基于泛函逼近的裝備性能衰退預測方法及其應用研究.pdf

1、為在保證安全的前提下,降低大型復雜裝備的運營成本,基于狀態(tài)監(jiān)控的視情維修和預知維修等先進維修理念和模式已得到了越來越廣泛的應用,所以迫切需要開展對其關(guān)鍵技術(shù)——裝備性能衰退預測的研究,而裝備性能衰退預測就是要預測可反映裝備性能狀態(tài)的參數(shù)數(shù)據(jù)變化趨勢,本文就針對大型復雜裝備的性能衰退主要受時間累積效應影響的特點,提出了兩種以泛函逼近理論為基礎(chǔ)的預測裝備性能參數(shù)數(shù)據(jù)的方法——過程回歸分析和基于卷積的過程神經(jīng)網(wǎng)絡(luò),并應用于航空領(lǐng)域的實際問題,

2、取得了滿意的結(jié)果。
　　傳統(tǒng)回歸分析是函數(shù)逼近工具,受輸入同步瞬時限制,難以反映時間累積效應,預測裝備性能數(shù)據(jù)精度不高,為了解決此問題,本文提出了一種過程回歸分析方法,該方法輸入為函數(shù)并有時間聚合算子,也因此成為一種泛函逼近工具,仿真實驗驗證了過程回歸分析對數(shù)據(jù)的預測效果要優(yōu)于傳統(tǒng)回歸分析方法。
　　過程神經(jīng)網(wǎng)絡(luò)雖然已經(jīng)是一種泛函逼近工具,但考慮到傳統(tǒng)積分過程神經(jīng)網(wǎng)絡(luò)學習算法在進行時間累積聚合效應處理時使用了正交基展開輸入函

3、數(shù)和權(quán)函數(shù),雖能大大簡化訓練過程中的運算,但由于展開函數(shù)的波動,更由于正交基的積分運算結(jié)果非零即一的特點帶來了部分信息丟失的問題,從而對裝備性能數(shù)據(jù)預測結(jié)果的精度造成一定影響。本文將信號處理領(lǐng)域中的卷積運算引入到過程神經(jīng)網(wǎng)絡(luò)模型的時間累積聚合運算算子中來,將其改進為基于卷積的過程神經(jīng)網(wǎng)絡(luò),同時采用對連續(xù)函數(shù)的快速卷積來保證其計算速度。仿真實驗證明,由于信息保留完整,卷積過程神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)預測的性能較積分過程神經(jīng)網(wǎng)絡(luò)好。
　　本文以