基于智能技術(shù)的民航發(fā)動(dòng)機(jī)故障診斷和壽命預(yù)測研究.pdf

1、故障診斷和壽命預(yù)測是民航發(fā)動(dòng)機(jī)健康管理的重要內(nèi)容，是實(shí)現(xiàn)發(fā)動(dòng)機(jī)視情維修的主要技術(shù)手段。本文研究了基于智能技術(shù)的民航發(fā)動(dòng)機(jī)故障診斷和壽命預(yù)測，其中故障檢測和壽命預(yù)測采用了發(fā)動(dòng)機(jī)實(shí)際數(shù)據(jù)，故障分類診斷采用了仿真數(shù)據(jù)。主要內(nèi)容如下： 1）在故障檢測研究方面，與民航工程實(shí)際緊密結(jié)合。首先將傳統(tǒng)模式識別中的概率密度估計(jì)、近鄰法和k均值動(dòng)態(tài)聚類法引入到民航發(fā)動(dòng)機(jī)故障檢測；其次，將自組織映射（SOM）網(wǎng)首次用于提取發(fā)動(dòng)機(jī)正常狀態(tài)代表性樣本，

2、然后將其用于故障檢測；最后，將支持向量機(jī)（SVM）中超球模型和基于相異性表示的單類線性規(guī)劃分類器首次引入到發(fā)動(dòng)機(jī)故障檢測，并用驗(yàn)證法進(jìn)行了參數(shù)選擇。研究指出，概率密度法和近鄰法簡單易行，但混合高斯模型及近鄰模型中的參數(shù)需要適當(dāng)選??；k均值法和SOM網(wǎng)法是用代表性樣本反映數(shù)據(jù)的分布特征，當(dāng)代表樣本個(gè)數(shù)取訓(xùn)練樣本個(gè)數(shù)約5％時(shí)，檢測效果比較理想；SVM超球模型和線性規(guī)劃分類器則是在構(gòu)建發(fā)動(dòng)機(jī)正常狀態(tài)集的邊界。從診斷效果來看，基于相異性表示的單

3、類線性規(guī)劃分類器明顯優(yōu)于其它檢測模型。 2）將SVM用于民航發(fā)動(dòng)機(jī)故障分類診斷，提出了基于帶懲罰項(xiàng)的支持向量分類器（C-SVC）的故障診斷模型。它的特點(diǎn)在于，通過1對1法進(jìn)行多類診斷；采用交叉驗(yàn)證法進(jìn)行模型選擇；可給出3個(gè)最可能的故障。仿真研究表明，在噪聲級別K=3時(shí)，診斷準(zhǔn)確率仍達(dá)到93.6％。 3）針對前向神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)選取主觀性的問題，首次將貝葉斯證據(jù)框架下的前向網(wǎng)絡(luò)用于民航發(fā)動(dòng)機(jī)故障診斷，對具有不同隱層節(jié)點(diǎn)

4、數(shù)的前向網(wǎng)備選模型，進(jìn)行了模型定量比較和選擇，并將選出的極優(yōu)模型成功地對用于發(fā)動(dòng)機(jī)故障診斷。 4）在分析了現(xiàn)有文獻(xiàn)中貝葉斯證據(jù)架下最小二乘支持向量機(jī)（LS-SVM）分類器存在的問題的基礎(chǔ)上，重新推導(dǎo)了貝葉斯框架下的LS-SVM分類器，并給出了模型選擇算法。研究表明了模型選擇算法的有效性。為解決民航發(fā)動(dòng)機(jī)故障診斷問題，提出了基于LS-SVM分類器的發(fā)動(dòng)機(jī)故障診斷模型，它的特點(diǎn)在于，采用一對多方法進(jìn)行多類診斷；采用3層貝葉斯推理進(jìn)

5、行模型選擇；具有相應(yīng)決策邏輯。 5）在分析了現(xiàn)有文獻(xiàn)中貝葉斯框架下LS-SVM回歸存在的問題的基礎(chǔ)上，重新推導(dǎo)了貝葉斯框架下的LS-SVM回歸，給出了模型選擇算法。在考慮模型參數(shù)不確定性的情況下，推導(dǎo)了區(qū)間預(yù)測的公式。區(qū)間預(yù)測是貝葉斯框架下LS-SVM回歸的一大特點(diǎn)，它能反映預(yù)測的精度。算例驗(yàn)證了模型選擇算法和區(qū)間預(yù)測的有效性。最后，針對發(fā)動(dòng)機(jī)大修后試車數(shù)據(jù)，首次利用貝葉斯框架下的LS-SVM回歸建立了民航發(fā)動(dòng)機(jī)壽命預(yù)測模型。