民航发动机送修决策优化研究
发布时间：2021-02-18 14:04
民航发动机的使用周期长,在寿命周期内对发动机进行送修是民用航空器维修业务的重要内容之一,送修决策的合理性不仅关系到发动机的安全运行,还会影响发动机的利用率和维修成本,因此对发动机送修决策的各个方面进行优化具有重要意义。针对目前航空公司在发动机送修方面存在的问题,本文进行以下研究:首先,本文对民航发动机剩余寿命预测方法进行研究,采用核主元分析处理发动机监测数据,提取退化特征信息并将其融合成健康指数,并利用相关向量机建立健康指数的回归模型,预测发动机的剩余寿命,与现有方法进行对比,结果表明该方法能够提高发动机剩余寿命的预测精度。其次,本文从寿命件角度对发动机送修方案进行优化,将发动机多寿命件更换视为多目标优化问题,分析其约束条件并建立优化模型,采用粒子群算法对模型进行求解,并且对得到的方案集进行评估,选择其中的最优方案作为发动机的送修方案,通过发动机实际的寿命件数据验证了该方法的有效性。最后,本文研究了发动机送修等级决策方法,以单元体的送修等级为决策对象,建立了基于状态监控的发动机送修等级决策模型,该模型使用发动机历史送修数据作为样本,采用大间隔近邻算法对样本空间进行优化,通过发动机实时监...
【文章来源】：中国民航大学天津市
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
CMAPSS仿真实验涡扇发动机结构示意图
数据，每组传感器测量值代表一个发动机性能参数序列，首先对性能参数序列进行预处理，剔除几个测量值为常数的序列，如 1、5、6、16、17、18、19 序列，因为这些性能参数不随飞行周期变化，无法反映发动机的性能退化趋势。将剩下的序列作为发动机的特征参数序列，对其进行核主元分析，提取发动机的退化特征信息。计算过程中核函数选择为高斯核函数，并根据交叉验证的方法确定最佳核函数宽度为 3.0，设定最大迭代次数为 1000，经过 186 次迭代后程序运行结束。按照主元贡献率的大小对得到的主元进行排序，其中前 3 个主元的累计贡献率超过了 85%，为 86.7%。因此提取前 3 个主元序列作为发动机的退化特征序列，用于下一步的信息融合，三个主元序列如图 2-5 所示。
中国民航大学硕士学位论文19使用此非线性模型对发动机的退化特征序列进行变换，得到#7号发动机完整的健康指数序列，如图2-6所示。图2-6#7号发动机健康指数序列建立RVM回归模型，将发动机的完整HI序列作为RVM模型的训练样本，选择高斯核函数并设置核参数宽度为40、最大迭代次数为1000，经训练后得到129个相关向量。在测试阶段，通过上述方法对测试数据进行退化特征提取和信息融合，获取待测发动机的HI序列作为测试样本，使用训练阶段得到的RVM模型对测试样本进行外推预测，设定失效阈值为HI=0，超过失效阈值时预测结束，截取预测过程的飞行循环数作为RUL预测值，得到的预测结果和RUL的概率分布分别如图2-7、图2-8所示。图2-7#7号发动机RUL预测结果
【参考文献】：
期刊论文
[1]基于Autoencoder-BLSTM的涡扇发动机剩余寿命预测[J]. 宋亚,夏唐斌,郑宇,卓鹏程,潘尔顺. 计算机集成制造系统. 2019(07)
[2]基于退化特征相似性的航空发动机寿命预测[J]. 张妍,王村松,陆宁云,姜斌. 系统工程与电子技术. 2019(06)
[3]发动机维修业务将创造售后市场增长纪录[J]. James Pozzi. 航空维修与工程. 2019(02)
[4]基于KPCA-Bagging的高斯过程回归建模方法及应用[J]. 赵帅,李妍君,熊伟丽. 控制工程. 2019(01)
[5]K最近邻算法理论与应用综述[J]. 毋雪雁,王水花,张煜东. 计算机工程与应用. 2017(21)
[6]航空发动机单元体送修等级决策方法研究[J]. 贾宝惠,黄婕,王玉鑫,李耀华. 机械科学与技术. 2018(03)
[7]基于Wiener过程的发动机多阶段剩余寿命预测[J]. 黄亮,刘君强,贡英杰. 北京航空航天大学学报. 2018(05)
[8]基于奇异值分解极限学习机的维修等级决策[J]. 刘璟忠. 中南大学学报(自然科学版). 2017(07)
[9]基于综合健康指数与RVM的系统级失效预测[J]. 陈雄姿,于劲松,陆文高,李行善. 系统工程与电子技术. 2015(10)
[10]基于LS-SVM算法和性能可靠性的航空发动机在翼寿命预测方法[J]. 马小骏,任淑红,左洪福,文振华. 交通运输工程学报. 2015(03)
博士论文
[1]基于群智能算法融合的行星齿轮箱损伤状态识别诊断及维护[D]. 贺妍.中北大学 2019
[2]航空发动机性能评价与衰退预测方法研究[D]. 谢晓龙.哈尔滨工业大学 2016
[3]有监督的相似性度量学习研究与应用[D]. 邹朋成.南京航空航天大学 2016
[4]涡扇发动机高压压气机叶片裂纹萌生及扩展寿命预测研究[D]. 杨硕.天津大学 2015
[5]民用涡扇发动机健康智能监控技术的研究[D]. 瞿红春.天津大学 2010
硕士论文
[1]基于多目标粒子群算法的多约束组合优化问题研究[D]. 张宇丰.西安理工大学 2019
[2]基于动态规划的航空公司机队更新决策研究[D]. 刘沐林.中国民用航空飞行学院 2019
[3]用于行为识别的双流卷积神经网络微调算法研究[D]. 杨妙.西南交通大学 2018
[4]航空公司发动机送修决策研究[D]. 李永广.中国民航大学 2018
[5]基于改进SVM的航空发动机预测方法研究[D]. 罗华柱.南昌航空大学 2017
[6]面向全寿命的民航发动机维修时机优化方法及其应用[D]. 田亚鹏.哈尔滨工业大学 2017
[7]基于离散过程神经网络的航空发动机性能参数融合预测技术研究[D]. 张颉健.哈尔滨工业大学 2015
[8]民航发动机维修工作范围优化方法及其应用[D]. 李臻.哈尔滨工业大学 2014
[9]基于性能参数预测的航空发动机维修决策支持系统研究[D]. 王雄威.哈尔滨工业大学 2013
[10]民航发动机目标在翼时间确定方法及其应用[D]. 陈银.哈尔滨工业大学 2013
本文编号：3039656
【文章来源】：中国民航大学天津市
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
CMAPSS仿真实验涡扇发动机结构示意图
数据，每组传感器测量值代表一个发动机性能参数序列，首先对性能参数序列进行预处理，剔除几个测量值为常数的序列，如 1、5、6、16、17、18、19 序列，因为这些性能参数不随飞行周期变化，无法反映发动机的性能退化趋势。将剩下的序列作为发动机的特征参数序列，对其进行核主元分析，提取发动机的退化特征信息。计算过程中核函数选择为高斯核函数，并根据交叉验证的方法确定最佳核函数宽度为 3.0，设定最大迭代次数为 1000，经过 186 次迭代后程序运行结束。按照主元贡献率的大小对得到的主元进行排序，其中前 3 个主元的累计贡献率超过了 85%，为 86.7%。因此提取前 3 个主元序列作为发动机的退化特征序列，用于下一步的信息融合，三个主元序列如图 2-5 所示。
中国民航大学硕士学位论文19使用此非线性模型对发动机的退化特征序列进行变换，得到#7号发动机完整的健康指数序列，如图2-6所示。图2-6#7号发动机健康指数序列建立RVM回归模型，将发动机的完整HI序列作为RVM模型的训练样本，选择高斯核函数并设置核参数宽度为40、最大迭代次数为1000，经训练后得到129个相关向量。在测试阶段，通过上述方法对测试数据进行退化特征提取和信息融合，获取待测发动机的HI序列作为测试样本，使用训练阶段得到的RVM模型对测试样本进行外推预测，设定失效阈值为HI=0，超过失效阈值时预测结束，截取预测过程的飞行循环数作为RUL预测值，得到的预测结果和RUL的概率分布分别如图2-7、图2-8所示。图2-7#7号发动机RUL预测结果
【参考文献】：
期刊论文
[1]基于Autoencoder-BLSTM的涡扇发动机剩余寿命预测[J]. 宋亚,夏唐斌,郑宇,卓鹏程,潘尔顺. 计算机集成制造系统. 2019(07)
[2]基于退化特征相似性的航空发动机寿命预测[J]. 张妍,王村松,陆宁云,姜斌. 系统工程与电子技术. 2019(06)
[3]发动机维修业务将创造售后市场增长纪录[J]. James Pozzi. 航空维修与工程. 2019(02)
[4]基于KPCA-Bagging的高斯过程回归建模方法及应用[J]. 赵帅,李妍君,熊伟丽. 控制工程. 2019(01)
[5]K最近邻算法理论与应用综述[J]. 毋雪雁,王水花,张煜东. 计算机工程与应用. 2017(21)
[6]航空发动机单元体送修等级决策方法研究[J]. 贾宝惠,黄婕,王玉鑫,李耀华. 机械科学与技术. 2018(03)
[7]基于Wiener过程的发动机多阶段剩余寿命预测[J]. 黄亮,刘君强,贡英杰. 北京航空航天大学学报. 2018(05)
[8]基于奇异值分解极限学习机的维修等级决策[J]. 刘璟忠. 中南大学学报(自然科学版). 2017(07)
[9]基于综合健康指数与RVM的系统级失效预测[J]. 陈雄姿,于劲松,陆文高,李行善. 系统工程与电子技术. 2015(10)
[10]基于LS-SVM算法和性能可靠性的航空发动机在翼寿命预测方法[J]. 马小骏,任淑红,左洪福,文振华. 交通运输工程学报. 2015(03)
博士论文
[1]基于群智能算法融合的行星齿轮箱损伤状态识别诊断及维护[D]. 贺妍.中北大学 2019
[2]航空发动机性能评价与衰退预测方法研究[D]. 谢晓龙.哈尔滨工业大学 2016
[3]有监督的相似性度量学习研究与应用[D]. 邹朋成.南京航空航天大学 2016
[4]涡扇发动机高压压气机叶片裂纹萌生及扩展寿命预测研究[D]. 杨硕.天津大学 2015
[5]民用涡扇发动机健康智能监控技术的研究[D]. 瞿红春.天津大学 2010
硕士论文
[1]基于多目标粒子群算法的多约束组合优化问题研究[D]. 张宇丰.西安理工大学 2019
[2]基于动态规划的航空公司机队更新决策研究[D]. 刘沐林.中国民用航空飞行学院 2019
[3]用于行为识别的双流卷积神经网络微调算法研究[D]. 杨妙.西南交通大学 2018
[4]航空公司发动机送修决策研究[D]. 李永广.中国民航大学 2018
[5]基于改进SVM的航空发动机预测方法研究[D]. 罗华柱.南昌航空大学 2017
[6]面向全寿命的民航发动机维修时机优化方法及其应用[D]. 田亚鹏.哈尔滨工业大学 2017
[7]基于离散过程神经网络的航空发动机性能参数融合预测技术研究[D]. 张颉健.哈尔滨工业大学 2015
[8]民航发动机维修工作范围优化方法及其应用[D]. 李臻.哈尔滨工业大学 2014
[9]基于性能参数预测的航空发动机维修决策支持系统研究[D]. 王雄威.哈尔滨工业大学 2013
[10]民航发动机目标在翼时间确定方法及其应用[D]. 陈银.哈尔滨工业大学 2013
本文编号：3039656
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3039656.html
