基于智能學習模型的民航發(fā)動機健康狀態(tài)預測研究.pdf

1、民航發(fā)動機健康狀態(tài)預測是制定合理的發(fā)動機調度和維修規(guī)劃的基礎,也是保障運營安全、提高經(jīng)濟性的重要支撐技術。作為無需先驗假設的數(shù)據(jù)驅動模型,以神經(jīng)網(wǎng)絡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。
　　本文針對具有復雜非線性時變特性的民航發(fā)動機健康狀態(tài)預測的建模和求解問題,對自

2、適應數(shù)據(jù)降噪、單一全局預測模型和集成局域預測模型及模型預測結果不確定性評估等健康狀態(tài)預測技術進行了系統(tǒng)研究。
　　提出一種基于經(jīng)驗模態(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)驗模態(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)信號重構奇異值的自適應選擇。發(fā)動機健康狀態(tài)信號降噪結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)絡模型。離散輸入過程神經(jīng)網(wǎng)絡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)預測實例表明,離散輸入過程神經(jīng)網(wǎng)絡在預測精度不低于連續(xù)函數(shù)輸入過程神經(jīng)網(wǎng)絡情況下,具有更好的操作性。
　　針對單一全局預測模型存在模型復雜難以優(yōu)化的問題,提出了基于改進AdaBoost.RT的靜態(tài)權值

4、和動態(tài)權值組合集成模型。對AdaBoost.RT算法的誤差函數(shù)進行了改進,并采用自適應閾值調整方法在訓練過程中自動調整分類閾值。分別以離散輸入過程神經(jīng)網(wǎng)絡、傳統(tǒng)人工神經(jīng)網(wǎng)絡和極端學習機為弱學習機構建靜態(tài)權值和動態(tài)權值組合集成預測模型。其中,動態(tài)權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,進一步提高了預測效果。對民航

5、發(fā)動機的健康狀態(tài)預測結果表明,由具有簡單結構弱學習機構建的集成預測模型的預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。
　　針對模型點預測結果存在的不確定性,采用Bootstrap預測區(qū)間估計方法對所提出的上述預測模型的預測區(qū)間進行估計,實現(xiàn)對模型預測結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)日期預測系統(tǒng)”,成為“航空發(fā)動機健康管理與