论文部分内容阅读
故障诊断和寿命预测是民航发动机健康管理的重要内容,是实现发动机视情维修的主要技术手段。本文研究了基于智能技术的民航发动机故障诊断和寿命预测,其中故障检测和寿命预测采用了发动机实际数据,故障分类诊断采用了仿真数据。主要内容如下:1)在故障检测研究方面,与民航工程实际紧密结合。首先将传统模式识别中的概率密度估计、近邻法和k均值动态聚类法引入到民航发动机故障检测;其次,将自组织映射(SOM)网首次用于提取发动机正常状态代表性样本,然后将其用于故障检测;最后,将支持向量机(SVM)中超球模型和基于相异性表示的单类线性规划分类器首次引入到发动机故障检测,并用验证法进行了参数选择。研究指出,概率密度法和近邻法简单易行,但混合高斯模型及近邻模型中的参数需要适当选取;k均值法和SOM网法是用代表性样本反映数据的分布特征,当代表样本个数取训练样本个数约5%时,检测效果比较理想;SVM超球模型和线性规划分类器则是在构建发动机正常状态集的边界。从诊断效果来看,基于相异性表示的单类线性规划分类器明显优于其它检测模型。2)将SVM用于民航发动机故障分类诊断,提出了基于带惩罚项的支持向量分类器(C-SVC)的故障诊断模型。它的特点在于,通过1对1法进行多类诊断;采用交叉验证法进行模型选择;可给出3个最可能的故障。仿真研究表明,在噪声级别K=3时,诊断准确率仍达到93.6%。3)针对前向神经网络网络结构选取主观性的问题,首次将贝叶斯证据框架下的前向网络用于民航发动机故障诊断,对具有不同隐层节点数的前向网备选模型,进行了模型定量比较和选择,并将选出的极优模型成功地对用于发动机故障诊断。4)在分析了现有文献中贝叶斯证据架下最小二乘支持向量机(LS-SVM)分类器存在的问题的基础上,重新推导了贝叶斯框架下的LS-SVM分类器,并给出了模型选择算法。研究表明了模型选择算法的有效性。为解决民航发动机故障诊断问题,提出了基于LS-SVM分类器的发动机故障诊断模型,它的特点在于,采用一对多方法进行多类诊断;采用3层贝叶斯推理进行模型选择;具有相应决策逻辑。5)在分析了现有文献中贝叶斯框架下LS-SVM回归存在的问题的基础上,重新推导了贝叶斯框架下的LS-SVM回归,给出了模型选择算法。在考虑模型参数不确定性的情况下,推导了区间预测的公式。区间预测是贝叶斯框架下LS-SVM回归的一大特点,它能反映预测的精度。算例验证了模型选择算法和区间预测的有效性。最后,针对发动机大修后试车数据,首次利用贝叶斯框架下的LS-SVM回归建立了民航发动机寿命预测模型。