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...

为提高航空发动机滑油系统的故障诊断有效性,提出了一种改进的灰狼算法优化核极限学习机(IGWO-KELM)的航空发动机故障诊断方法,对航空发动机进行了故障诊断技术研究。首先对航空发动机滑油系统的参数数据进行预处理,利用核独立分量分析(KICA)将数据映射到核空间,消除原始特征向量间的相关性,并提取特征系数矩阵;其次,由提取的特征矩阵创建KELM故障模型,为减少人为调节网络参数的随机性对诊断结果造成的影响,采用IGWO算法优化KELM的网络参数,并创建IGWO-KELM故障诊断模型;最后,对所创建的IGWO-KELM故障诊断模型进行了试验验证。结果表明,所提出的IGWO优化KELM的故障诊断方法能有效提高航空发动机故障诊断准确率,诊断准确率达96%,具有很好的应用前景。

针对飞机液压泵工作强度高、工作环境复杂而导致传统性能预测方法对飞机液压泵性能变化趋势预测精度不高的问题,提出了一种基于自回归积分滑动平均⁃长短期记忆(autoregressive integrated moving average⁃long short⁃term memory,简称ARIMA⁃LSTM)网络的飞机液压泵性能趋势预测方法。首先,将获取的飞机液压泵性能表征参数回油流量数据进行线性分解,得到趋势项数据和细节项数据;其次,采用自回归积分滑动平均(autoregressive integrated moving average,简称ARIMA)方法对趋势项数据进行预测,同时采用长短期记忆(long short term memory,简称LSTM)网络方法对归一化处理后的细节项数据进行预测;最后,将两部分预测结果进行叠加,得到最终的性能趋势预测结果。研究结果表明,采用ARIMA⁃LSTM的联合预测方法对飞机液压泵性能变化趋势的预测效果明显优于单一的ARIMA与LSTM预测方法,为飞机液...

结合中介轴承故障特征公式,采用小波分析技术对内、外圈同向和反向旋转的中介轴承进行特征提取,通过对某型双转子航空发动机机匣的振动信号进行分析,验证该方法的有效性。

针对舰用燃气轮机结构复杂、工作环境恶劣,难以对其状态进行有效识别问题,提出一种基于核主元分析(kernel principal component analysis,简称KPCA)和模糊积分相结合的状态识别新方法’采用专用试验平台对舰用燃气轮机进行试验,获取其不同工况下的高压转子转速、低压转子转速、涡轮后排气温度及机匣振动等I个状态表征参数的原始信息,采用EPCA方法提取其状态表征参数的不同核主元,构建特征向量空间。并由提取的核主元特征向量分别创建GRNN,Elman神经网络状态识别模型,对燃气轮机状态进行识别。在此基础上,采用模糊积分方法对两种状态识别结果进行决策层融合,得到唯一的状态识别结果,提升了状态识别准确率。研究表明,采用核主元分析和模糊积分相结合的方法,能有效识别出舰用燃气轮机健康与故障状态,具有很好的实际应用价值。