基于多模型级联的VSV调节机构装配智能检错方法

在航空发动机可调静子叶片(Variable stator vane,VSV)调节机构的装配过程中,目前仍需要人工检测其连杆防松钢丝的装配正确性,效率低且易出错。为替代人工检错,提出了一种基于多模型级联的智能检错方法。该方法是多个卷积神经网络级联的模型集成,其中包含检测模块、分类模块以及后处理比对检错3个部分。首先在检测模块上提出混合不同尺寸卷积核的深度可分离卷积与轻量化解耦头来对YOLOv5s进行改进,改进的YOLOv5s在测试集上的平均精度达到97.9%,相较于YOLOv5s、YOLOv8s分别提升了3.4%、1.5%。其次在分类模块上使用7×7深度卷积替代全局平均池化以改进ConvNeXt分类头,改进后性能得到提升,在连杆数据集和螺纹数据集上的准确率分别达到97.5%和95.4%。最后在后处理模块对两个分类模型的结果进行匹配,得出装配检测结果。利用现场装配车间采集的图片数据集对该智能检错方法进行验证,结果显示该方法平均精度达到92.7%,进一步验证了智能装配检错方法的可靠性。

基于1DCNN-Resnet-LSTM模型的LEAP发动机可调静子叶片角度预测

可调静子叶片(VSV)是航空发动机压气机气流控制的重要机构,能够扩大压气机稳定工作范围,提高其气动性能。依托飞机快速存取记录器(QAR)中储存的海量LEAP发动机数据,建立一种基于1DCNN-Resnet-LSTM模型对LEAP发动机的VSV角度进行预测的方法。模型的评价结果显示,模拟输出对比实际输出误差小,模拟趋势变化能够很好贴合实际数据,表明使用深度学习算法对VSV角度进行预测进而探索其控制规律具有可行性和显著的优势。

应用支持向量回归机探索发动机VSV调节规律

发动机可调静子叶片(VSV)调节规律极其复杂,通过挖掘快速存取记录装置(QAR)数据对VSV调节规律进行了深入研究。首先,通过PW4077D发动机健康状态的QAR数据,建立基于粒子群优化(PSO)算法的支持向量回归机(SVR)模型,来探索VSV调节规律;然后,利用后续航班数据对PSO-SVR模型进行验证,并将验证结果与传统的PSO-BP神经网络模型进行对比;最后,应用PSO-SVR模型进行发动机故障诊断。研究结果表明:PSOSVR模型的回归预测精度优于PSO-BP神经网络模型,能够准确反映VSV的调节规律。可将其用于发动机的状态监控和故障诊断,亦可为VSV控制系统设计提供参考。

VSV系统对CFM56发动机喘振的影响分析

航空发动机喘振是发动机衰退过程中的常发的故障,而发动机VSV系统的工作状态直接影响发动机的喘振裕度。以CFM56—3发动机的VSV系统为研究对象,讨论其工作机理,分析其对处于衰退期的CFM56—3发动机稳定工作的影响,提出相应的维修注意事项。从而为研究以VSV故障为诱因的喘振提供理论依据,为相关维修提供工程参考。

基于系统工程的压气机调节机构精益研发

通过压气机调节机构调节静子叶片的工作角度,是保证压气机在各种飞行工况下稳定工作的有效措施。但由于调节机构零件数量多,传动链长,配合关系复杂,工作环境恶劣,使得可调叶片实际工作角度与设计预期存在一定偏差。

CFM56-3系列发动机VSV动态校装探讨

起动、加速性慢是老龄的CFM56-3系列发动机的常见故障,本文分析了发动机起动、加速性变差的原因;阐述了VSV动态校装的原理;说明了具体VSV动态校装的操作方法,为航空公司改善CFM56-3发动机起动、加速性从而延长发动机在翼时间提供一种参考方法。