飞参系统在飞机维护中的应用研究

飞参系统是飞行参数记录系统的简称,通常包括机载采集记录系统、地面数据处理系统和地面保障系统,是一种用于监测飞机及其系统工作状态以及飞行员操纵飞机情况的自动测试记录系统(用飞参记录器或飞行数据记录器表示).机上的信号类型一般有模拟量、开关量、数字量、频率/周期量等.飞参记录系统的传感器将非电量信号(如高度、速度、位移、频率等)转换成电信号,经过信号调节器调节,送入采编器,采编器对模拟信号进行采样、量化,并按照一定的帧格式对信号进行编码,使所有的信号以数字量的形式表达,而后将信号存入记录器.记录在记录器内的飞参信息,由数据(转录)卸载器读取,通过数据回放译码设备输入计算机,计算机把原始码还原成物理量,以数据表格、曲线、图形报表和三维仿真等方式显示或打印输出,以便对飞参信息进一步分析.     

一种改进的双重频退速度模糊方法

本文分析了双重复频率退模糊方法的局限性和误差成因,提出了一种统计求解方法进行速度退模糊.此方法同传统方法的差异在于,其首先对Nyquist数进行估计,再进行退模糊处理.理想实验和在中频相参多普勒天气雷达上的实际结果分析均表明,改进的方法具有更好的解速度模糊性能,且具有较高的实效性.     

基于遗传算法和神经网络的调参控制律设计

飞控系统的设计一般采用调参控制器，针对目前广泛使用的调参控制律增益设计，提出了采用遗传算法计算，然后应用神经网络逼近调参曲线的方法，该方法可以克服传统方法中试凑和插值带来的缺点，对工程应用有一定的参考价值。     

等参梯度有限元应用于非线性梯度材料的研究

将等参梯度有限元法应用于非线性功能梯度材料,推导了2种受力情况下指数体积分数变化的功能梯度材料的应力分布解析解。通过不同的单元划分形式,对等参梯度元数值解、均匀单元数值解及解析解三者进行比较分析,得出等参梯度有限元方法对非线性梯度材料同样适用,为等参梯度有限元的推广应用提供了证据。     

扩展分支分析方法在飞行动力学中的应用

将分支分析和突变理论方法扩展后,应用于飞机全包线范围内平衡特性的连续计算和稳定性分析,提出了以扩展分支分析方法为基础的反馈参数连续调参的控制律设计方法。研究结果表明,扩展分支分析方法不仅能获得飞行性能指标,而且可确定非线性飞行动力学系统的稳定特性,是综合进行性能计算、品质分析及控制律设计的一种有效方法。     

多操纵面飞机大包线控制律设计

针对多操纵面布局飞机,提出一种基于Kriging建模技术和鲁棒自增益调参控制器设计技术的大包线飞行控制系统设计方法.通过采用力矩控制形式,使调参控制器的输出为三轴所需力矩系数,从而便于采用力矩控制分配技术来发挥冗余操纵面的潜力,并提高系统鲁棒性;在设计使系统性能指标最优的控制律时,通过建立控制系统性能参数的Kriging近似模型,避免了多次进行耗时的控制器设计,提高了设计效率.     

基于飞参数据的航空发动机叶片故障分析

为查找某型航空发动机第5级转子叶片掉块连续集中爆发,严重影响飞行安全和外场使用故障的原因,从部队使用飞参数据入手,在明确其掉块故障机理的基础上,借助于数理统计开展该故障分析研究。发现长期以来所认为的叶片掉块故障很大程度上与发动机在放气带转速范围停留时间过长有关的结论不成立,该故障与发动机在某一特定转速区间范围的工作时间密切相关。为该型发动机第5级叶片掉块故障的综合治理提供了新思路。     

基于 LSTM的飞控系统状态监控

监测飞控系统状态参数是保证无人机飞行安全的重要手段。针对无人机飞控系统的组成特点和飞行控制律,设计并构建了基于长短期记忆网络(Long Short Term Memory Network,LSTM)的飞控系统状态监控模型。首先,利用无人机历史飞参数据训练模型,建立输入飞参数据与状态参数的回归映射关系;然后,利用训练好的网络模型,实时预测飞控系统的状态参数,通过对比实测值与预测值之间的差异,实现飞控系统的状态监控。选取无人机飞参数据进行实验,基于 LSTM的算法比反向传播神经网络(BPNN)、支持向量机(SVM)预测精度高,MSE平均值分别低 0.01和 0.26,MAE平均值分别低 0.05和 0.12。结果表明,所提出的方法能够有效监控飞控系统,为无人机飞行管理决策提供数据支持。     

基于Smart Core的手持式通用飞参快速卸载器的设计与实现

利用扩展 ISA 用户总线、同步数据预处理、软件自适应接口、通用转换电路接口等技术,实现了手持式通用飞参快速卸载器的小型化、快速化、通用化。采用一点接地、软件抗干扰、综合屏蔽等技术,提高了产品的可靠性和稳定性。     

LPV模型的动态压缩测量辨识算法

在解决线性参变（LPV）模型的辨识问题上,最小二乘算法以结构简单、计算复杂度低等优点被大量使用。但最小二乘算法辨识结果受制于计算精度和模型近似精度,而这两者在同一个系统中是互斥的。因此,该算法的辨识结果与真值总是存在一定的误差。另外,在高阶LPV模型辨识或采样成本高的情况下,一般模型参数要多于辨识数据,而此时最小二乘算法很难得到稳定的辨识结果。本文提出的动态压缩测量辨识（DCMI）算法从两个方面提高在该情况下的系统辨识精度。其一,利用“匀速变化”及“非匀速变化”模型表示参变函数,以提高模型近似精度。其二,利用压缩感知理论的欠采样能力,在同等数据量的情况下提高参数的计算精度、扩大模型的计算规模。仿真结果表明,基于“匀速变化”模型DCMI算法可以准确地辨识出LPV函数,而且该算法在辨识数据不足的情况下仍然能够获得稳定的辨识结果。