航空發(fā)動(dòng)機(jī)磨損故障智能診斷若干關(guān)鍵技術(shù)研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩120頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、航空發(fā)動(dòng)機(jī)結(jié)構(gòu)極復(fù)雜,工作在高溫、高速的惡劣條件下,極易發(fā)生各種機(jī)械故障。據(jù)統(tǒng)計(jì),在造成各類飛行事故的諸因素中,發(fā)動(dòng)機(jī)故障原因所占比例一般在25%~30%,而航空發(fā)動(dòng)機(jī)轉(zhuǎn)子系統(tǒng)及傳動(dòng)系統(tǒng)中的齒輪和軸承磨損失效是航空發(fā)動(dòng)機(jī)研制和使用過(guò)程中所出現(xiàn)的主要故障。由此可見(jiàn),及時(shí)有效地診斷和預(yù)測(cè)出航空發(fā)動(dòng)機(jī)的磨損故障,對(duì)于提高飛行安全,降低發(fā)動(dòng)機(jī)維修成本,實(shí)施航空發(fā)動(dòng)機(jī)視情維修,具有重要意義。然而,由于航空發(fā)動(dòng)機(jī)的復(fù)雜性,各種磨損數(shù)據(jù)與磨損故障之間

2、是一種模糊的、非線性、不確定的關(guān)系,傳統(tǒng)方法已經(jīng)不能滿足磨損故障診斷的要求。鑒于此,本文將現(xiàn)代人工智能和模式識(shí)別技術(shù)引入航空發(fā)動(dòng)機(jī)磨損故障診斷,圍繞航空發(fā)動(dòng)機(jī)磨損故障智能診斷若干關(guān)鍵技術(shù)進(jìn)行研究,主要內(nèi)容如下:
  1)不局限于正態(tài)分布假設(shè)的磨損界限值的制定。拋棄了傳統(tǒng)油樣數(shù)據(jù)正態(tài)分布假設(shè),提出了基于支持向量機(jī)的磨損界限值制定方法。利用支持向量機(jī)從大量的油樣分析數(shù)據(jù)中估計(jì)出概率密度函數(shù),再依據(jù)估計(jì)出的概率密度函數(shù)得到航空發(fā)動(dòng)機(jī)磨損

3、界限值。該方法利用了支持向量機(jī)全局最優(yōu)、良好泛化能力,以及解的稀疏性等優(yōu)越性能,與傳統(tǒng)統(tǒng)計(jì)方法相比,更具科學(xué)性和合理性。最后本文應(yīng)用實(shí)際的航空發(fā)動(dòng)機(jī)油樣光譜數(shù)據(jù)對(duì)方法進(jìn)行了驗(yàn)證分析,表明了方法的正確有效性。
  2)磨損趨勢(shì)的組合預(yù)測(cè)方法。對(duì)油樣分析數(shù)據(jù)進(jìn)行數(shù)學(xué)建模,外推出未來(lái)發(fā)展趨勢(shì),對(duì)于航空發(fā)動(dòng)機(jī)磨損狀態(tài)的預(yù)測(cè),盡早對(duì)故障的發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)和評(píng)估,從而避免重大事故的發(fā)生和及時(shí)安排維修工作,具有重要意義。鑒于此,本文提出基于最小

4、二乘支持向量機(jī)的組合預(yù)測(cè)方法,首先利用灰色預(yù)測(cè)模型,神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和AR預(yù)測(cè)模型進(jìn)行單項(xiàng)預(yù)測(cè),然后利用最小二乘支持向量機(jī)方法實(shí)現(xiàn)組合預(yù)測(cè),同時(shí)利用粒子群算法對(duì)支持向量機(jī)參數(shù)進(jìn)行了優(yōu)化。該方法解決了單一預(yù)測(cè)模型的信息源不廣泛性,對(duì)模型設(shè)定形式敏感等問(wèn)題。最后,利用實(shí)際的航空發(fā)動(dòng)機(jī)油樣光譜數(shù)據(jù)對(duì)方法進(jìn)行了驗(yàn)證,表明了本文組合預(yù)測(cè)方法較單一預(yù)測(cè)模型方法大大提高了預(yù)測(cè)精度。
  3)磨損故障診斷知識(shí)規(guī)則的自動(dòng)提取。為了解決目前航空發(fā)動(dòng)機(jī)

5、磨損故障智能診斷專家系統(tǒng)普遍存在知識(shí)獲取能力弱,知識(shí)更新困難,知識(shí)適應(yīng)性差等方面的缺陷,本文提出了基于支持向量機(jī)的數(shù)據(jù)挖掘技術(shù),利用支持向量機(jī)進(jìn)行了磨損規(guī)則的自動(dòng)獲取研究。在該方法中,首先利用遺傳算法對(duì)樣本數(shù)據(jù)特征進(jìn)行選取,然后將特征選取后的數(shù)據(jù)樣本映射到一個(gè)高維特征空間中,得到樣本的最優(yōu)分類超平面以及支持向量,利用支持向量機(jī)聚類算法得到樣本的聚類分配矩陣,最后在聚類分配矩陣的基礎(chǔ)上構(gòu)建超矩形,得到超矩形規(guī)則,并利用規(guī)則合并、維數(shù)約簡(jiǎn)、

6、區(qū)間延伸等方法對(duì)超矩形規(guī)則進(jìn)行了簡(jiǎn)化。針對(duì)樣本嚴(yán)重不平衡問(wèn)題,本文采用過(guò)抽樣算法中典型的SMOTE算法對(duì)故障樣本進(jìn)行重采樣之后再進(jìn)行規(guī)則提取,取得了良好的效果。同時(shí),開(kāi)發(fā)了專家系統(tǒng)與國(guó)外著名數(shù)據(jù)挖掘開(kāi)源軟件Weka的接口技術(shù),利用Weka軟件的數(shù)據(jù)挖掘算法實(shí)現(xiàn)了航空發(fā)動(dòng)機(jī)磨損故障診斷專家系統(tǒng)的知識(shí)自動(dòng)獲取。最后,利用實(shí)際的航空發(fā)動(dòng)機(jī)故障數(shù)據(jù)進(jìn)行了驗(yàn)證,表明了本文方法的正確有效性。
  4)基于多Agent的磨損故障融合診斷方法。該

7、方法綜合運(yùn)用各油樣分析方法的冗余性和互補(bǔ)性,有效地利用各種油樣分析方法的特點(diǎn)和優(yōu)勢(shì)以提高診斷精度。該多Agent診斷系統(tǒng)主要包括顆粒計(jì)數(shù)Agent、理化分析Agent、鐵譜分析Agent、光譜分析Agent、總控Agent、調(diào)度Agent、通信Agent、融合診斷Agent、油樣數(shù)據(jù)和知識(shí)規(guī)則庫(kù)以及人機(jī)智能界面。本文根據(jù)飛機(jī)發(fā)動(dòng)機(jī)磨損故障診斷的實(shí)際情況,給出了各Agent診斷規(guī)則,并用具體的油樣分析數(shù)據(jù)進(jìn)行了驗(yàn)證,表明了多Agent融合

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論