖于参数的二次Lyapunov函数,在仿射二次稳定性的基础上,引入多凸性引理将滤波器求解问题转化为线性矩阵不等式(Linear matrix inequalities,LMI)约束下的凸优化问题,避免了求解参数化线性矩阵不等式(Parameterized linear matrix inequalities,PLMI)约束下的优化问题.针对某型早期退化涡扇发动机的仿真表明,该方法能以较高精度估计性能退化参数,且鲁棒性强,增益调度简单,具有一定的工程意义.      

密集编队中飞机发动机的疲劳损伤差异

选取典型密集编队飞行任务,利用实测飞行数据,研究了在飞行动作几乎完全相同的条件下飞机发动机疲劳损伤的差异.经过二次雨流法统计循环次数和线性累积损伤理论折合到标准循环,得出了密集编队中长、僚机因位置不同而造成的发动机疲劳损伤的差异及其统计规律,发现疲劳损伤差异分布为威布尔分布,单机差异一般为2～4倍,最大可以达到9～10倍.进一步揭示了发动机疲劳载荷/损伤的分散性和单机疲劳寿命监控的必要性.      

民用大涵道比涡扇发动机压气机叶片重量估算方法

针对民用大涵道比涡扇发动机的设计特点,基于部件一维气动设计结果,分别建立高压压气机叶片(增压级、中压压气机叶片重量估算模型与高压压气机叶片相同)、风扇叶片重量估算模型:通过简化高压压气机叶片结构,采用等效厚度、气动修正因子等方法,建立了基于统计分析法的高压压气机叶片重量估算模型;通过分段简化风扇叶片结构,采用弦长、最大厚度拟合规律及分段求解体积等方法,建立了基于统计分析法的风扇叶片重量估算模型。     

结合不确定度的发动机模型辨识气路诊断

针对航空发动机气路诊断中测量参数个数小于待诊断参数个数的不适定问题,利用了发动机平衡技术,结合非线性的发动机数学模型,并综合考虑了测量参数的不确定度和理论模型部件性能的不确定度,建立了一种结合不确定度的发动机气路故障诊断辨识算法——变分加权最小二乘法,并将该算法应用于某发动机的诊断分析中.结果表明:运用该方法可分析出测量数据和模型计算数据之间的差别,同时,利用所得的故障参数修正量修正原发动机数学模型,使模型计算推力与试验测量推力最大偏差由8.25%减小到1.66%,耗油率最大偏差由6.25%减小到1.50%.      

剪切层与边界层组合流动的线性不稳定性分析

对不可压缩剪切层与边界层的组合流动完成了线性稳定性研究.组合流动的数学模型为Blasius边界层相似解与双曲正切函数的叠加,采用整体数值方法求解组合流动的稳定性方程,并验证了程序的准确性及网格无关性.研究给出组合流动的不稳定模态的辨识,即边界层模态和剪切层模态.在此基础上研究了剪切层对边界层模态不稳定性的影响以及壁面对剪切层模态的影响.由于剪切层的存在,使边界层模态中性曲线向左上方平移,临界雷诺数减小.此外,边界层模态不稳定性得到增强或抑制的影响,取决于扰动频率以及剪切层速度比的变化.组合流动中壁面边界层促使剪切层不稳定性减弱,主要表现在低频区域;而在高频区域,剪切层不稳定性几乎不受壁面边界层的影响.      

一种基于历史标校数据的移相值预测方法

地面测控设备在执行测控任务前,需要对和差接收通道的相位差进行标校(简称校相),以满足测角分系统的目标自跟踪要求.针对因标校设备故障而无法进行校相的问题,通过使用数理统计的多元回归分析方法,对积累的历史标校数据进行分析,确定了设备工作的环境温度对跟踪接收机移相值有显著影响.在此基础上,利用滑动窗口多项式拟合方法得到拟合移相值,并与最近一次的标校移相值进行时变加权,可以得到基于历史标校数据的移相值预测方法.仿真试验表明该方法具有较好的预测精度,可将预测移相值作为跟踪接收机参数,提高测控设备应急测控能力.     

基于约束预测控制的飞行失控包线保护研究

风切变等大气扰动现象严重威胁飞机起降飞行安全。在受到随机风切变干扰下,离线设计的最优控制器无法保证飞行状态始终处在正常包线内。在大型民机线性变参数模型的基础上,从预防飞行失控的角度研究风切变下飞机进场着陆的预测控制方法。将飞行失控包线量化为状态约束,在此基础上设计在线模型预测控制器。仿真结果表明,利用预测控制的滚动优化策略,可使飞机在进场下滑阶段遭遇风切变时进行良好的下滑道捕获和跟踪,且将飞机状态始终约束在安全包线内。     

基于簇特征加权的航空发动机状态监视方法

提出了基于簇特征加权模糊C-均值聚类算法(FWFCM)的航空发动机状态监视模型,该模型主要分为离线学习和在线监视两个部分,离线学习模块计算出模型参数输出到在线监视模块,在线监视模块根据模型参数对实时数据进行分类,实时数据又输入到离线学习模块中参与更新模型参数.结果表明:相比基于数据加权策略的模糊聚类算法(DWFCM)以及经典模糊C-均值聚类算法(FCM),该方法平均离线状态识别率和在线状态识别率分别提高了5.233%和8.358%.实验证明此方法性能好且有很好的鲁棒性和泛化能力,对于不确定性的航空发动机在线状态监视有较好的应用价值.      

基于广义回归神经网络的传感器故障检测

为了研究航空发动机试验中精确数学模型未知的多传感器故障诊断问题,采用基于广义回归神经网络(General Regression Neural Network,GRNN)组的故障检测方法,提炼出传感器之间的约束关系和故障规律,构建了一组多输入多输出GRNN,用于估计传感器输出,与测量值生成残差,通过与门限值比较判断可疑传感器,找到神经网络组中的具有最小可疑传感器数的GRNN。采用可疑传感器的估计信号做为重构信号交叉验证其它GRNN。通过验证即可确定可疑传感器为最终故障传感器。为了控制神经网络的回归精度,将多输入多输出神经网络分解为多个多输入单输出网络。通过仿真数据验证了该方法用于传感器故障检测的可行性。     

综合时序信息的试验优化设计及稀疏求解

考虑不同试验点的试验成本及试验时序信息,在性能指标与影响因素间的响应模型未知情况下,利用装备系统的先验信息构造模型驱动的基函数,构造相应的回归模型来刻画系统的内在关系,分析不同试验点成本及试验时序对试验方案的影响。定义了一种考虑空间权重及批序贯时序的非均匀最优设计模型,将稀疏理论引入到回归试验设计中,把不同批次试验下的回归试验设计模型参数估计问题转换为结构化稀疏重构问题,讨论了非均匀最优设计的构造定理,提出结构化稀疏参数求解算法。算例表明:利用本方法生成的试验点考虑了试验点空间权重和试验时序信息,更符合实际试验规程;采用本方法获得的响应函数得到的期望预测误差更小。