基于数据驱动的涡扇发动机故障预测研究

发布时间：2020-04-23 00:58

【摘要】：21世纪以来,基于数据驱动的故障预测技术以前所未有的势头在国内外得到了十分迅速的发展,很快受到来自政府、学术和工业界的高度重视,并在航空航天、机械、电子、船舶、汽车等多个领域得到了广泛的应用。航空发动机故障是构成飞机安全飞行事故的主要威胁之一。作为航空发动中最主要的一种,涡扇发动机由于其复杂的工作机理、频繁变化的状态以及系统结构的复合性,使得发动机的故障机理和故障模型也多种多样。而对涡扇发动机所发生故障进行预测研究,对于保证飞行安全和降低飞机维护费用具有重要的意义。鉴于此,本文拟沿着“涡扇发动机特性及故障分析—故障特征信息提取—故障模式识别和故障发生诊断—剩余使用寿命预测”的逻辑主线进行研究。主要研究内容如下:概况分析了涡扇发动机的研究背景,并阐述了本文的理论意义和实际意义。进一步从剩余使用寿命预测、故障识别诊断以及涡扇发动机故障预测3个角度对国内外现有研究成果进行了总结归纳和文献评述。具体分析了涡扇发动机的相关特性、主要分类以及结构和各部件功能,进而总结了故障模式和故障诊断基本原理,对故障发生的主要参数进行了归纳。为提高预测运算效率和精度,综合使用Denoising Auto-Encode、StandardScaler以及KPCA对原始数据样本进行了降噪、无量纲化和降维。构建了CDT-RF模型,并应用于涡扇发动机故障模式识别和故障发生诊断的预测实证中。相较于RF模型,提高了对连续型数值的处理性能,具有更高的准确率和稳定性。利用GridSearch-NI优化了LSTM算法,应用于涡扇发动机剩余使用寿命预测实证。通过对比实验得出,所构建模型在把握时序数据特性的同时,避免了陷入梯度消失,对于涡扇发动机剩余使用寿命预测具有更优异的预测准确性。
【图文】：

剩余使用寿命,预测研究,现状

辽宁工程技术大学硕士学位论文同时在机械学、建筑学、材料学、环境学等领域的应用场景，剩余使用寿命具体是指机械系统或某个设备部件从某一运部件失效时刻 t2的时间长度。而在其运行过程中，部件的运人员操作等各方面的因素也在无时无刻随机地对剩余使用寿命也随着不断改变。中，从预测方法出发，大多数研究学者将剩余使用寿命的相基于物理模型预测方法的研究和基于数据驱动预测方法的研动力学、材料科学等相关专业知识构建精确的模型并展开实碎裂力学、阻抗系数电学实验等；而后者主要建立在具有少上，以传感器等相关部件所得监测、上传数据为基础，应用分析方法挖掘数据样本中所隐含的关键信息，进而构建数学模网络，支持向量回归等。

故障识别,研究方法,现状,信念网络

图 1.2 研究方法导向的故障识别诊断研究现状2 Research status of fault recognition and diagnosis on metho及相关及其相关改进算法在处理线性相关以及非线性相学者纷纷构建各类神经网络实现故障的识别诊断。unluo 等[24]为实现更准确可靠的诊断传感器故障，提EEMD)和概率神经网络(PNN)的故障诊断方法。Y法的配电网故障诊断的精确属性约简和减值方法educe 编程模型实现算法并运行。Tian 等[26]针对滚于局部平均分解(LMD) -奇异值分解(SVD)的极限en 等[27]针对滚动轴承故障的诊断问题，分别设计了习算法，选择深度波尔茨曼机、深度信念网络以及柳松[28]基于 WSN 网络采集数据，，并分别提出随机
【学位授予单位】：辽宁工程技术大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：V235.13;V263.6

【参考文献】