航空發(fā)動機(jī)磨損趨勢智能預(yù)測技術(shù)研究.pdf

1、航空發(fā)動機(jī)作為飛行器的重要組成部分，目前在追求高性能低成本的同時(shí)導(dǎo)致發(fā)動機(jī)零部件長期工作在高速、高負(fù)荷的惡劣環(huán)境下，更容易因疲勞或磨損引起發(fā)動機(jī)故障，因此對發(fā)動機(jī)運(yùn)轉(zhuǎn)部件的磨損趨勢進(jìn)行預(yù)測，盡可能將隱患消除在萌芽狀態(tài)，對于保證發(fā)動機(jī)安全有效運(yùn)行具有重要意義。
　　本文首先對反映發(fā)動機(jī)運(yùn)行狀態(tài)信息的滑油光譜分析數(shù)據(jù)進(jìn)行處理，通過對常用的趨勢預(yù)測模型進(jìn)行比較分析，結(jié)合數(shù)據(jù)特征選用徑向基函數(shù)(RBF)網(wǎng)絡(luò)模型進(jìn)行預(yù)測。然后引入混沌理論中

2、C-C方法同步確定嵌入維數(shù)和時(shí)間延遲，重構(gòu)相空間，采用正交最小二乘算法建立RBF網(wǎng)絡(luò)模型。針對RBF網(wǎng)絡(luò)核函數(shù)的寬度參數(shù)影響預(yù)測精度的問題，采用遺傳算法優(yōu)化RBF網(wǎng)絡(luò)獲得最優(yōu)參數(shù)。實(shí)例仿真結(jié)果表明經(jīng)遺傳算法優(yōu)化的RBF網(wǎng)絡(luò)模型較傳統(tǒng)模型泛化能力更高，預(yù)測誤差更小，能夠正確反映滑油光譜數(shù)據(jù)的變化趨勢。
　　滑油鐵譜分析數(shù)據(jù)是反映航空發(fā)動機(jī)運(yùn)轉(zhuǎn)部件磨損狀態(tài)的又一重要信息源。由于鐵譜分析數(shù)據(jù)受許多復(fù)雜因素的影響，單一模型預(yù)測精度相對較低

3、，針對這個問題提出了RBF網(wǎng)絡(luò)變權(quán)重組合預(yù)測(RBFNN-VWCF)模型，利用RBF網(wǎng)絡(luò)將BP網(wǎng)絡(luò)模型和SVM模型的預(yù)測結(jié)果進(jìn)行變權(quán)重組合，并采用遺傳算法優(yōu)化RBF模型參數(shù)。仿真結(jié)果表明RBFNN-VWCF模型充分利用了參與組合預(yù)測的兩種子模型的有效信息，更客觀地反映發(fā)動機(jī)零部件的磨損趨勢，預(yù)測結(jié)果更為穩(wěn)健，具有較強(qiáng)的工程實(shí)用價(jià)值，為發(fā)動機(jī)下一步的維修決策提供了有力支持。
　　最后，本文在VC++6.0、SQLSever2005和