基于ARIMA模型的航空发动机性能预测

为了提升发动机性能短期预测精度,利用求和自回归移动平均(ARIMA)模型建立某型发动机排气温度预测模型.仿真显示,该预测模型结果优于传统神经网络预测模型.     

非线性系统参数自适应直接广义预测控制

针对广义预测控制 (Generalized predictive control, GPC) 计算量大的缺陷, 本文对参数未知非线性系统提出一种直接广义预测控制 (Direct generalized predictive control, DGPC) 方法. 该方法直接辨识广义预测控制器参数, 即基于广义误差估计值对控制器参数 θu 和广义误差估计值中的未知向量 θe 进行自适应辨识. 理论证明了该方法可使广义误差估值收敛到原点的一个小邻域内.     

支持向量回归与常用近似模型的非线性预测性能比较研究

为降低计算成本和提高优化效率,工程实践中广泛应用近似模型拟合或预测非线性系统响应是研究的前沿与热点。引入支持向量回归方法,通过典型数值案例对比分析其与多项式响应面、kriging和径向基函数的非线性预测性能。利用箱线图直观的证明支持向量回归的非线性预测性能明显优于多项式响应面、kriging和径向基函数,且支持向量回归的预测精度对DOE的依赖性最弱,体现出良好的稳健性能,进一步验证了支持向量回归适用于非线性系统响应的近似建模。     

一类非线性模型及其预测偏差分析

在非线回归分析中，变换模型引入注目，著名的Ｂｏｘ－Ｃｏｘ变换模型＾［１］更是广为讨论。理论分析与应用表明，该类模型因变量的预测均采用简单的逆变换加以实现。本文通过预测分析表明，这种预测是偏倚的。应加以校正。基于正态条件分布，本文理论推导了校正公式并给出了预测上、下限、最后进行了实例分析。     

基于神经网络的非线性预测控制综述

基于神经网络的非线性预测控制是智能控制中的重要前沿课题，在工业过程控制领域有着非常大的应用前景。从预测方式、控制律求解方法和典型应用等几个角度对基于神经网络的非线性预测控制做了综述。对其中的关键技术做了深入阐述。并指明了今后的发展方向。     

基于非线性回归方程偏导数分析应用程序性能敏感度的方法

性能敏感度反映了应用程序性能相对于性能影响因素的变化率,对性能敏感度的量化分析可为体系结构设计和程序性能优化提供有意义的参考和指导.提出了一种分析程序性能敏感度的非线性回归模型(PS-NLRM),能够量化不同应用程序的性能敏感度.通过主成分分析消除了影响性能的性能事件之间的相关性,通过曲线拟合引入非线性项,建立了程序性能CPI和性能事件之间的非线性回归方程.模型应用在SPEC CPU2006整型程序之上,通过了t检验和F检验,达到90%以上的拟合度.基于非线性回归方程相对于性能事件的偏导数,得到不同应用程序的性能对性能事件的敏感度.利用性能敏感度对SPEC CPU2006整型程序性能进行预测的平均相对误差约为4.5%,比传统线性回归模型预测误差下降50%.     

基于融合EKF的航空发动机气路性能健康预测

针对集中式滤波算法存在计算效率不高、容错性差,引入融合滤波的思想,提出采用非线性融合的联邦式扩展卡尔曼滤波器进行发动机气路健康性能预测.子滤波器根据量测参数完成发动机部分健康性能的局部估计,主滤波根据子滤波器估计参数完成融合滤波估计,并将状态估计值和协方差反馈至子滤波器用于下一步健康预测.通过某型涡扇发动机仿真表明:融合EKF滤波器能准确地预测发动机的健康状态,估计稳定收敛时间短、计算时间短、效率高.     

航空发动机叶片非线性动力学分析

论文研究了航空发动机叶片的非线性振动问题,将叶片简化为功能梯度材料薄壁悬臂梁,考虑几何大变形的影响,基于一阶活塞气动力理论,利用Hamilton原理建立了叶片的非线性偏微分运动方程.综合运用Galerkin方法、多尺度方法和数值方法对叶片模型进行了非线性动力学分析,通过相图、波形图和频谱图分析了不同气流流速情况下旋转叶片的动态响应.结果表明:随着气流流速的增加,系统呈现倍周期运动和混沌运动等多种复杂动力学行为.     

未知参数非线性系统的自适应广义预测控制

研究非线性系统的稳定性和跟踪优化问题,针对未知参数非线性系统的参数辨识和输出跟踪问题,给出参数自适应广义预测控制方法,为使辨识模型能实时反映被控对象特性以及输出对设定值的跟踪有较高精度.提出将非线性系统转化为受控自回归滑动平均模型,根据输入输出数据辨识模型参数.采用广义预测控制滚动优化的策略得出最优控制律,将最优控制律作用于对象实现非线性系统的优化控制以及系统输出对设定值的跟踪控制.明显克服了自适应控制对模型精度要求高的缺陷且具有在线辨识,滚动优化的特点.最后,通过仿真实例验证了方法的有效性.     

非线性支持向量回归在航空发动机性能参数预测中的应用

基于飞参数据的航空发动机的状态监控,是当前航空领域应用研究的热点之一。介绍了支持向量机回归理论,并用支持向量回归机和飞参数据对航空发动机特征参数（转差率S）进行了预测。计算结果表明,支持向量机回归方法具有很好的学习能力和预测能力。     

航空发动机状态参数的关联维数分析

针对航空发动机性能、故障等状态监控的优化问题,以及视情维修的需要,提出了一种混沌时间序列的关联维数提取方法.采用互信息量法和饱和关联维数法,对飞参系统记录的发动机状态参数时间序列的时间延迟和嵌入维数进行了计算,并对时间序列重构相空间,应用G-P算法计算时间序列的关联维数.计算结果表明,发动机状态参数的关联维数为非整数,验证了发动机状态参数具有典型的混沌特性,且关联维数能够正确反映发动机状态参数的特征信息,为发动机状态监控和视情维修提供决策依据.     

基于混沌时间序列理论的发动机状态参数降噪研究

针对因缺乏未染噪数据而难以考查航空发动机状态参数降噪效果的问题,提出了基于混沌时间序列理论来考查其降噪效果的办法,并结合实例考查了小波、奇异谱分析和局部投影3种降噪方法对航空发动机状态参数的降噪效果.仿真结果表明,局部投影法更多地保留了发动机状态参数的混沌特性,适用于航空发动机状态参数的降噪处理.     

LSSVM与HMM在航空发动机状态预测中的应用研究

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。     

线性SVM相关滤波器的性能研究

研究一种新型相关模式识别技术——线性SVM相关滤波器的性能及其应用前景,构建一个两类物体识别模型,利用计算机合成线性SVM相关滤波器,分别考察其对抗物体平面内旋转、平面外旋转以及噪声干扰的能力,并与其它三种相关滤波器进行比较。实验结果表明,该滤波器具有最佳的抗平面内旋转能力、优秀的抗平面外旋转和抗噪声干扰能力,在真实环境下的平面内旋转图像识别和中小形变范围内三维物体识别领域具有良好的应用前景。     

基于改进LSTM的航空发动机气路参数预测方法

以航空燃气涡轮发动机气路故障诊断为导向,提出了一种用于发动机气路参数预测的特征注意力增强型长短时记忆网络(Feature Attention Enhanced Long Short-Term Memory Network, FAE-LSTM)。FAE-LSTM是具有编码-解码结构的动态网络,首先通过编码器中的特征注意力单元对工况序列进行动态特征提取,然后通过特征拼接层融合编码器输出序列、工况序列和历史性能参数,最后通过解码器实现最终的参数预测。FAE-LSTM基于发动机飞行过程数据建立发动机在健康状态下的动态模型,从而作为参数预测模型应用于基于残差的故障诊断系统中。针对网络的预测性能和应用方式进行了仿真分析,结果表明,相比于其他常用多变量时间序列预测模型,FAE-LSTM的长期预测误差最低减少24.5%;相比于使用串-并联结构,故障检测系统使用并联结构的FAE-LSTM网络能够获得更精确的检测结果。     

基于竞争失效的航空发动机剩余寿命预测

多种多样的失效模式之间相互影响,在本质上看就是竞争失效的结果,这会增加航空发动机剩余寿命的预测难度。根据航空发动机的多种失效模式的相关规律、特点,指出了对航空发动机剩余寿命进行预测的大体框架、模型和相关的算法,也就是所说的在竞争失效的基础上预测航空发动机的剩余寿命。     

机载设备性能趋势预测系统研究

根据地面机务设备监控维护的需求,设计实现了一种基于飞参数据的机载设备性能趋势预测系统.该系统利用组合预测模型对表征机载设备工作状态的性能参数序列进行预测,当预测结果出现异常时,启动推理诊断专家系统,预报设备的工作状况以及可能发生的故障.文章介绍了该系统的总体架构以及各模块的功能,并重点讨论了其中的一些关键技术.     

基于多特征融合的航空发动机剩余寿命预测

针对航空发动机剩余可用寿命(RUL)预测任务中代表性特征提取不充分导致RUL预测精度较低等问题, 提出了一种基于多特征融合的航空发动机RUL预测方法. 利用指数平滑法(ES)降低原始数据中的噪声干扰, 得到相对平稳的特征数据. 使用双向长短期记忆网络(Bi-LSTM)提取特征数据的时序特征, 利用多头注意力机制(Multi-attention)为时序特征赋予权重; 设计卷积长短期记忆网络(Conv-LSTM)提取特征数据的时空特征; 提取特征数据的手工特征并使用Softmax函数计算权重. 设计一个特征融合框架将上述特征进行融合, 然后通过全连接网络回归实现最终RUL预测. 使用C-MAPSS数据集对模型进行仿真验证, 与Bi-LSTM等模型进行对比, 模型RUL预测精度更高, 适应性更好.     

基于非线性组合方法的石油期货价格预测研究

研究石油期货价格预测问题,石油期货价格是一种动态、时变、非线性数据,具有较强的随机性和多元性。单一预测模型只能描述部分信息,存在局限性。为了提高石油期货价格预测精度,提出了一种非线性组合的石油期货价格预测模型。首先采用3个不同的单项模型对石油期货价格进行预测,采用全局逼近能力强的支持向量机建立了一个多输入单输出的石油期货价格非线性组合预测模型,并通过预测误差最小原则确定模型的参数。仿真结果表明,改进模型预测精度明显优于对比预测模型,为提高石油期货价格预测精度提供了一条新途径。