基于约简遗传规划的航空发动机风车起动模型

针对高空风车条件下航空发动机起动性能估算问题,给出了用线参数模型描述发动机风车起动非线性过程的一般形式,利用约简遗传规划算法进行模型结构选择的思路,建立了基于约简遗传规划的航空发动机起动性能计算模型。以某型涡喷发动机为对象,在给定条件下,运用所建立的模型对该型发动机的风车起动过程进行了模拟,得到了起动性能的仿真结果。将仿真结果与试验数据和已有的部件级起动模型仿真结果进行了对比,验证了方法的正确性、可行性。     

基于支持向量机的信息融合诊断方法

提出了一种采用小波变换进行特征提取、支持向量机进行模式分类的多传感器信息融合诊断方法。该方法首先对多传感器的信息进行加权初级融合,接着利用小波变换的时频局部特性和多尺度、多分辨特性对传感器测量信号进行特征提取,最后利用支持向量机进行分类实现信息的特征级融合和分类。将其应用于某转子实验台的故障诊断中,取得了令人满意的结果。     

支持向量机和神经网络的融合发展

提出了支持向量机和神经网络的融合发展观。分析了支持向量机和神经网络的异同点。从认知模型角度探讨了神经网络认知模型对于支持向量机认知模型发展的指导作用，提出了支持向量机认知模型概念和发展思路；从支持向量机算法思想角度，提出了一类神经网络算法的发展。     

基于系统异常概率模型的故障分离自动化方法

研究了发动机状态参数异常对发动机整体性能的影响,利用多元统计分析方法建立了状态变量对发动机性能影响的概率模型,用于发动机性能监控过程中的故障分离。根据模型能够计算出发动机性能出现异常时各个状态变量导致此时刻性能异常的概率,据此初步判断哪些状态变量导致发动机性能出现异常,并根据概率的大小对相应部件进行检查,以此来寻找故障源。在某型涡扇发动机性能监控中的应用表明,通过计算异常样本点上各监测参数对样本点异常的影响概率,并结合发动机故障机理分析,能够有效地确定故障源。     

基于支持向量机的时间序列预测模型分析与应用

阐述了支持向量机在时间序列预测中应用的理论基础,给出了时间序列预测分析的基本框架。将支持向量机预测模型应用于某型航空发动机的滑油金属含量监测中,并与递归神经网络预测器进行了比较。得出支持向量机由于采用了新型的结构风险最小化准则表现出优秀的推广能力,可预测区间较长且具有较高的准确度,而递归神经网络模型在中、短期预测中与支持向量机相差不大,在较长区间预测中效果较差的结论。