直升机垂直飞行状态气动参数辨识方法研究

准确计算直升机的悬停升限依赖于诸如桨尖损失系数,非均匀旋翼诱导速度分布,旋翼下洗引起的直升机增重效应及发动机与旋翼之间的功率传递系数等气动参数的准确度。然而,由于复杂的旋翼空气动力现象,准确预估以上气动参数有较大难度。本文提出了一种确定直升机垂直飞行状态上述气动参数的方法,该方法通过建立直升机垂直飞行状态的运动方程,实测直升机垂直飞行时的相关信息,采用参数辨识的方法得到直升机垂直飞行时的气动参数,然后,利用辨识结果确定直升机的悬停升限。结果表明该方法能有效地确定直升机垂直飞行时的气动参数及相应的悬停升限,且具有飞行试验简便,不受直升机装载和外界环境条件变化限制的特点。     

前向神经网络快速学习算法在发动机模型辨识中的应用

介绍一种采用前向神经网络辨识发动机非线性模型的快速学习方法,与现有同类方法相比,该方法采用矩阵的QR分解求解线性方程组,解决了维数过高的矩阵直接求逆带来的解失真问题,并把这种方法应用于航空发动机的非线性模型辨识。算例仿真验证了算法的可行性。      

基于灰色聚类的磨粒自动识别

 将灰色系统理论中的聚类分析技术用于磨损颗粒的自动识别, 编制了相应的计算机模拟程序。在对磨粒图象的形态特征参数进行敏感性分析的基础上, 确定了各参数的灰类白化权函数, 并结合磨粒识别的试验研究, 给出了磨粒各特征参数的聚类权值。应用此方法对一组标准磨粒进行了模拟识别, 识别正确率在90% 以上, 并且识别速度很快, 大大优于传统的磨粒识别方法。     

支持向量机在航空发动机起动模型辨识中的应用研究

支持向量机（SVM）可以优化网络,有效降低模型复杂性,不存在维数灾难和局部极小问题。本文以某型发动机起动调整试验的试车数据为样本,使用SVM对某一大气条件下的发动机起动模型进行了辨识,并使用另外一组试车数据．通过辨识模型对起动过程进行了仿真;最后,比较了SVM和RBF神经网络起动模型的辨识精度。结果表明,用SVM辨识发动机起动过程模型,方法简单,学习速度快,辨识精度较高。     

自适应PID控制系统仿真

针对常规PID控制器不能满足非线性、时变系统的控制要求的问题,本文将自适应控制思想与PID控制器相结合,合成一种自适应PID控制解决方案,并设计了一个自适应PID控制器。该方案运用专家控制策略,自动整定PID参数。仿真结论表明,在系统参数不确定或者发生变化时,该控制器的控制效果明显优于常规PID控制器。     

利用大迎角试飞数据辨识飞机气动导数

基于用局部线化代替非线性概念．探索了利用大迎角飞行试验数据辨识飞机空气动力参数问题。在准定常假设条件下，提出了迎角分割算法和时间分割算法，针对歼教七飞机的失速飞行试验数据，用最小二乘回归方法和最大似然法验证了上述大迎角参数辨识的思想，取得了较好的结果，为进一步开展大迎角参数辨识技术的工程应用奠定了基础。     

飞行员抗荷系统动态特性数学模型

研究建立了飞行员抗荷系统动态模型,包括过载—眼动脉血压子模型、人体正加压呼吸子模型、抗荷阀—抗荷服子模型、面罩子模型、后倾座椅子模型、抗荷动作子模型、抗荷服压力—主动脉输出压子模型等部分。该模型可计算不同过载谱、不同抗荷装备条件下的飞行员过载耐限和耐受时间。研究结果表明,在GOR、ROR、SACM等不同过载谱条件下人体过载耐限值的计算结果与实验数据符合良好。     

运行模态分析的频域空间域分解法及其应用

提出了一种基于频域空间域分解(Frequency and Spatial Domain Decomposition, FSDD)的运行模态分析方法。该法将同时具有输入和输出的试验模态分析的经典方法——复模态指示因子(Complex Mode Indicator Function, CMIF)法拓展到了仅有输出响应的运行状态模态分析。FSDD法采用奇异值分解将信号空间和噪声空间分离开来,把奇异值曲线作为模态指示的依据,以奇异值向量作为加权函数得到每一阶模态的增强功率谱(Power Spectrum Density, PSD),进而在频域内对增强PSD曲线进行最小二乘拟合以得到准确的模态频率和阻尼参数。采用了一个二层楼仿真算例和在欧洲广为人知的瑞士Z24公路大桥实测算例来验证FSDD算法。     

基于粗糙集与RBF神经网络的雷达辐射源信号识别研究

针对新体制、新用途雷达辐射源信号难以识别的特点,用粗糙集理论对雷达辐射源信号进行离散化、属性约简、规则提取,达到分类的目的。用粗糙K-均值聚类方法计算径向基神经网络（RBFNN）的聚类中心,然后用粗糙集理论约简得到的规则构建径向基神经网络对未知雷达辐射源信号进行识别。仿真结果表明,这种基于粗糙集与RBF神经网络的识别模型减少了识别冗余特征、简化了神经网络结构,能有效地识别雷达辐射源信号。     

发动机转子系统早期故障智能诊断

在对飞机发动机转子系统早期故障特点进行分析的基础上,针对其故障诊断中存在的故障样本不足和早期微弱故障不易识别的问题,提出将随机共振、小波包分析与支持向量机相结合的发动机转子系统早期故障诊断与智能自愈监控方法。该方法首先利用随机共振原理对早期微弱故障信号进行特征细化,使故障特征放大;然后利用小波包多分辨率分析特性进行故障特征提取;再将提取的特征向量输入由支持向量机构造的分类器中进行故障识别,并利用智能自愈方法对故障进行监控。对智能诊断系统结构、故障特征提取方法、多故障分类器构造、故障自愈监控等进行了分析和研究。结果表明,该方法在故障样本不足情况下,能有效识别发动机转子系统的早期故障,且算法简单、故障分类识别效果好,并能对故障进行自愈监控。