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

发布时间：2017-10-15 03:02

  本文关键词：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

  更多相关文章： 航空发动机 预处理 相关性分析 信息融合 过程神经网络

【摘要】：航空发动机视情维修的实现基于对航空发动机性能参数的准确预测。传统的单参数预测技术虽能在一定程度上实现对性能参数的预测,但其存在准确程度不高、运算速度不够快等缺陷,航空公司已不再满足于采用该方式进行参数预测。究其原因,除了现有预测系统所采用的传统BP神经网络等算法有一定的局限性外,忽视多种性能参数间的相关关系也使得预测精度的提升遇到了瓶颈。为此,本文拟选择合适的方法进行输入参数融合,同时采用一种新型离散输入过程神经网络建立航空发动机性能参数融合预测模型,并以其对实际航空发动机性能参数进行预测。针对基于密度的异常点识别方法运算过程中出现的不方便、不准确的问题,本文提出一种基于不确定距离的异常点识别方法,通过计算数据点邻域内全局覆盖概率,从不确定性的角度对异常点进行识别,并与基于距离和密度的异常点识别方法进行比较,验证该方法的有效性。同时,针对指数平滑法的不足,基于罗-罗公司使用的COMPASS平滑函数对性能参数时间序列进行平滑处理,为融合预测做好输入数据准备。为定量分析航空发动机性能参数间的相关性,以便进行融合预测,本文提出一种基于实验现象的三点渐进查询方法,能够快速查询到最大延迟相关点,进而计算出线性相关系数。为防止仅计算线性相关系数产生相关性分析误差,本文拟采用基于分形理论的去趋势交叉相关方法对航空发动机不同的性能参数间的非线性相关性进行定量分析,求取交叉相关赫斯特指数,以此为依据判定各参数间的非线性相关性大小。对比以上两种方法所得结果,选择相关性较大的参数作为融合预测的基础。针对现有单参数预测模型存在的精度和运算速度等问题,建立基于卷积和离散输入过程神经网络的航空发动机性能参数融合预测模型。针对主成分分析过程运算量大、局部特征体现不明显问题,本文提出一种基于蚁群算法的输入样本空间划分方法,通过建立TSP问题模型并采用蚁群算法求解,将相空间重构后的样本空间划分为若干子空间,再分别对各个子空间进行主成分分析。在此基础上,将融合预测结果与单参数预测结果进行比较,验证模型的有效性。基于上述理论研究成果,充分分析需求,采用C/S构架,开发具有性能参数预处理、性能参数相关性分析、性能参数融合预测、数据库管理等功能的航空发动机性能参数融合预测软件原型系统,为航空公司提供维修决策支持。
【关键词】：航空发动机 预处理 相关性分析 信息融合 过程神经网络
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：V263.6
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 第1章 绪论10-23
• 1.1 课题背景10-12
• 1.1.1 课题来源10
• 1.1.2 课题研究的目的和意义10-12
• 1.2 国内外研究现状12-21
• 1.2.1 性能参数预处理12-16
• 1.2.2 性能参数相关性分析16-18
• 1.2.3 性能参数融合预测18-21
• 1.3 本文主要研究内容21-23
• 第2章 航空发动机性能参数预处理23-38
• 2.1 引言23
• 2.2 性能参数时间序列异常点识别23-31
• 2.2.1 航空发动机性能参数的选择及其时间序列的构建23-24
• 2.2.2 基于密度方法的异常点识别和剔除24-26
• 2.2.3 基于不确定性距离的异常点识别和剔除方法26-31
• 2.3 基于COMPASS函数的时间序列平滑处理31-34
• 2.3.1 时间序列平滑处理常用方法分析31-32
• 2.3.2 基于COMPASS平滑函数的时间序列平滑32-34
• 2.4 实例分析34-37
• 2.4.1 性能参数异常点识别实例分析34-35
• 2.4.2 性能参数平滑化实例分析35-37
• 2.5 本章小结37-38
• 第3章 航空发动机性能参数相关性分析38-47
• 3.1 引言38
• 3.2 基于三点查询法的性能参数线性相关性分析38-42
• 3.2.1 基于三点查询法的性能参数最大延迟相关点查询38-40
• 3.2.2 算法有效性验证40-41
• 3.2.3 性能参数线性相关系数计算41-42
• 3.3 基于分形理论的性能参数非线性相关性分析42-46
• 3.3.1 性能参数时间序列分形轮廓的确定42-43
• 3.3.2 重分形去趋势相关性分析43-45
• 3.3.3 航空发动机性能参数非线性相关性分析45-46
• 3.4 本章小结46-47
• 第4章 基于离散输入过程神经网络的融合预测模型47-63
• 4.1 引言47
• 4.2 基于蚁群算法的输入样本优化47-50
• 4.2.1 基于主成分分析的输入样本降维实现47-48
• 4.2.2 基于蚁群算法的性能参数输入样本空间划分48-50
• 4.3 基于离散输入过程神经网络融合预测模型的建立50-58
• 4.3.1 离散输入过程神经网络50-52
• 4.3.2 基于离散输入过程神经网络的融合预测模型52-54
• 4.3.3 融合预测模型的有效性验证54-58
• 4.4 基于融合预测模型的性能参数预测实例分析58-62
• 4.5 本章小结62-63
• 第5章 融合预测软件原型系统的实现63-76
• 5.1 引言63
• 5.2 航空发动机性能参数预测系统需求分析63-65
• 5.3 系统的功能模块设计65-67
• 5.4 系统体系结构设计67-69
• 5.5 系统功能演示69-75
• 5.5.1 系统登录界面及客户端主界面69-70
• 5.5.2 性能参数预处理界面70-72
• 5.5.3 性能参数相关性分析界面72-73
• 5.5.4 性能参数融合预测界面73-75
• 5.6 本章小结75-76
• 结论76-77
• 参考文献77-83
• 致谢83

【引证文献】

中国重要会议论文全文数据库 前1条

1 郑斌祥;席裕庚;杜秀华;;基于面向对象技术的OLAP系统设计研究及应用[A];2001年中国智能自动化会议论文集（下册）[C];2001年

，

本文编号：1034684