自适应变结构神经网络在航空发动机故障诊断上的应用

根据样本空间的内积特性，提出一种无需迭代学习的自适应变结构神经网络。它的特点是学习速度快，准确性高，且能根据出现的新样本，随时改变结构。在对某型航空发动机故障诊断中，比原软件包采用的方法在准确性方面有显著提高，而且维护工作量减少，并具有实时处理能力，因此有着良好的推广应用前景。

基于时滞补偿器的航空发动机最优滑模预测控制

针对航空发动机控制系统中存在的时滞(即延迟)问题,提出了基于时滞补偿器的滑模最优预测控制。定义特殊线性变换,将原发动机中含状态量和控制量时滞环节的控制系统化为无时滞系统;在新的坐标系下采用时滞补偿器以最小修正误差建立最优二次型指标,求出最优的滑模预测控制量并进行亍系统仿真。结果表明:该方法能够很好地补偿航空发动机控制系统中时滞环节带来的影响,对系统进行提前控制,系统响应速度较快,整体效果达到预想目标。

采用内积原理建立航空发动机神经网络辨识模型

根据样本空间的内积特性，提出一种无需迭代学习内积神经网络。以某型航空发动机的机载记录数据为例，对发动机进行了建模，结果表明该方法具有自学习速度快、抗干扰能力强、准确性高的特点。

一种改进的变结构控制律

本文在研究变结构控制中常用到的非线性控制律的基础上，提出了一种变结构控制律，并将它用于文献〔７〕潜艇深度控制系统的仿真研究中。结果表明，使用该控制律使控制系统的调节时间缩短，并且在滑动模态上的抖动明显减小。

改进的航空发动机内积神经网络辨识模型

根据样本空间的内积特性，在输入样本中引入快变参数的导数项，提出了一种无需迭代学习的内积神经网络。以某型航空发动机的机载记录数据为例，对发动机进行了建模，计算表明该模型自学习速度快，计算简便，抗干扰能力强，且精度较高。

航空发动机标准信号的存储与恢复

研究了航空发动机机载系统标准信号的存储和恢复问题，提出了用信号的功率谱密度代替存储时域信号的思路，并用信号的一个采样值和其功率谱密度恢复了整个信号。从计算结果看，该方法可以有效地压缩机载设备的数据存储空间，并且恢复的信号质量较高。

基于改进LS-SVM的航空发动机传感器故障诊断与自适应重构控制

提出了一种基于改进LS-SVM的航空发动机传感器故障诊断与自适应重构控制方法.该方法通过给误差变量赋予不同权值因子提高LS-SVM的鲁棒性,采用修剪算法提高LS-SVM的稀疏性;该方法从某涡扇发动机输入输出空间中建立其正常模型,采用阈值判别法对传感器故障进行实时监视与诊断,并用模型输出值代替故障传感器测量值反馈回闭环控制系统,实现对发动机的自适应重构控制.仿真结果表明,该方法能及时准确地定位故障,并进行有效的自适应重构控制.

基于核函数主元分析的航空发动机故障检测方法

航空发动机性能由正常到异常、再由异常发展到完全故障的阶段,其参数变化具有一定非线性特征。为了有效检测这种具有非线性特征的故障,提出一种基于核函数主元分析(KPCA)的非线性故障检测方法。该方法通过核函数完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间,在特征空间中使用线性主元分析(PCA)方法计算主元,构造T2和SPE统计量检测故障的发生。通过对某型涡扇发动机进行实例验证分析,结果表明,KPCA方法一方面克服了综合参数法由于没有确定的警戒值而无法有效地进行故障检测的不足;另一方面KPCA方法在非线性故障检测过程中能够提取重要的非线性特征信息,因而比PCA方法能更早地检测到早期潜在故障,且KPCA方法检测错误率更低。因此,KPCA方法更适合于具有非线性特征的航空发动机故障检测。

改进的直接转矩控制在异步电动机中的应用

该文提出了一种改进的直接转矩控制方案并应用于异步电机控制系统中。其不仅结构简单,而且性能可与传统的磁场定向控制相媲美。一个简单的转矩控制器代替传统的三态磁滞比较器用来保持恒定的开关频率,一个稳态工作的简单补偿器用于补偿电压模型中定子磁链估计的数值和相位误差。试验和仿真结果表明,该文提出的补偿方案取得了良好的控制效果,其在保持直接转矩控制的传动结构更为简单的同时,还大大提高了整个控制系统的性能。

基于改进粒子群算法的航空发动机状态变量建模

为了克服现有航空发动机状态变量建模过程中的不足,采用了一种改进粒子群算法建立航空发动机状态变量模型。首先改进了粒子群算法,提出一种每个粒子根据自身适应值动态调整其惯性系数方法来平衡搜索性能;对群体最优位置进行实时的代内更新以提高搜索速度;为避免陷入局部最优,在最优个体附近进行随机搜索。其次利用该算法建立航空发动机状态变量模型,根据航空发动机在稳态点处的线性化模型应与在该同一稳态工作点处的非线性模型响应一致的原则构造适应值函数,仿真结果表明所建立的状态变量模型不论是稳态过程还是动态过程都与非线性模型响应基本一致,建模精度较高,建立过程简便。

核函数主元分析及其在故障特征提取中的应用

提出了基于核函数主元分析的故障特征提取方法。该方法利用计算原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析,得到原始特征的非线性主元,以所选的非线性主元作为特征子空间,并应用转子试验台的故障数据对该方法进行了检验。结果表明,核函数主元分析更适于提取故障信号的非线性特征,它提取的故障特征对故障具有更好的识别能力,并对分类器具有较强的鲁棒性。

基于支持向量机方法的发动机性能趋势预测

为了提高对航空发动机性能趋势预测的精度,提出利用支持向量机方法来预测表征发动机整体性能的参数—性能综合指数。建立了基于支持向量回归的一步及多步预测模型,利用该模型对性能正常衰退及性能异常发动机的综合指数分别进行预测,并与自回归(AR)模型的预测值进行比较。结果表明,基于支持向量机的预测模型比AR模型的预测精度更高,其四步预测精度由80·56%提高到88·51%。因此该模型尤其适合中、长期预测。

基于粗糙集理论的航空发动机性能综合评判

综合评判在航空发动机性能定量、定性评价分析以及性能预测中发挥着重要的作用。针对综合评判发动机性能时,各参数的权重系数难于确定,本文提出应用粗糙集理论,对原始发动机数据进行挖掘,利用其求得各项参评发动机性能因素的属性重要度,并进行权值化处理作为其权重系数。通过对某型涡扇发动机进行监控,结果表明所提方法有效克服了传统定权方法的主观性,使得评价结果更具客观性,提高了综合评判的准确性、有效性。

航空发动机多模型预测滑模控制

针对航空发动机是一个不确定性的强非线性系统,借鉴多模型方法和预测控制思想,提出了航空发动机多模型预测滑模控制。对航空发动机飞行包线进行划分,建立了航空发动机状态空间多模型;对每个模型分别设计了预测滑模控制器,以滑模轨迹为预测模型,进行滚动优化、反馈校正求取控制量,并根据前几时刻与发动机的匹配程度选择当前时刻的控制器;推导出了其稳定性的条件。仿真结果表明,所设计的控制器控制效果令人满意,能有效抑制参数摄动和干扰的影响。

航空发动机分布式控制系统不确定性鲁棒H_∞容错控制

为减小不确定性对航空发动机分布式控制系统性能的影响,针对具有参数摄动、不确定时延、执行机构动态故障、外部噪声干扰四种不确定性的航空发动机分布式控制系统,提出了一种基于鲁棒H∞理论的容错控制方法。首先对系统不确定性进行数学描述,将不确定时延视为服从齐次Markov链分布的随机变量,将执行机构故障等效为存在均值和方差约束的随机变量,并在此基础上建立整个闭环系统的增广模型;其次证明了该增广模型保持均方渐进稳定且具备H∞性能的充分条件;最后利用线性矩阵不等式(LMI)理论给出闭环系统鲁棒H∞容错控制器的设计方法。仿真结果表明该方法能够保证控制系统均方渐进稳定,并对以上四种不确定因素具有鲁棒性,同时对于飞行包线其他各点具有较好的动态响应。

粗糙核主元分析方法及其在故障特征提取中的应用

将粗糙集理论的属性约简与核主元分析方法结合起来,提出一种基于粗糙核主元分析的故障特征提取方法。该方法首先采用粗糙集理论的属性约简删除与分类无关或关系不大的特征,降低输入特征维数,排除干扰特征的影响,减小了特征提取计算量;然后再采用核主元分析方法进一步提取非线性特征;最后将该方法应用于轴承故障特征提取及故障识别中。应用结果表明,所提出的粗糙核主元分析方法(RKPCA)与传统的KPCA、PCA方法相比,使整个样本集的可分性变大,提高了分类正确率;同时还有效地降低了输入特征维数,提高了分类效率;并且对分类器具有较强的适应性和鲁棒性。

基于支持向量机的组合分类方法及应用

为了解决采用神经网络、决策树作为弱分类器的AdaBoost组合分类存在的不足,进一步改善组合分类效果,提出采用支持向量机(SVM)作为弱分类器的一种新的组合分类诊断方法——AdaBoost-SVM。该方法没有采用一个固定的SVM的核参数,而是自适应调整SVM中的核参数,从而得到一组有效的SVM弱分类器。通过对基准数据库的测试及航空发动机故障样本的诊断,结果表明,所提AdaBoost-SVM方法较好地解决了现有的Ada-Boost组合分类方法中存在的弱分类器本身参数选取困难问题及训练轮数的合理选取问题,并具有更好的泛化性能,更适合对分散程度较大、聚类性较差的航空发动机故障样本进行分类。

涡扇发动机燃油综合控制半实物仿真试验系统

建立了某涡扇发动机气动热力学模型和该型发动机综合电子调节器、主燃油泵调节器的实验室工作环境。发动机数学模型运行在计算机上,通过VXI总线技术,将其与控制器和执行机构实物连接,组建了某涡扇发动机燃油综合控制半实物仿真试验系统。对该半实物仿真试验系统进行试验,结果表明:该半实物仿真试验系统能有效地对该型发动机燃油进行静态和动态控制,为开展发动机的全权限数字电子控制(FADEC)系统研究和先进控制理论在发动机控制中的应用研究奠定了试验基础。

基于稳定约束的自适应随机共振转子故障检测方法

为解决应用传统遗传算法优化的随机共振(Stochastic resonance,SR)方法易出现的计算发散问题,提出一种基于稳定约束的自适应随机共振方法。对求解随机共振的Langevin方程进行了稳定性分析,得到了考虑输入信号的条件下,使系统输出稳定的频率压缩比R的约束公式。将该稳定性条件应用于遗传算法参数的寻优过程,将原来的无约束最优化问题转化为有约束最优化问题。将改进后的自适应随机共振方法应用于转子早期碰摩故障检测,分析结果表明,该方法确保了系统输出的稳定性,寻优过程中的频率压缩比R的取值均在约束值以下,避免了计算发散现象,实现了在强噪声条件下对微弱故障信号的提取。

拉杆转子装配振动检测分形研究

针对单个螺栓预紧变化对篦齿盘振型无影响、通过统计分析振动响应信号时频域特征亦不能有效判断拉杆转子装配状态问题,提出利用分形理论分析拉杆转子装配振动检测信号新方法。通过拉杆转子装配振动检测试验获取振动响应信号,运用分形理论分析试验结果,分别计算三种螺栓预紧状态下矩形盒维数及多重分形谱参数,利用多重分形谱参数为支持向量机特征向量对拉杆转子装配状态进行模式识别。结果表明,拉杆转子螺栓松动时,振动响应信号的盒维数会相应增加,盒维数大于1.25时转子装配不合格。结合支持向量机用多重分形谱参数预测装配状态分类结果正确率达93.700 8%。