针对基于部件级航空发动机稳态建模过程中完整、准确的航空发动机部件特性数据往往难以获取,建模时间长等现象,提出使用实验数据进行辨识建模的方法;为了建立航空发动机的稳态模型,通过对某轻型飞机实验台的飞行实验数据进行分析整理,提出使用BP神经网络对发动机重要参数进行建模,同时使用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络的权值和阈值进行优化。最后,使用改进粒子群优化算法(Improved particle swarm optimization algorithm,IPSO)对传统粒子群优化算法进行改进,仿真结果表明IPSO-BP网络建立的发动机模型精度更高,稳定性更好。

为了运用动态补偿器来修正由传感器系统特性引起的动态误差，提出了一种基于改进粒子群优化（PSO）算法的动态补偿器设计方法，该方法有效的克服了PSO算法的初始值对补偿器系数的影响。为了将获得的最优动态补偿器运用于实时在线测量，将分布式算法引入到动态补偿器的硬件结构设计中，完成了传感器动态补偿器的高速并行FPGA实现。实验表明高速并行动态补偿器不但能够修正传感器的动态误差，而且其高速并行结构极大减少了对FPGA资源的占用率并有效地提高了系统等效吞吐率。

重型起重机液压起升系统在吊装过程中存在双马达同步误差问题,为保证吊装作业安全,对起重机液压起升系统的双马达同步控制策略进行了研究。首先,分析了起重机起升系统主要元件的动态特性,确定了起升系统控制参数指标;然后,通过引入存储向量的方法,对粒子群算法的更新策略进行了改进,解决了其“过早熟”的问题,再利用得到的改进粒子群算法优化了模糊PID控制器的参数,解决了PID参数无法在线整定的问题;最后,为了提高起升系统的同步控制精度,在交叉耦合控制的基础上,将所提出的控制策略用于起重机双马达起升过程,并以吊钩倾角、马达出口压力为控制指标进行了仿真和试验。研究结果表明:改进粒子群模糊PID控制策略能有效控制双马达的同步精度,抗干扰能力强;与采用的其它算法相比,采用改进粒子群算法策略的控制精度提高了60%左右;该研究...

航空发动机传感器故障诊断系统对于保证航空发动机控制系统可靠性和安全性至关重要,针对传统基于发动机模型的传感器故障诊断中存在建模精度不足导致故障诊断存在误诊和漏诊的问题,提出以小波变换和神经网络为基础,使用正常传感器预测故障传感器值。通过对比传感器输出和神经网络预测值的残差来实现传感器的故障诊断,其中神经网络可以在传感器故障后估计出正常的模拟信号代替故障信号供发动机控制系统使用,实现航空发动机控制系统的容错控制;使用改进粒子群优化算法优化BP神经网络的阈值和权值,以提高神经网络诊断和预测信号精度。仿真结果表明:该方法可以有效完成故障诊断,减少漏诊和误诊的发生。