基于神经网络的飞机发动机性能趋势预测系统

讨论了如何利用ACARS报文数据获取飞机发动机性能参数的运行数据,利用神经网络自学习能力特点,建立一种智能、客观、准确地预测航空发动机性能趋势的新方法。经人工智能算法分析,通过发动机的历史飞行数据,预测未来某时刻航空发动机性能参数的变化趋势,建立一套基于神经网络的飞机发动机性能趋势预测系统。     

基于小波神经网络的涡轮增压发动机性能预测研究

为了能够准确地预测出涡轮增压发动机的性能参数值,利用了小波神经网络建立对其进行性能预测的神经网络模型,可以研究涡轮增压发动机主要指标与性能参数之间的关系.根据粒子群优化算法,利用MA丁LBA软件实现了小波神经网络计算,对涡轮增压发动机了性能预测,预测效果表明,小波神经网络预测模型具有较的预测精度.     

民用航空发动机低压振动-转速特性的数据挖掘研究

为了优化航空公司对飞机运行数据的利用,本文讨论了一种基于QAR(Quick Access Recorder)飞机运行数据的民用航空发动机低压振动-转速特性的研究方法。应用聚类和回归分析理论,建立了基于发动机QAR运行数据的监控参数预测模型,对低压端易发生振动超限的转速区间的振动值趋势进行了预测;并对飞机左、右发的数据预测进行了趋势对比分析。研究表明,该方法对发动机性能趋势预测和发动机排故端口前移都具有指导意义。     

基于竞争失效的航空发动机剩余寿命预测

航空发动机作为典型的复杂机电系统,具有失效模式多样性的特点。多失效模式相互作用,实质上是竞争失效的关系,导致航空发动机剩余寿命预测的复杂性。针对航空发动机失效模式及失效规律特点,提出基于竞争失效的航空发动机剩余寿命预测方法,解决航空发动机健康管理的核心和关键问题。分析航空发动机两类失效模式——性能退化失效和突发失效的作用机制及相关性,构建基于竞争失效的航空发动机剩余寿命预测体系。结合航空发动机不同失效模式及数据特点,分别针对性能退化失效和突发失效建立剩余寿命预测模型。利用贝叶斯线性模型融合状态监测信息,建立航空发动机性能退化轨迹模型,实现针对不同性能退化情况下的航空发动机剩余寿命预测。以分析性能退化规律为基础,利用航空发动机故障信息,建立混合Weibull可靠性模型,量化性能退化失效对突发失效的影响,实现航空发动机突发失效剩余寿命预测。通过算例,验证提出方法的有效性。结果表明,考虑竞争失效的多模型剩余寿命预测技术能客观、准确描述航空发动机寿命变化规律。     

基于过程神经网络的航空发动机性能参数预测

针对传统方法难以对性能参数进行有效预测的问题,提出一种基于过程神经网络的性能参数预测方法。为解决反向传播学习算法收敛速度慢、易陷于局部极小点等问题,开发了一种基于正交基函数展开的Leven-berg-Marquardt学习算法。为提高过程神经网络的泛化能力,从提高训练样本的质量和规模入手,研究了实际测量数据的预处理方法,并提出一种基于样条函数拟合和相空间重构理论的训练样本集构造方法。最后,将该方法用于某型航空发动机性能参数的预测,获得了满意的结果。     

面向航空发动机全寿命周期管理的航线数据处理系统

为采集、管理、处理并预测在翼航空发动机的性能参数,进而为航空发动机性能仿真和维修策略的制定提供支持,开发了航线数据处理系统,它是航空发动机全寿命周期管理系统的重要组成部分。该系统由航线信息管理、机队性能预测、自动报警和评估报告生成等4个功能模块构成。提出了基于多阶次多项式回归理论的机队性能趋势预示算法和基于改进层次分析法的发动机综合评估报警模型。中航集团国际航空公司的实际应用结果表明了上述模型和系统的正确性。     

基于1D-CNN和Bi-LSTM的航空发动机剩余寿命预测

剩余寿命预测对航空发动机的预防性维修有重要指导作用,是保障飞机安全运行,提高维修保障效率的重要手段.一维卷积神经网络(1-dimensional convolutional neural network,1D-CNN)和双向长短时记忆神经网络(Bidirectional long short memory,Bi-LSTM)被应用于航空发动机剩余寿命预测模型.首先,根据工程经验在多状态参数的主成分分析的基础上对退化过程进行随机分布拟合,得到综合性能退化量;然后将多变量时间序列样本和对应的性能退化量代入1D-CNN模型进行回归分析,从而得到性能退化分析模型;再通过Bi-LSTM对性能退化量进行时间序列预测,得到性能退化的未来趋势;最后通过设定性能退化阈值,得到剩余寿命预测结果,从而得到从多状态参数-性能退化分析-性能退化预测-剩余寿命预测的实时动态感知模型.实例分析结果表明,提出的混合模型与其他单—深度学习和传统模型相比,有更低的回归分析误差和退化预测误差,能够得到更准确可靠的剩余寿命预测结果.     

航空发动机振动趋势预测的过程神经网络法

提出一种基于过程神经网络思想的航空发动机振动趋势预测方法.利用过程神经网络具有输出函数对输入函数在时间上的聚合效应和非线性映射能力,预测方法的网络结构选择为9个输入节点,第2层和第3层各有9个隐层节点,1个输出节点,参数外推预测,将选取的振动历史数据分为学习样本和检测样本两组,学习样本用于网络训练,检测样本用于检验预测模型的精度.在相同条件下,与传统人工神经网络进行趋势预测比较,提高了网络训练速度,降低了预测误差.将所提出的预测方法应用到某型航空发动机的振动趋势预测中,预测结果与实际值的误差符合要求.     

基于实验数据的航空发动机稳态模型建模

针对基于部件级航空发动机稳态建模过程中完整、准确的航空发动机部件特性数据往往难以获取,建模时间长等现象,提出使用实验数据进行辨识建模的方法;为了建立航空发动机的稳态模型,通过对某轻型飞机实验台的飞行实验数据进行分析整理,提出使用BP神经网络对发动机重要参数进行建模,同时使用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络的权值和阈值进行优化。最后,使用改进粒子群优化算法(Improved particle swarm optimization algorithm,IPSO)对传统粒子群优化算法进行改进,仿真结果表明IPSO-BP网络建立的发动机模型精度更高,稳定性更好。     

一种航空发动机性能衰退预测的优化算法

针对航空发动机性能衰退预测问题,采用基于过程神经网络的优化算法来对发动机的燃气温度裕度(EGTM)进行预测。为克服过程神经网络学习速度慢的缺点,提出一种基于Tent映射的混沌粒子群优化算法对网络进行训练,建立预测模型。采用某航空公司的EGTM监测数据进行验证,分析结果表明,基于Tent映射的混沌粒子群优化算法具有较高的收敛速度和预测精度,可为航空发动机视情维修决策提供支持。