基于智能學習模型的民航發(fā)動機健康狀態(tài)預(yù)測研究.pdf

1、民航發(fā)動機健康狀態(tài)預(yù)測是制定合理的發(fā)動機調(diào)度和維修規(guī)劃的基礎(chǔ),也是保障運營安全、提高經(jīng)濟性的重要支撐技術(shù)。作為無需先驗假設(shè)的數(shù)據(jù)驅(qū)動模型,以神經(jīng)網(wǎng)絡(luò)為代表的智能學習模型可直接利用發(fā)動機健康狀態(tài)數(shù)據(jù)建立預(yù)測模型,解決了發(fā)動機健康狀態(tài)衰退解析模型難以建立的問題。但是,發(fā)動機健康狀態(tài)衰退過程的復(fù)雜非線性時變特性給智能學習模型的模型選擇和優(yōu)化帶來了較大困難。
　　本文針對具有復(fù)雜非線性時變特性的民航發(fā)動機健康狀態(tài)預(yù)測的建模和求解問題,對自

2、適應(yīng)數(shù)據(jù)降噪、單一全局預(yù)測模型和集成局域預(yù)測模型及模型預(yù)測結(jié)果不確定性評估等健康狀態(tài)預(yù)測技術(shù)進行了系統(tǒng)研究。
　　提出一種基于經(jīng)驗?zāi)B(tài)分解增強的奇異值分解健康狀態(tài)信號降噪方法,采用經(jīng)驗?zāi)B(tài)分解從原始健康狀態(tài)信號提取趨勢分量,對信號剩余部分進行奇異值分解降噪,消除趨勢分量對奇異值差分譜的干擾,實現(xiàn)信號重構(gòu)奇異值的自適應(yīng)選擇。發(fā)動機健康狀態(tài)信號降噪結(jié)果證明了該方法的有效性。
　　針對目前連續(xù)函數(shù)輸入型過程神經(jīng)網(wǎng)絡(luò)不能直接利用離散

3、樣本進行訓練的不足,提出一種離散輸入過程神經(jīng)網(wǎng)絡(luò)模型。離散輸入過程神經(jīng)網(wǎng)絡(luò)以離散向量作為輸入,以卷積和算子實現(xiàn)時間聚合運算,可以避免連續(xù)函數(shù)輸入過程神經(jīng)網(wǎng)絡(luò)在函數(shù)擬合和基展開過程中存在的參數(shù)難以選擇及信息丟失的問題。民航發(fā)動機健康狀態(tài)預(yù)測實例表明,離散輸入過程神經(jīng)網(wǎng)絡(luò)在預(yù)測精度不低于連續(xù)函數(shù)輸入過程神經(jīng)網(wǎng)絡(luò)情況下,具有更好的操作性。
　　針對單一全局預(yù)測模型存在模型復(fù)雜難以優(yōu)化的問題,提出了基于改進AdaBoost.RT的靜態(tài)權(quán)值

4、和動態(tài)權(quán)值組合集成模型。對AdaBoost.RT算法的誤差函數(shù)進行了改進,并采用自適應(yīng)閾值調(diào)整方法在訓練過程中自動調(diào)整分類閾值。分別以離散輸入過程神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)和極端學習機為弱學習機構(gòu)建靜態(tài)權(quán)值和動態(tài)權(quán)值組合集成預(yù)測模型。其中,動態(tài)權(quán)值集成模型在訓練過程中采用訓練樣本的近鄰樣本對弱學習機進行性能評估,根據(jù)學習機在測試樣本近鄰樣本上的性能來動態(tài)賦予學習機組合權(quán)值,從而可以充分挖掘弱學習機的局部性能,進一步提高了預(yù)測效果。對民航

5、發(fā)動機的健康狀態(tài)預(yù)測結(jié)果表明,由具有簡單結(jié)構(gòu)弱學習機構(gòu)建的集成預(yù)測模型的預(yù)測效果好于單一全局模型,且集成模型可以降低對弱學習機的性能要求。
　　針對模型點預(yù)測結(jié)果存在的不確定性,采用Bootstrap預(yù)測區(qū)間估計方法對所提出的上述預(yù)測模型的預(yù)測區(qū)間進行估計,實現(xiàn)對模型預(yù)測結(jié)果可靠性和精確性的量化評估。
　　基于上述研究成果,根據(jù)中國國際航空股份有限公司的實際需求研發(fā)了“民航發(fā)動機拆發(fā)日期預(yù)測系統(tǒng)”,成為“航空發(fā)動機健康管理與