民航发动机性能实时监控系统架构研究

民航发动机实时监控系统对提高飞机的可靠性,减少飞机停场维修时间和提高航空公司飞机运营签派效率具有十分重要的作用.介绍了目前民航飞机实时监控系统的使用情况和研究现状,在此基础上,提出了一种构建民航发动机实时监控系统基本框架结构的方法.在此框架结构的基础上,分析了实时监控中的关键技术,希望为我国民航发动机实时监控系统的开发提供支持.     

基于神经网络的航空发动机滑油监测分析

提出了一种基于BP神经网络的航空发动机滑油金属含量预测方法,给出了运用自回归模型（AR模型）预测模型和神经网络进行预测的一般公式。将其应用于某型发动机滑油的铁金属含量预测,结果表明,与传统的AR预测模型相比,神经网络表现出优秀的推广能力。经过数值仿真得出AR模型仅能预测出序列的变化趋势;神经网络预测推广能力强、具有较强的鲁棒性和容错性,可以为发动机的监控提供重要的依据。     

基于改进的BP神经网络的柴油发动机故障诊断

柴油发动机采用高压共轨燃油喷射技术,提高了柴油机的综合性能,但高压共轨柴油机电控系统比较复杂,增大了柴油机故障诊断的难度。该文介绍了BP神经网路及LM算法,并利用改进的BP神经网络对发动机电控系统故障进行诊断研究。以长城哈佛GW2.8TC发动机为实验对象,让发动机在怠速状态下,对发动机进行故障设置,利用金德KT600故障诊断仪采集发动机的故障数据流,运用改进的BP神经网络建立诊断模型,诊断结果表明改进的BP神经网络的收敛速度快,运用改进的BP网络诊断柴油机电控系统故障是行之有效的。     

基于改进GA-BP神经网络民航发动机滑油消耗研究

为了准确预测正常状态下民航发动机的滑油消耗量,以某型号民航发动机的快速存取记录器Quick Access Recorder(QAR)数据建立能够预测正常状态下滑油消耗的模型并预测。利用遗传算法对输入数据进行筛选并优化网络的权值和阈值,建立BP网络。在此基础上对遗传算法的遗传算子进行改进,建立新的优化BP网络。将单BP网络的仿真结果分别与两种优化过的网络仿真结果对比,结果表明优化过的BP网络提高了预测的准确率,并且改进后的遗传算法优化的BP网络准确率更高。由此证明改进遗传算法优化的神经网络在预测滑油消耗上具有很强的实用性。     

基于神经网络的微孔钻削力的实时监控

建立了基于神经网络的微孔钻削力实时监控系统,以轴向力和扭矩信号为监测对象,应用BP神经网络进行多路传感器信息融合,判断微钻头工作状态,为微孔钻削加工力的智能化在线监控提供一种有效的技术方法.     

基于径向基函数神经网络的铣刀磨损监控技术的研究

提出一种基于径向基函数神经网络的铣刀磨损监控方法,径向基函数神经网络的输出是刀具磨损的具体值,这样有利于对刀具磨损进行各种实时补偿。实验表明,利用径向基函数神经网络进行状态识别可对小型立铣刀的磨损进行监控,能够取得良好的效果,同时证明RBF网络的训练速度优于BP网络。     

运用遗传算法优化神经网络的发动机故障诊断

为了对发动机故障进行正确诊断,可采用BP神经网络方法建立发动机故障诊断模型,但由于BP神经网络存在收敛速度慢及网络泛化能力差的缺点,易影响发动机故障诊断正确率。为了提高网络正确识别能力和泛化能力,采用遗传算法对神经网络的权值和阈值进行优化,网络误差满足要求后,用BP神经网络方法进行修正,从而使网络误差达到最小。将该算法应用于发动机故障诊断中,结果表明,该方法诊断故障误差更小且收敛更快。     

基于GA-BP神经网络的发动机失火诊断

为了提高神经网络在发动机失火故障诊断中的准确率,提出了GA-BP神经网络算法。分析了发动机故障时的尾气变化情况,提出了发动机故障诊断规则;分析了BP神经网络原理,指出其训练速度慢、容易陷入局部极值问题;使用遗传算法对神经网络结构和参数进行优化,得到最优网络结构,将优化后的模型参数作为初始值再次进行BP算法优化;将此算法与自适应动量BP神经网络进行对比,GA-BP神经网络不仅缩短了训练时间,而且故障诊断准确率也大大提高。     

基于深度置信网络的大数据制造过程实时智能监控

针对基于浅层学习模型的过程监控方法难以对大数据制造过程运行状态进行实时智能监控的问题,提出了基于深度置信网络的大数据制造过程实时智能监控方法。利用灰度图建立大数据制造过程质量图谱,以精准表达其过程的运行状态;构建用于识别大数据制造过程质量图谱的深度置信网络;应用离线训练好的深度置信网络模型对当前监控窗口内的过程质量图谱进行识别,实现大数据制造过程实时智能监控。最后,应用该方法对某注塑件大数据制造过程进行实时质量智能监控,结果表明：所提方法的识别性能明显优于基于主成分分析与BP神经网络、支持向量机的识别模型,能有效应用于大数据制造过程实时质量智能监控。     

BP神经网络在双燃料发动机排放预测中的应用

运用BP神经网络(Back Propagation Network)的自学习以及非线性逼近能力,对双燃料发动机排气中CO、HC、NO_x和碳烟的浓度进行拟合和预测。搭建神经网络模型,通过采集双燃料发动机排气浓度数据对神经网络模型进行训练和验证。当BP神经网络训练过程中样本和模型计算值的线性相关系数R大于0.9,且用于验证的数据和模型运算值误差在可忽略范围内,则所建的神经网络模型能够有效预测双燃料发动机的排气浓度。训练结果显示,CO、HC、NO_x和碳烟浓度的模型计算值和实测值线性相关系数R都大于0.9,说明神经网络具有较强的拟合能力;验证结果显示,预测值和实测值的相对平均误差都小于10%,能够满足实际需求。结果表明,运用神经网络模型能够有效预测双燃料发动机的排放。