基于全过程移动监督技术的感应电机定子绕组温度实时监测系统

随着物联网技术的发展,如何将物联网技术与非侵入式电力设备运行状态监测技术相结合成为当前研究热点之一。为了探索基于物联网技术的电气设备运行状态监测新模式,以感应电机定子绕组温度的非侵入式在线监测为出发点,首先提出了一种基于自适应法和最小二乘法的电机定子绕组温度辨识方法,并结合当前物联网技术的发展,设计了一种基于全过程监督技术的感应电机全寿命周期监督定子温度监测系统。以1台5.5 kW感应电机为例进行试验验证,结果表明该系统具有较强的鲁棒性。所提出的理念和技术可以为其他大型电力设备的状态监测提供重要参考和技术支撑。     

基于在线学习的数控加工刀具寿命动态预测方法

预测刀具寿命对保证零件质量和控制加工成本意义重大,但刀具磨损过程复杂多变,刀具剩余寿命受工况影响难以准确预测。针对以上问题,提出了一种基于在线学习的刀具寿命动态预测方法,以长短时记忆网络为基础模型,融合在线学习模块,使得模型能够在加工过程中自动更新参数,实现变工况下刀具寿命的精确预测。进行了铣削加工试验,结果表明,刀具寿命动态预测方法可以有效提升刀具寿命预测精度。     

基于在线滚动序列核极限学习机的涡轴发动机非线性模型预测控制

针对涡轴发动机控制系统设计,提出了1种基于在线滚动序列核极限学习机的非线性模型预测控制方法。综合考虑直升机旋翼扭矩、燃气涡轮转速、动力涡轮转速、涡轮级间温度和压气机喘振裕度等信息,设计具有较好实时性、精度和泛化能力的多输出在线滚动序列核极限学习机作为预测模型,引入预测模型输出与发动机输出的误差进行反馈校正,利用序列二次规化算法在线求解包含限制约束的预测控制问题。在某型直升机/涡轴发动机综合平台的仿真环境中进行了直升机大幅度机动飞行仿真验证,结果表明:该模型预测控制器相比于传统串级控制具有更好的控制品质,可显著降低动力涡轮转速超调/下垂量。     

基于RBF神经网络的开关磁阻电机在线建模 及其实验验证

 为了获取开关磁阻电机(SRM)的精确模型,提出了一种基于径向基函数(RBF)神经网络对SRM进行建模的方法,主要包括离线建模和在线建模两部分。离线建模通过实验测量得到SRM的磁链特性曲线,并利用该数据训练RBF神经网络,实现SRM磁链的离线建模;在线建模是指当SRM的运行状态发生变化时,离线模型的估计磁链与实际磁链会产生误差,通过对神经网络的输出权值进行在线调节,实现具有在线动态调节功能的SRM在线模型。为了验证该方法的可行性,针对一台12/8结构的SRM样机进行仿真和实验,结果表明SRM的离线模型和在线模型在仿真和实验条件下均能正确地估计SRM的磁链特性,而且在线模型的估计精度高于离线模型,验证了本文的研究方法合理有效。     

同轴离心式喷嘴噪声引发燃烧不稳定分析和预测

以氧化剂和燃料的混合比作为系统控制参数,研究同轴离心式喷嘴燃烧动力学过程。混合比增加和减少过程中,燃烧噪声和振荡燃烧状态间转变的混合比不同,说明系统出现了亚临界Hopf分叉现象,且在双稳定区内出现了燃烧噪声引发的振荡燃烧。利用临界慢化理论,分析3种表征参数:延迟为1自相关系数、方差和条件异方差（CH）对噪声引发不稳定的预警效果。结果表明:延迟为1自相关系数在噪声引发不稳定前出现明显的上升趋势且非随机现象,具有较可靠的指示作用。方差对噪声引发不稳定性的预示性较差。条件异方差在不稳定发生前振荡上升,可以作为辅助判断条件。基于Kendall秩相关系数趋势评估方法,提出一种在线预测噪声引发不稳定的判断准则,具有较好的适应性和可靠性。      

基于滑动时窗策略自适应优化支持向量机的航空发动机性能参数在线预测

针对传统航空发动机性能参数时间序列预测方法存在的不足,提出了基于滑动时窗策略自适应优化支持向量机(Support Vector Machine,SVM)在线预测模型。该方法解决了训练样本动态适应性差的特点和老旧数据信息影响预测模型精度的问题。在该方法中,滑动时窗策略实时更新时窗数据训练样本,最终误差预报准则(Final Prediction Error,FPE)自适应地确定嵌入维数,遗传算法(Genetic Algorithm,GA)则实时自适应优化SVM建模参数。应用航空发动机排气温度偏差值(Delta Exhaust Gas Temperature,DEGT)数据进行实例验证,结果表明基于滑动时窗策略的自适应GA优化的SVM (GASVM)在线预测模型比传统的GASVM预测模型预测精度有显著提高。进一步分析了预测模型不同时窗宽度对短期预测精度的影响,展示了1步～10步预测的效果,结果表明在线预测模型在不同时窗宽度下短中期(5步以内)预测效果良好且稳定。文中提出的在线预测模型可用于航空发动机性能参数的预测,实现对航空发动机未来性能变化的预警。     

SINS辅助的星敏感器在线标定方法

航天器在飞行过程中,星敏感器受到外界温度、地面标定精度等因素影响存在较大的安装误差,这将严重影响星敏感器的定姿精度。为提高星敏感器精度,对其安装误差进行严格的在轨实时标定与修正是确保星敏感器测量精度的关键。提出了一种SINS辅助的在线标定方法,将SINS/星敏感器输出的姿态信息进行配准,构建了组合导航系统的Kalman滤波模型。该方法只需航天器在飞行过程中做简单的机动,即可对星敏感器的安装误差角进行实时在线标定。仿真结果表明,采用该标定方法可使星敏感器和惯导的安装误差角的总体估计率达到95%以上,具有较高的工程应用价值。     

基于Kalman滤波的空天飞行器再入制导算法

针对空天飞行器应用传统数值预测校正再入制导算法实时性不佳的问题,提出一种基于Kalman滤波的预测校正制导算法。该算法采取四阶多项式拟合速度-高度飞行剖面,利用Kalman滤波估计选定的速度点对应的高度,得到满足再入走廊及航程要求的拟合系数。在此基础上,减少一个终端约束,增加一个待估计剖面参数,可实现对再入过程飞行时间的调节。研究发现,再入过程中通过在线辨识修正不确定性参数能够提高制导指令的适应性;飞行末段利用跟踪参考剖面制导可有效避免飞行速度与终端速度接近时发生拟合系数求解发散的问题。多组不同再入条件下的算例仿真结果表明,基于Kalman滤波的空天飞行器再入制导算法实时性好,制导精度高,能够实现飞行时间可控,具有较强的鲁棒性和工程应用潜力。     

在线点到点数据传输优化选择模型及其算法设计

最优点到点数据传输线路不仅依赖于其固有的传输时间,还依赖于数据总量,因为数据规模决定了加工次数和传输次数.本文首先建立了在线点到点数据传输网络选择的优化模型,给出了有向路代表集的概念,然后给出了一个时间复杂性为O（m^2logn）的算法产生有向路代表集.最后对静态和动态点到点数据传输有向路问题进行了研究,并给出了一个时间复杂性为O（m^2logn）的多项式时间的算法.     

抗离群值的鲁棒正则化贯序超限学习机

针对离群值环境下的在线学习问题,提出一种鲁棒正则化贯序超限学习机(Robust regularized online sequential extreme learning machine,RR-OSELM)。RR-OSELM以增量学习新样本的方式实现在线学习,并在学习过程中基于样本的先验误差进行逆向加权计算以降低学习模型对于离群值的敏感性;同时RR-OSELM通过融合使用Tikhonov正则化技术进一步增强了其在实际应用中的稳定性。实验结果表明,RR-OSELM具有较同类算法更好的鲁棒性和实用性,对于离群值环境下的在线建模与预测问题是积极有效的。