基于改进无模型自适应算法的涡扇发动机限制保护控制方法

针对发动机限制保护控制问题,提出了一种基于数据驱动的改进无模型自适应限制保护控制方法。以主回路闭环系统为设计对象,通过在常规无模型自适应控制律的准则函数中增加误差变化率,使超限保护系统具有更快的响应速度,给出了改进后系统的稳定性条件,并采用临界比例度法进行了控制器参数整定。仿真结果表明:在不同工作点,所设计的改进无模型自适应限制保护控制器相比常规无模型自适应限制保护控制器,最大超限平均减小2.97%,响应时间平均缩短2.30s,实现了发动机超限后的迅速回调,保证了发动机系统的安全运行。     

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。     

带旋转修正的弹簧-TFI混合动网格方法

网格存在大变形时,传统的超限插值(TFI)动网格方法易于引起网格正交性问题.依据几何关系并考虑其插值特点,提出了一种带旋转修正的TFI动网格方法.对结构网格块进行分块,在子块角点间建立弹簧元,并基于弹簧类比法计算角点位移;子网格内部结点位移采用修正后的TFI动网格方法进行计算,从而形成具有弹簧-TFI混合特征的动网格新...     

基于灰熵关联分析法的航校飞行员安全绩效指标影响研究

为提高飞行训练过程中飞行员安全绩效水平,有必要研究航校安全绩效指标的影响程度.以航校飞行过程中发生的超限事件为研究对象,基于灰熵关联分析法,建立航校飞行员安全绩效指标优选模型.应用模型分析超限事件对安全绩效影响程度,确定影响飞行员安全绩效指标的主要因素,从而得出航校飞行员安全绩效优先控制指标.     

高高原山地机场下滑结构超限问题分析及解决方案

中国民用航空局将海拔高度在2560m及以上的机场定义为高高原机场。我国目前共有9个高高原机场．这些机场主要分布在中国的西南部和西北部．分别是九寨／黄龙、拉萨／贡嘎、昌都／邦达、林芝／米林、阿里、康定、玉树／巴塘、迪庆／香格里拉和格尔木机场。除林芝及格尔木机场外,     

基于隶属度和LMK-ELM的航空电子部件诊断方法

为提高航空电子部件模块级故障诊断精度，提出一种新的面向"软聚类"的局部多核学习（LMKL）-超限学习机（ELM）离线诊断方法。通过引入模糊C均值聚类对样本空间进行模糊划分，挖掘聚类内部多样性的同时，实现了对过学习的抑制；将模糊划分产生的隶属度信息融入LMKL-ELM的优化过程，运用基于初始-对偶混合优化问题的三步优化策略克服了局部核权重二次非凸的问题，在l₁-范数与l₂-范数约束下分别给出了相应的更新方法。将所提方法应用于某型机前端接收机，结果表明：与4种流行的多核诊断方法相比，该方法可有效避免漏警、抑制虚警，在l₁-范数和l₂-范数约束下，其诊断精度比其他方法的平均值分别提升了4.09%和5.13%。     

某型发动机地面试验台架超限保护防差错研究

针对某型发动机地面台架试验试车过程中出现超限故障,通过设置数采系统超限保护功能、台架/测功机应急燃油切断阀、增加测功机超限保护等方式,提高发动机超限保护功能,保证发动机试车安全,避免发动机工作超限。     

B样条应用于超限插值的网格生成方法

采用B样条曲线曲面生成技术与传统网格生成方法中超限插值技术,并将两者结合起,形成一种计算网格的生成方法.它发挥了两者的优点和长处:能充分反映复杂外形的完全信息,提高对外形的适应程度;可控制切矢的边界条件,提高生成网格的质量.算例表明了上述特点.      

基于多特征尺度特征融合的航空指挥动作识别

视觉辅助引导系统(Visual aided Guide System,VaGS)是未来航空运输必不可少的重要组成部分,可以大大节省地面指挥和引导资源,提高安全性。VaGS的核心技术是识别地面指挥员手势并将其转化为指令。介绍了一种新的高效手势识别体系结构,它主要包括2个部分:(1)采用多尺度浅层结构进行特征学习,将全局身体姿态特征与局部手势特征提这两种尺度特征进行融合;(2)所提取的特征输入到超限学习机(Exteme Learning Machine,ELM)中进行分类,输出指令。实验结果表明,在自建的40个类别的航空指挥动作数据集中,准确率达到98.5%,单帧用时0.13 ms。     

一种基于改进KELM的在线状态预测方法

针对核超限学习机（KELM）在线状态预测过程中,核矩阵阶数不断增长且难以跟踪时变动态特征的问题,提出了一个具有遗忘因子的稀疏KELM在线状态预测方法。通过引入遗忘因子构建新的目标函数,使稀疏字典中各元素依据时间远近具有不同权重,保证了模型对动态变化的有效跟踪;通过最小化字典的快速留一交叉验证（FLOO-CV）误差,选择具有预定规模的关键节点构成字典;基于当前字典,通过矩阵初等变换和分块求逆,实现相关参数的递推更新。某型飞机发动机的状态预测结果表明,与目前已有的3种在线序贯KELM相比,所提方法在6个监测项目上的平均训练时间分别缩短了7.5%、62.0%和81.9%,平均预测精度分别提升了44.0%、19.9%和50.9%。