飞机机电系统关键部件性能趋势分析方法

作者： 崔建国   徐昕明   于明月   蒋丽英   来源： 机械设计与制造 年份： 2021 文献类型 ： 期刊 关键词： 性能趋势   组合预测   飞机发电机   多项式趋势预测   ARMA  

描述： 飞机发电机作为飞机机电系统的关键部件之一,为飞机提供主要的电力来源,其运行状态在飞机的使用过程中至关重要。为改善和提升飞机发电机的性能变化趋势的预测精度,更好实现对飞机发电机性能变化的趋势分析,以某型真实飞机发电机为研究对象,提出一种由多项式趋势预测模型和ARMA模型相结合的组合预测方法来对该型飞机发电机进行性能趋势分析。首先,在专业试验平台上对该型飞机发电机进行了长期大量试验,获取了大量性能表征信息。在此基础上,将多项式趋势预测模型和ARMA模型进行组合,综合运用多项式趋势预测模型良好的趋势拟合能力和ARMA的时间序列分析功能,对该型飞机发电机进行性能趋势分析。试验验证结果表明,这种组合预测方法优于传统单一模型的预测方法,具有很高的预测精度,能够更好地实现对飞机发电机的性能趋势分析效能,具有较高的工程应用价值。

飞机机电系统关键部件性能趋势分析方法

作者： 崔建国   徐昕明   于明月   蒋丽英   来源： 机械设计与制造 年份： 2021 文献类型 ： 期刊 关键词： 性能趋势   组合预测   飞机发电机   多项式趋势预测   ARMA  

描述： 飞机发电机作为飞机机电系统的关键部件之一,为飞机提供主要的电力来源,其运行状态在飞机的使用过程中至关重要。为改善和提升飞机发电机的性能变化趋势的预测精度,更好实现对飞机发电机性能变化的趋势分析,以某型真实飞机发电机为研究对象,提出一种由多项式趋势预测模型和ARMA模型相结合的组合预测方法来对该型飞机发电机进行性能趋势分析。首先,在专业试验平台上对该型飞机发电机进行了长期大量试验,获取了大量性能表征信息。在此基础上,将多项式趋势预测模型和ARMA模型进行组合,综合运用多项式趋势预测模型良好的趋势拟合能力和ARMA的时间序列分析功能,对该型飞机发电机进行性能趋势分析。试验验证结果表明,这种组合预测方法优于传统单一模型的预测方法,具有很高的预测精度,能够更好地实现对飞机发电机的性能趋势分析效能,具有较高的工程应用价值。

基于灰色和LSSVM的航空发动机状态预测

作者： 崔建国   高波   蒋丽英   于明月   郑蔚   来源： 计算机工程与设计 年份： 2018 文献类型 ： 期刊 关键词： 状态预测   航空发动机   最小二乘支持向量机   排气温度   主燃油泵   灰色模型  

描述： 为克服单一模型预测精度较低这一缺陷,提出一种基于灰色模型(grey model,GM)和最小二乘支持向量机(least squares support vector machine,LSSVM)的组合预测方法。通过灰色累加对原始数据序列进行处理,建立灰色预测模型,利用灰色预测模型的预测结果作为输入,原始数据作为输出,训练构建LSSVM预测模型进行预测。选取航空发动机主燃油泵作为具体研究对象,采集排气温度作为其状态预测参数进行状态预测。研究结果表明,相比单一预测模型,灰色最小二乘支持向量机预测精度更高,为航空发动机状态预测提供了一种有效的解决途径。

LSSVM与HMM在航空发动机状态预测中的应用研究

作者： 崔建国   高波   蒋丽英   于明月   郑蔚   来源： 计算机工程 年份： 2018 文献类型 ： 期刊 关键词： 隐马尔科夫模型   状态预测   航空发动机   最小二乘支持向量机   小波包分解   振动信号   降噪  

描述： 传统单一的状态预测方法难以精确预测航空发动机状态的缺陷,而最小二乘支持向量机(LSSVM)具有较强的非线性预测能力和泛化能力,可以有效地对信号进行非线性预测,隐马尔科夫模型(HMM)有利于处理连续的动态信号,能够精确计算出似然度概率。提出一种结合LSSVM与HMM的状态预测方法。利用提升小波函数全阈值降噪法对采集的振动信号进行降噪,采用小波包分解提取有效的特征,选择不同状态下的特征量训练多个HM M模型,并通过此模型对未知信号特征量以及LSSVM预测的特征量进行状态监测,从而预测出发动机未来时刻的状态以及状态的退化趋势。实验结果表明,该方法的预测准确率达到92%以上,能够有效地预测航空发动机的状态情况。

基于PCA与DBN的航空发动机气路系统故障诊断

作者： 蒋丽英   栗文龙   崔建国   于明月   林泽力   来源： 沈阳航空航天大学学报 年份： 2019 文献类型 ： 期刊 关键词： 航空发动机   深度信念网络   故障诊断   主元分析   气路系统  

描述： 提出了一种基于主元分析与深度信念网络相结合的航空发动机气路系统故障诊断新方法。首先利用主元分析方法对发动机监测参数原始数据进行降维,以便降低参数数据的复杂度,获得较低维数的最优特征参数。其次,采用深度信念网络对获取的最优特征参数数据创建故障诊断模型。为验证所创建诊断模型的准确性,采用某型航空发动机气路系统实测数据对所创建的基于主元分析与深度信念网络故障诊断模型进行实验验证,结果表明,经过主元分析降维后的深度信念网络故障诊断模型的诊断结果比未经过主元分析降维后的深度学习神经网络故障诊断模型的诊断结果准确率更高,从而验证了该方法的有效性。

基于GRNN-ELM的飞机复合材料结构损伤识别

作者： 崔建国   张善好   于明月   蒋丽英   江秀红   林泽力   来源： 南京航空航天大学学报 年份： 2018 文献类型 ： 期刊 关键词： 奇异熵   变分模态分解   GRNN   ELM组合神经网络   损伤识别   核独立分量分析  

描述： 飞机结构的损伤严重影响着飞机的飞行安全,为了解决飞机复合材料结构损伤难以有效识别问题,本文提出一种基于广义回归神经网络(General regression neural network,GRNN)与极限学习机(Extreme learning machine,ELM)组合的飞机复合材料结构损伤识别新方法。首先对飞机复合材料层合板进行冲击,而后对其进行疲劳拉伸试验,通过优化布局在复合材料层合板上的光纤光栅传感器募集应变信息,并对其进行预处理。采用变分模态分解(Variational mode decomposition,VMD)对募集的应变信息进行自适应分解,得到多个基本模式分量(Intrinsic mode function,IMF)。计算各阶IMF分量的奇异熵,通过核独立主元分析(Kernel independent component analysis,KICA)方法对奇异熵进行特征融合,构建融合特征向量。采用融合特征向量建立基于GRNN-ELM的复合材料结构损伤识别模型,通过试验对损伤识别模型的有效性进行了验证,并分别与所构建的ELM和GRNN损伤识别模型的识别结果进行比较。结果表明,该方法能有效对飞机复合材料结构损伤进行识别,具有很好的工程应用价值。