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。     

飞行仿真气动力数据机器学习建模方法

基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法。该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近。首先,分析了神经网络层数、隐含层神经元个数等对建模误差的影响,通过对典型弹道气动数据的神经网络建模计算,确定了较合适的神经网络层数和较优的隐层神经元个数。进而,利用飞行仿真的弹道数据辨识出沿弹道的气动力,采用神经网络建立了包含多个弹道融合的气动力模型,输出量分别为三轴气动力系数和力矩系数。最后通过气动模型输出量与原样本数据的对比,以及4条未参与训练弹道气动数据的预测,验证了该气动力建模方法具有较高的精度。建模结果表明:采用神经网络方法建立的飞行器气动力模型,对拟合多源耦合输入全弹道非线性气动力是可行的和有效的,在样本覆盖的高度、速度、姿态和控制舵偏角范围内,气动力拟合能力较强,并具有一定的外推性。该项研究可以为基于飞行试验数据的气动建模提供新的方法,并且能为飞行器气动力数据挖掘、飞行仿真和总体性能分析提供参考。     

高超声速全机外形气动加热与结构传热快速计算方法

发展了一种无黏流场解与工程计算方法相结合的高超声速全机外形气动加热与结构传热快速计算方法。该计算方法结合了三维块结构网格无黏流场数值计算技术可处理复杂外形流动的优点与工程计算方法效率高的特点,将气动热的计算简化为绕飞行器的无黏外流(边界层以外)数值解和边界层内热流求解两个部分,同时耦合了防热结构传热计算模型、高温化学非平衡热效应估算方法以及弹道状态动态插值方法,可用于快速计算与分析三维复杂外形高超声速飞行器在弹道飞行状态下全机热环境参数、防热结构内温度场等随飞行时间的变化特性。以RAM-CⅡ、类Ⅹ-37B等典型高超声速飞行器为研究对象,在设定的飞行条件及热防护方案下,进行了气动加热与结构传热问题的求解,给出了全机表面热流密度与防热结构材料温度的时变特性。结果对比表明,所发展的方法具有快速、高效的特点,且计算精度可满足工程设计初期选型需求,可为高超声速飞行器的热防护系统初期设计及热环境特性快速计算分析提供技术支持。     

基于纵向滤波的星敏感器低频误差在线估计

多敏感器数据融合是获得更高精度姿态测量的有效方法,敏感器数据融合前必须先修正低频误差。首先,介绍了星敏感器低频误差（LFE）的产生机理及对其在线估计的必要性。其次,针对传统算法的不足,提出了基于纵向滤波的低频误差在线估计算法,该算法将传统低频误差估计问题转化为若干个常值误差估计问题,提高了估计精度。最后,给出了该算法具体实施方式,说明相关参数物理意义及选取原则。通过理论分析及仿真,算法误差可忽略不计。通过在轨数据仿真,星敏感器轨道周期低频误差可被消除。     

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HHT的航空直流串行电弧特征提取方法

由于飞机内部布线空间有限、电弧故障存在发生时间地点随机以及特征不明显等问题,导致检测困难。本文基于航空270 V高压直流（HVDC）系统开展直流串行电弧故障特征提取方法研究,采用希尔伯特黄变换（HHT）提取电弧电流交流分量的时域和频域特征量。选择HHT的固有模态函数IMF5瞬时幅值的峰峰值和标准差作为识别电弧故障的时域特征,与原始信号中提取的时域特征量对比,正常和电弧特征量的区分度更大;选择HHT的固有模态函数IMF1+IMF2、一定频带范围内的瞬时幅值计算得到的谐波功率和作为区分正常和电弧情况的频域特征量。与常用的快速傅里叶变换（FFT）方法相比,HHT三维时频谱能够反映信号的局部特征,HHT方法计算得到的正常和电弧特征量之间的区分度更大,电弧和正常特征量的比值最高可达346。基于HHT的电弧故障特征提取方法能够更好地区分正常和电弧情况,有助于提高电弧故障的检测率,降低虚警率,具有重要的工程应用价值。     

一种提高螺旋桨相同步噪声模型辨识精度的方法

相同步降噪一般先通过一定飞行条件下的实测数据辨识出螺旋桨噪声模型,然后基于噪声模型计算出该条件下的最优相角,再将最优相角用于相同步降噪。在噪声模型辨识的过程中,受飞行速度、高度和气流变化等的影响,实测数据经常会发生较大的波动,从而影响辨识模型和最优相角的准确性。提出一种基于小波滤波和三参数正弦拟合法的最小数据波动的噪声数据选取方法,提高噪声模型的辨识精度,该方法通过小波滤波算法从噪声信号中提取出螺旋桨的叶尖通过频率信号,采用三参数正弦拟合算法合理地选择出波动最小的数据用于噪声模型辨识,从而有效地回避较大波动数据,提高辨识模型的精度。试验结果表明相较于传统使用固定数据辨识所得的噪声模型,使用最小波动数据辨识所得噪声模型能够获得更高的精度,且噪声模型预测的声压级和实际测量的声压级误差小于1dB,模型预测的最优相角与实际最优相角的误差小于5°,最优相角在试验位置点能够实现高达19.5dB的降噪效果。     

无刷直流电机神经网络PI控制系统设计

针对传统PI控制存在的动、静态控制性能较差的缺点,提出一种基于神经网络的PI控制方法。将神经网络与传统PI控制结合,构建神经网络PI控制系统,建立三层BP神经网络,并通过梯度下降法对各项参数进行修正,从而实现kp、ki参数的在线调节。仿真及试验证明,与传统PI控制方法相比,使用神经网络的PI控制系统在不同外部条件下都具有更快的响应速度和更小的超调量,可明显提高系统的动、静态性能。