基于飞行参数的直升机智能故障诊断系统研究

故障诊断技术可以极大地提高直升机的可靠性和安全性,降低维护成本。目前外场维护过程中故障诊断和维护手段落后,缺少自动化的技术分析飞行参数中隐含的故障信息支持故障诊断,且故障诊断的自学能力较差。而国内直升机故障诊断工作还未形成系统化的故障诊断系统来解决全机各类故障的诊断。针对直升机故障诊断存在的问题,论文通过分析各类故障诊断方法的优劣,提出了基于飞行参数的直升机智能故障诊断系统总体方案,并研究了综合案例推理、故障树和径向基(RBF)神经网络方法解决直升机各类故障的诊断流程。该系统方案有助于提高国内直升机故障诊断水平,为直升机故障诊断系统的深入研究提供了有益的思路。

Klobuchar电离层模型误差分析及预测

电离层延迟误差是全球导航卫星系统(global navigation satellite system,GNSS)中的重要误差源之一。目前在电离层延迟改正模型中,应用最广泛的是Klobuchar参数模型,但是该模型的改正率仅能达到60%左右,无法满足日益增长的精度需求。将国际GNSS监测评估系统(international GNSS monitoring&assessment system,iGMAS)发布的高精度电离层格网数据作为对照,对Klobuchar电离层模型误差进行计算和分析,结果发现在中纬度区域误差存在明显的周期性特征。为进一步提高Klobuchar电离层模型在中纬度区域的改正精度,建立了基于粒子群优化反向传播(back propagation,BP)神经网络的Klobuchar电离层误差预测模型,并以2019年10月的采样数据为例进行误差预测。结果表明,用该模型对中纬度区域电离层延迟提供误差补偿,可将精度提高到90%左右。

基于改进GRNN的电离层VTEC误差模型

为进一步改正电离层延迟,在研究分析Klobuchar模型电离层模型的总电子含量误差时发现其存在着一些周期性规律信息。针对这些误差信息,提出了利用K-折交叉验证方法优化广义回归神经网络(generalized regression neural network,GRNN)径向学习速度,并建立基于Klobuchar模型的总电子含量误差补偿模型,对这些误差信息进行预测和补偿。试验结果表明,优化后的误差模型对不同地区和不同季节下电离层电子含量误差具有较好的预报精度和拟合效果。利用该模型对Klobuchar模型进行误差补偿,可将该模型总电子含量预报误差减小32%-90%,提高了改正精度。