基于集成學習機的航空發(fā)動機氣路參數預測方法研究.pdf

1、 國內圖書分類號：TP391 V267 學校代碼：10213 國際圖書分類號：621 密級：公開 工程碩士學位論文 碩士學位論文 基于集成學習機的航空發(fā)動機 氣路參數預測方法研究 碩 士 研 究 生：張一震 導 ：鐘詩勝 教授 申 請 學 位：工程碩士 學 科：機械工程 所 在 單 位：機電工程學

2、院 答 辯 日 期：2017 年 6 月 授予學位單位：哈爾濱工業(yè)大學 摘 要 -I- 摘 要 航空發(fā)動機是復雜度高、 運行環(huán)境惡劣的高速旋轉裝備， 其可靠性對飛機的安全性有重要影響， 且發(fā)動機故障占飛機總故障比例較大。 國際航空運輸協會指出，2014 年發(fā)動機維護費用占到飛機 MRO（Maintenance， Repair and Overhaul）總費用的 40%，達到 248.4 億美元。航空發(fā)動機性能參數預測對于避免故障的發(fā)

3、生具有重要意義，對后期的視情維修也具有支持作用。鑒于此，針對航空發(fā)動機氣路參數預測中的數據預處理技術、 基于集成學習機的點預測技術和區(qū)間預測技術進行了系統研究， 開發(fā)了相應的工具， 并采用發(fā)動機排氣溫度裕度序列對方法和工具進行驗證。 針對原始參數中存在粗大誤差和噪聲的問題， 進行了氣路參數預處理技術的研究。 提出了基于 EMD （Empirical Mode Decomposition） 和 SWFMH （Subfilter Weigh

4、ted FIR Median Hybrid）的預處理方法：利用 EMD 提取序列趨勢項，采用改進的最近相似距離延拓法抑制 EMD 的端點效應，對去除趨勢項的序列，采用拉依達準則進行粗大誤差檢測與處理； 去除原始序列的粗大誤差后， 采用EMD 方法得到其噪聲主導模態(tài)并利用 SWFMH 算法對其去噪，重構完成預處理。開發(fā)了“預處理”工具，采用模擬序列和排氣溫度裕度序列驗證了該方法和工具的有效性。 針對單一學習模型預測氣路參數的不適應性問題，

5、 進行了基于集成學習機的氣路參數點預測技術的研究。 提出了可用于集成學習機的動態(tài)加權核密度估計組合方法。 選擇測試樣本的近鄰樣本， 通過評估學習機在近鄰樣本的局部性能動態(tài)確定各學習機的權值， 并基于該權值利用加權核密度估計實現數據序列的集成預測。 該組合方法不易受離群值和樣本不對稱分布的影響。 將該方法用于 AdaBoost.RT 和 AdaBoost.R2 算法， 實驗驗證在標準測試集和排氣溫度裕度序列上較好地提高了預測精度。 分析了

6、基學習機數目對集成學習機預測精度的影響。開發(fā)了 “點預測”工具。 針對點預測結果難以表征氣路參數的不確定性和發(fā)動機運行的潛在風險的問題， 進行了氣路參數區(qū)間預測技術的研究。 提出了基于神經網絡的自適應區(qū)間預測模型以預測在一定置信水平下氣路參數的波動區(qū)間。 將歷史數據和趨勢項作為網絡的輸入， 利用和聲搜索優(yōu)化輸出的構造控制參數以構造網絡的輸出。 采用構造的訓練集完成自適應區(qū)間預測網絡的訓練。 該模型不需要點預測結果即可直接獲得區(qū)間預測結果