航空發(fā)動機性能評價與衰退預測方法研究.pdf

1、航空公司需保證航空發(fā)動機運行的安全性與可靠性，且保證發(fā)動機維修的經(jīng)濟效益，航空發(fā)動機的性能評價與衰退預測可為上述決策提供技術支持。由于難以建立精確的物理模型，因此基于發(fā)動機監(jiān)控數(shù)據(jù)的智能學習技術成為發(fā)動機性能評價與衰退預測的有效方法。發(fā)動機復雜的運行工況與性能衰退過程對性能評價與衰退預測模型提出了挑戰(zhàn)，而模型的正確性直接決定了維修決策的準確性與經(jīng)濟性。目前，多工況多參數(shù)的性能評價是難點之一，對于衰退預測，發(fā)動機性能衰退中復雜的特性給預測

2、模型帶來了較大困難，因此，研究航空發(fā)動機的性能評價與衰退預測方法具有重要意義。
　　本文采用數(shù)據(jù)驅動的方法，針對航空發(fā)動機性能評價與衰退預測中的若干問題進行了研究，包括性能衰退狀態(tài)評價、性能衰退狀態(tài)短期預測、性能參數(shù)短期預測、發(fā)動機剩余壽命預測、以及預測模型的不確定性評估。
　　研究航空發(fā)動機的性能衰退狀態(tài)評價。針對航空發(fā)動機監(jiān)控參數(shù)眾多，關系復雜的特點，提出了航空發(fā)動機監(jiān)控數(shù)據(jù)的樹形表示方法，將眾多監(jiān)控參數(shù)按功用與隸屬關系

3、進行組織。為合理衡量監(jiān)控數(shù)據(jù)的差異程度，定義了監(jiān)控數(shù)據(jù)樹的距離，并通過證明，給出了其成為廣義距離的充分條件。使用該距離實現(xiàn)了基于模糊聚類的航空發(fā)動機性能衰退狀態(tài)評價方法，該方法與局部模型方法結合后可用于多工況下的發(fā)動機性能衰退狀態(tài)評價。
　　研究航空發(fā)動機性能衰退狀態(tài)短期預測。針對傳統(tǒng)預測模型中未考慮發(fā)動機性能衰退的時間累積效應，以及未考慮性能衰退趨勢等問題，通過改進Takagi-Sugeno模糊規(guī)則模型，建立了過程模糊規(guī)則（PF

4、R）模型。模型的輸入與輸出均為連續(xù)函數(shù)，分別考慮了發(fā)動機歷史性能衰退的時間累積效應與未來變化趨勢。推導了PFR模型訓練的解析解，進而給出其快速參數(shù)辨識算法。PFR模型的訓練無需迭代，提高了模型的效率與穩(wěn)定性。以發(fā)動機的歷史性能衰退序列為樣本訓練PFR模型，進而預測發(fā)動機未來的性能衰退狀態(tài)，結果顯示PFR模型在發(fā)動機性能衰退狀態(tài)預測中準確、穩(wěn)定且運行高效。
　　研究航空發(fā)動機性能參數(shù)的短期預測。針對航空發(fā)動機性能參數(shù)測量值受工況影響

5、的問題，采用雙儲備池回聲狀態(tài)網(wǎng)絡（DRESN）模型預測發(fā)動機的性能參數(shù)，將歷史性能參數(shù)變化以及工況參數(shù)結合后預測未來的性能參數(shù)值，有效的考慮了工況參數(shù)的影響。推導了DRESN模型參數(shù)的解析解，并應用其進行模型求解，提出了DRESN模型的快速訓練算法，提高了性能參數(shù)預測的精度與效率。
　　研究航空發(fā)動機的剩余壽命預測。為了提高發(fā)動機剩余壽命預測的精度，運用基于實例推理方法，根據(jù)其流程，將集成學習模型與基于相似度的預測方法結合，提出了

6、近鄰增強與雙層隨機森林模型。首先提出了近鄰增強方法，基于相似度尋找與當前發(fā)動機相似的性能衰退模式，進而調整訓練樣本，使其側重于相似的衰退模式，然后提出了雙層模型，以提高隨機森林模型的預測精度，最后將二者結合后預測發(fā)動機的剩余壽命。
　　研究航空發(fā)動機預測模型的預測區(qū)間估計。針對上述點預測模型結果存在不確定性的問題，采用了基于殘差聚類的預測區(qū)間估計方法?；邳c預測模型預測結果的殘差，使用極端學習機分別構建預測區(qū)間上限與下限的估計模型