航空发动机的智能神经网络自适应控制研究

针对结构复杂、模型不确定、强非线性的航空发动机对象,提出一种综合模糊推理、神经网络自适应和PID简单控制各自优点的控制方案.在改进模糊PID控制器的基础上,进行了新型智能型神经网络控制器的设计,并提出离线混沌蚁群优化与在线误差反传调整相结合的优化方法.应用具有良好泛化能力的最小二乘支持向量机进行系统辨识,对某型航空发动机进行了设计点处的线性和非线性模型控制仿真.结果表明:控制系统具有满意的动、静态性能和较好的鲁棒性,验证了该方案的可行性和有效性.      

基于模糊语言变量的航空项目研制风险决策分析

分析了航空项目研制风险中一系列影响技术风险的相关因素.针对其风险决策过程中的不确定性,提出了基于模糊语言变量的评价决策分析方法.通过模糊风险语言术语集的建立,由决策者对研制方案给出模糊语言判断矩阵,使用EOWA算子进行集结,并求得方案中技术风险的语言标度,对方案进行择优排序,提高了航空项目研制风险决策的准确性和可操作性,对最终的风险管理具有重要意义.     

航空发动机数控系统多故障识别

提出了一种基于模糊逻辑的航空发动机数控系统多故障的识别方法.首先采用Takagi-Sugeno(T-S)模糊模型描述一种涡喷发动机数控系统的非线性模型,然后应用全解耦奇偶方程进行多故障的检测和隔离,并结合卡尔曼滤波器识别出传感器和执行器故障参数.仿真结果表明,针对传感器和执行器同时发生故障的情况,此方法能有效检测故障,并能准确识别出故障参数.      

机动目标拦截末制导状态估计器的误差特性

 针对大机动目标拦截问题,分析了末制导阶段目标机动条件下状态估计器的误差特性。首先将目标机动输入未知时的状态估计器模型表示为一随机线性混合系统,当混合系统的模式跳变事件满足可观测性条件时,模式决策过程可等效为真实模式的延迟;随后推导了模式决策延迟条件下估计误差的动态方程与传递函数,并得到了一定误差要求下模式决策延迟的上界与目标机动模式逗留时间的下界;最后通过空空导弹拦截高速战机的典型实例验证了该理论分析的正确性。研究结果为设计此类线性混合系统估计器提供了理论依据。     

基于证据理论的航空发动机早期故障诊断方法

在分析航空发动机早期故障特点和数据融合的基础上,将证据理论应用于发动机故障征兆级别的数据融合中,提出了构造基本信任指派函数的方法,从而得到了更准确的早期故障征兆.在此基础上,应用模糊聚类分析方法,依据最大隶属度原则得到发动机早期故障源.该方法考虑了发动机早期故障征兆不明确、不精确、不肯定等特点,应用模糊测度来表示征兆,更符合发动机早期故障的实际情况.      

实时精确跟踪瞄准中振动抑制的研究

分析了卫星平台振动,建立了实时精确跟踪瞄准系统的数学模型.采用基于模糊规则的免疫PID控制器,包括决定应答速度的激活环节和决定稳定效果的抑制环节,抑制环节由模糊规则来逼近,通过遗传算法的寻优特性对控制器的参数进行设定,协调控制偏转镜的位置,从而改变视轴方向.最后,对系统扰动抑制性能进行仿真,仿真结果表明该控制律有效地实现了视轴的方向调整,并且提高了系统的动态响应品质.      

基于模糊相似比例与综合评判的发动机可靠性分配

为了在可靠性指标分配时能充分利用相似旧机型已有的可靠性信息,提出在航空发动机初期设计的可靠性分配阶段采用模糊相似比例与模糊综合评判相结合的可靠性指标分配方法.该方法既能充分利用相似旧机型的可靠性数据,同时又能通过模糊综合评判,对基于相似旧机型的可靠性比例分配结果进行修正,实现了在可靠性分配阶段确定性信息和不确定信息的互补,进一步优化了可靠性分配结果.      

基于Bayes理论的航空发动机涡轮叶片维修决策

为了更可靠、更经济地实施航空发动机涡轮叶片维修决策,对Bayes统计推断理论在维修中的应用进行了探索。通过仿真试验,对比分析了维修人员在常规情况下根据维修经验和通过采样对叶片维修策略的选择。试验结果表明,基于Bayes统计推断理论的方法,对于航空公司决策者或维修人员进行维修决策是可行的和方便的。     

民用飞机试飞阶段人为因素适航审定技术研究

随着飞机各系统可靠性的不断提高,人为失误逐渐成为系统失效或造成飞行事故的主要因素,已成为设计及适航审定部门关注的重难点问题.当前国内外对于如何验证人为因素是否满足相关适航条款的要求仍处于理论探索阶段.针对上述问题,基于CCAR-25部条款分析试飞阶段民用飞机人为因素适航审定过程,包括基于SHELL模型及T.E.S.T矩阵的人为因素审定条款筛选,基于MOC5&MOC6的试验机符合性验证方法,并基于模糊评判方法给出数据分析实例.本文提出的人为因素适航审定思路及验证方法具有一定创新性,已在试飞阶段ARJ21-700飞机上初步应用,可为后续C919等民用飞机人为因素设计和适航审定提供技术支持和方法保证.     

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.