基于LSSVM与WNN的燃气轮机状态趋势预测

为了对燃气轮机未来状态趋势进行预测,提出基于最小二乘支持向量机(LSSVM)与小波神经网络(WNN)组合的燃气轮机状态趋势预测方法,把最小二乘支持向量机的预测结果分为两部分,将实际参数数据与前一部分的预测结果计算残差,然后利用小波神经网络对残差进行预测,再将预测的残差与最小二乘支持向量机的预测结果的后一部分进行合成,将合成的结果作为最小二乘支持向量机-小波预测模型的预测结果。结合某型燃气轮机进行试验验证,验证结果表明,组合的最小二乘支持向量机与小波神经网络预测模型预测效果更好,预测结果相对误差为0.12%。     

主元分析法和模糊积分的航空发动机气路状态监测

航空发动机是一个大系统,由于结构复杂、工作条件恶劣等因素影响,对其进行有效地健康状态监测成为航空领域长期难以解决的关键技术之一。为有效监测航空发动机健康状态,以航空发动机气路系统为例,提出一种基于主元分析和模糊积分的航空发动机状态监测方法。首先,利用主元分析法提取发动机状态样本集的主元,对样本数据进行降维,实现样本的最优压缩。其次,利用BP神经网络和Elman神经网络对发动机状态信息的特征向量进行初步状态监测。最后,利用模糊积分对采用两种神经网络的初步监测结果进行决策层融合,从而有效地实现对航空发动机气路系统的状态监测。通过某型真实航空发动机验证表明,所提出基于主元分析和模糊积分的状态监测方法,能有效提高监测的准确度,满足航空发动机状态监测的实时性要求,具有良好的工程应用价值。     

DPCA和GRNN在燃气轮机故障诊断的方法

选取其关键部件—喷口加力调节器作为故障诊断研究对象,提出了一种基于动态主元分析(DPCA)和广义回归神经网络(GRNN)相结合的喷口加力调节器故障诊断方法。在燃气轮机专用试验平台对其进行试验,采集喷口加力调节器的高压转子转速、低压转子转速、燃油油量、燃油耗量等参数原始数据,对其进行预处理,并采用DPCA方法对其进行动态主元分析,提取其不同健康状态的主元,构建特征向量,采用特征向量构建GRNN神经网络故障诊断模型,并通过测试数据对该方法的有效性进行试验验证。为表明该方法的有效性,采用了基于GRNN和基于DPCA-RBF的方法对喷口加力调节器不同健康状态进行了诊断技术研究,并对不同方法所得到的诊断结果进行了对比分析。结果表明,采用DPCA和GRNN相结合的故障诊断方法能有效识别出喷口加力调节器不同的健康状态,具有很好的实际应用价值。