基于动态标准彩色图谱的航空发动机健康状态监控EI北大核心CSCD

针对航空发动机性能数据的高耦合性、高维性、非线性和非等效性,为从宏观层面动态化、直观化、精细化地快速把握航空发动机的健康状态,提出一种基于动态标准彩色图谱监控航空发动机健康状态的方法。根据航空发动机的实时运行数据,建立时空分布矩阵,通过归一化方法,将时空分布矩阵转化为标准矩阵,进而经过动态化处理,将标准矩阵转变为动态标准化矩阵;将动态标准化矩阵映射至一个由二维欧氏空间和三维彩色空间联合构成的彩色相空间,从而生成反映航空发动机健康状态的彩色图谱。设计并开发了某型发动机彩色图谱健康状态监控分析系统。结合应用实例,证明了该方法的有效性和实用性。     

基于ICA与深度学习的发动机气路系统状态监测

为提升航空发动机气路系统状态监测的有效性，提出一种采用深度学习并结合独立分量分析（independent component analysis,简称ICA）的新方法，对航空发动机气路系统的健康状态进行了监测技术研究。首先，对实际采集的航空发动机气路系统健康监测参数进行预处理，对预处理后的参数数据采用独立分量分析方法进行处理，提取代表当前状态的特征系数矩阵；其次，由提取的特征矩阵创建深度学习状态监测模型；最后，由创建的状态监测模型对航空发动机气路系统健康状态进行监测。为验证所提方法的有效性，采用典型神经网络与支持向量机分别对由主成分分析（principal components analysis,简称PCA)和ICA构建的特征矩阵进行了状态监测研究。结果表明，采用ICA和深度学习相结合的状态监测方法，可以更好地实现对航空发动机气路系统的状态监测，有良好的应用与推广前景。     

应用LSTM网络的缸体压铸质量预测

为解决智能制造质量预测难题,针对汽车发动机缸体压铸过程数据高维、子过程耦合,难以建立仿真预测模型特点,研究缸体压铸工艺,建立缸体压铸动态过程数学模型.针对压铸生产过程具有时序性特点,以及经典循环神经网络面临梯度爆炸、超参数未知等困难,提出基于LSTM循环神经网络的质量预测方法,以历史数据训练神经网络,对比Holt-Winter和多元线性回归两种时间序列预测模型.结果 表明,LSTM预测模型具有更高的准确性,对智能制造产品质量预测有借鉴意义.     

基于Autoencoder-BLSTM的涡扇发动机剩余寿命预测

准确预测涡扇发动机的剩余使用寿命,对于合理制定维护策略,降低维护成本具有重要意义。针对发动机状态监测数据样本量大、维度高的特点,提出一种整合自编码神经网络(Autoencoder)和双向长短期记忆(BLSTM)神经网络优势的混合健康状态预测模型,优化涡扇发动机的剩余使用寿命预测。首先利用Autoencoder方法作为特征提取工具,对状态监测数据进行压缩,然后利用BLSTM方法捕捉特征双向长程依赖的特性,构建剩余使用寿命的混合深度学习预测模型。基于通用数据集开展测试比较,结果表明Autoencoder-BLSTM混合模型的预测精度优于现有多层感知机、支持向量回归、卷积神经网络和长短期记忆神经网络等方法,可有力支撑涡扇发动机的健康管理与运维决策。     

基于递归过程神经网络的航空发动机滑油系统状态监测

针对航空发动机滑油系统状态监测问题,提出了递归过程神经网络模型。其隐层和输出层为过程神经元,该网络的输入信号为时变函数或过程,并且含有一个特别的关联层,在建模过程中能储存系统过去更多时刻的状态信息,使得网络结构适于预测时间序列问题。文中给出了相应的学习算法,并且分别利用人工神经网络和递归过程神经网络对航空发动机滑油系统状态进行预测。结果表明,递归过程神经网络预测精度高,优于传统人工神经网络的预测能力。为航空发动机滑油系统状态监测问题提供了一种有效的方法。     

基于数据的航空发动机模型匹配方法

本文提出了一种航空发动机模型匹配方法,以双轴涡轮风扇发动机为研究对象,在不同飞行条件、不同发动机性能退化状态下,基于发动机部件特性参数和气路测量参数求解了敏感系数矩阵,预测了退化发动机工作点特性参数和输出性能参数。结果表明,模型计算过程简单,运算速度快,在不考虑测试噪声的情况下,特性参数预测误差均小于0.16%,输出的推力和耗油率的误差最大为0.4%,精度满足工程要求。本文所述方法不受部件特性和发动机结构类型的影响,可扩展应用于其它类型发动机。     

基于故障彩色图谱的航空发动机故障模式识别

为了从系统层面快速、精准地识别航空发动机海量监测数据中隐含的故障模式,提出一种基于故障彩色图谱的发动机故障模式识别方法。针对航空发动机状态参数和故障机理的特点,将监测数据映射至相应的阈值空间,进而构造出故障彩色图谱。研究了故障彩色图谱的特征提取方法和标准故障彩色图谱库的构建方法。通过计算待检测故障彩色图谱与标准故障彩色图谱库中各元素之间的相似度,输出故障类型,实现了航空发动机故障模式的精准、快速、直观识别。结合应用实例验证了所提方法的有效性和实用性。     

基于遗传神经网络算法的发动机性能预测

设计了遗传神经网络预测系统,通过融合分析废气成分的含量、发动机转速、氧传感器等信息预测发动机的工作性能。应用遗传算法的复制、交换、变异过程代替原BP网络的反向传播过程,并针对遗传算法的缺点进行了改进研究。实践证明这种遗传神经网络预测系统收敛速度快、推广性强,具有较高的实际应用价值。     

基于双隐层径向基过程神经网络的润滑油金属含量预测

润滑油金属含量是航空发动机摩擦件健康状态的重要表征,通过对其进行预测可提前发现相应部件的机械故障,避免造成严重的发动机二次损伤.在航空发动机的实际运行期间,润滑油金属含量受许多复杂因素影响,用传统方法难以有效预测其变化趋势.提出一种基于双隐层径向基过程神经网络的润滑油金属含量预测方法,并开发一种基于软竞争学习算法和BP学习算法的混合学习算法.将该方法用于某型航空发动机润滑油铁金属含量预测,取得了满意的结果.     

基于PSO-RBF神经网络的锂离子电池健康状态预测

针对传统方法估计锂离子电池健康状态(SOH)时内部参数测量困难等问题,提出一种基于粒子群优化径向基函数神经网络的锂离子电池SOH预测方法。通过对锂离子等效模型的研究,结合充放电过程的实验数据,确定了影响锂离子电池SOH特性的几个关键参数。将试验数据输入仿真模型进行网络训练和校验。仿真证明,相比BP神经网络和普通RBF神经网络,该算法的预测精度可提高20%,节省66.7%以上的优化时间。