基于深度学习的航空发动机性能预测
发布时间：2021-08-02 11:20
航空发动机作为飞机的动力来源,对其健康状态实现精准的把握对于保证飞机的安全运行和降低维修成本具有重大意义。性能预测作为PHM技术中关键的一部分,通过对性能参数的预测,能够辅助飞行员和维修人员制定合适的飞行和维修策略,保证安全性和经济性。航空发动机结构复杂且状态监控数据丰富,为深度学习技术的实施提供了数据基础和应用环境,因此本文以PHM理论为基础,采用深度学习技术对航空发动机的性能趋势和剩余寿命预测进行研究。首先,介绍了航空发动机状态监控技术,重点分析了状态监控中的EGT参数,明确了DEGT参数和EGTM参数的定义及其与航空发动机故障状态以及衰退状态之间的关系,说明了DEGT和EGTM对航空发动机健康状态的指示作用,进而确定DEGT和EGTM为研究对象。其次,考虑数据质量对预测结果的影响,对数据的预处理技术进行研究,提出了Grubbs异常点识别方法去除数据中的异常点;采用CEEMD方法对数据进行趋势分解,通过分析自相关函数波形的方法分离噪声,为后续建模提供数据基础。最后,介绍深度学习技术CNN,AE,LSTM原理及其适用问题,提出CNNLSTM和AE-LSTM两种网络模型。针对航空发动机...
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 课题背景及研究目的和意义
1.2 国内外研究现状及发展动态分析
1.2.1 性能趋势预测发展现状
1.2.2 剩余寿命预测发展现状
1.3 本文的主要研究内容
2 航空发动机性能参数选取
2.1 巡航EGT
2.2 影响巡航EGT的故障种类
2.3 起飞EGT
2.4 影响EGTM因素分析
2.5 本章小结
3 航空发动机气路性能参数预处理
3.1 气路参数异常点识别
3.1.1 方法介绍
3.1.2 基于Grubbs的气路参数异常点识别
3.2 气路参数趋势分解与降噪
3.2.1 方法介绍
3.2.2 基于CEEMD信号趋势分解与降噪
3.3 航空发动机气路参数预处理流程
3.4 实例分析
3.5 本章小结
4 深度学习技术应用分析
4.1 深度学习在特征工程中的应用
4.1.1 卷积神经网络(CNN)
4.1.2 自编码器(AE)
4.2 深度学习在时间序列预测中的应用
4.2.1 循环神经网络(RNN)
4.2.2 长短期记忆网络(LSTM)
4.3 网络结构设计
4.4 本章小结
5 基于深度学习的航空发动机性能趋势预测
5.1 单参数的性能趋势预测
5.2 实例分析
5.3 多参数的性能趋势预测
5.4 实例分析
5.5 本章小结
6 基于深度学习的航空发动机剩余寿命预测
6.1 基于聚类的自适应区间预测
6.2 实例分析
6.3 基于衰退过程的寿命标注预测
6.4 实例分析
6.5 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢
【参考文献】：
期刊论文
[1]基于LSTM-DBN的航空发动机剩余寿命预测[J]. 李京峰,陈云翔,项华春,蔡忠义. 系统工程与电子技术. 2020(07)
[2]基于健康指数相似的航空发动机剩余寿命预测[J]. 曹惠玲,梁佳旺,崔科璐. 科学技术与工程. 2020(01)
[3]基于滑动时窗策略自适应优化支持向量机的航空发动机性能参数在线预测[J]. 曹惠玲,王冉. 推进技术. 2020(08)
[4]基于RF-SVR的燃油计量装置性能衰退检测和剩余寿命估计方法[J]. 来晨阳,郭迎清,于华锋. 航空动力学报. 2019(07)
[5]基于ARIMA模型的民用航空发动机低压转子振动故障分析[J]. 徐建新,姜春生,马超. 科学技术与工程. 2019(19)
[6]基于改进的神经网络对航空发动机故障率预测研究[J]. 薛永亮,陈振林. 计算机测量与控制. 2019(05)
[7]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)
[8]基于改进差分时域特征和深度学习优化的航空发动机剩余寿命预测算法[J]. 高峰,曲建岭,袁涛,高峰娟. 电子测量与仪器学报. 2019(03)
[9]常见不同模态信号分解方法探讨[J]. 邢昀,荣剑. 现代计算机(专业版). 2018(36)
[10]基于AR模型的转子典型故障诊断方法[J]. 张永强,荆建平,李亚伟,牛超阳,杨广振. 噪声与振动控制. 2018(06)
博士论文
[1]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
[2]民航发动机性能可靠性评估与在翼寿命预测方法研究[D]. 任淑红.南京航空航天大学 2010
[3]基于智能技术的民航发动机故障诊断和寿命预测研究[D]. 郝英.南京航空航天大学 2006
硕士论文
[1]基于改进RNN及密度聚类的异常流量检测方法[D]. 曾霄笑.北京邮电大学 2019
[2]基于Elman神经网络的航空发动机故障诊断研究[D]. 尹玥.中国民航大学 2019
[3]基于数据驱动的航空发动机在翼寿命预测研究[D]. 梁佳旺.中国民航大学 2019
[4]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
[5]航空发动机气路性能参数趋势预测研究[D]. 徐亮.中国民用航空飞行学院 2016
[6]航空发动机状态预测与健康管理中的气路数据挖掘方法研究[D]. 吴瑞.中国民用航空飞行学院 2015
[7]航空发动机的剩余寿命预测与健康状态评估[D]. 吴学海.电子科技大学 2014
[8]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
[9]基于集合经验模态分析的滚动轴承故障特征提取[D]. 李丹丹.安徽农业大学 2013
[10]民航发动机在翼寿命预测模型方法研究[D]. 赵玉婷.南京航空航天大学 2010
本文编号：3317472
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 课题背景及研究目的和意义
1.2 国内外研究现状及发展动态分析
1.2.1 性能趋势预测发展现状
1.2.2 剩余寿命预测发展现状
1.3 本文的主要研究内容
2 航空发动机性能参数选取
2.1 巡航EGT
2.2 影响巡航EGT的故障种类
2.3 起飞EGT
2.4 影响EGTM因素分析
2.5 本章小结
3 航空发动机气路性能参数预处理
3.1 气路参数异常点识别
3.1.1 方法介绍
3.1.2 基于Grubbs的气路参数异常点识别
3.2 气路参数趋势分解与降噪
3.2.1 方法介绍
3.2.2 基于CEEMD信号趋势分解与降噪
3.3 航空发动机气路参数预处理流程
3.4 实例分析
3.5 本章小结
4 深度学习技术应用分析
4.1 深度学习在特征工程中的应用
4.1.1 卷积神经网络(CNN)
4.1.2 自编码器(AE)
4.2 深度学习在时间序列预测中的应用
4.2.1 循环神经网络(RNN)
4.2.2 长短期记忆网络(LSTM)
4.3 网络结构设计
4.4 本章小结
5 基于深度学习的航空发动机性能趋势预测
5.1 单参数的性能趋势预测
5.2 实例分析
5.3 多参数的性能趋势预测
5.4 实例分析
5.5 本章小结
6 基于深度学习的航空发动机剩余寿命预测
6.1 基于聚类的自适应区间预测
6.2 实例分析
6.3 基于衰退过程的寿命标注预测
6.4 实例分析
6.5 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢
【参考文献】：
期刊论文
[1]基于LSTM-DBN的航空发动机剩余寿命预测[J]. 李京峰,陈云翔,项华春,蔡忠义. 系统工程与电子技术. 2020(07)
[2]基于健康指数相似的航空发动机剩余寿命预测[J]. 曹惠玲,梁佳旺,崔科璐. 科学技术与工程. 2020(01)
[3]基于滑动时窗策略自适应优化支持向量机的航空发动机性能参数在线预测[J]. 曹惠玲,王冉. 推进技术. 2020(08)
[4]基于RF-SVR的燃油计量装置性能衰退检测和剩余寿命估计方法[J]. 来晨阳,郭迎清,于华锋. 航空动力学报. 2019(07)
[5]基于ARIMA模型的民用航空发动机低压转子振动故障分析[J]. 徐建新,姜春生,马超. 科学技术与工程. 2019(19)
[6]基于改进的神经网络对航空发动机故障率预测研究[J]. 薛永亮,陈振林. 计算机测量与控制. 2019(05)
[7]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)
[8]基于改进差分时域特征和深度学习优化的航空发动机剩余寿命预测算法[J]. 高峰,曲建岭,袁涛,高峰娟. 电子测量与仪器学报. 2019(03)
[9]常见不同模态信号分解方法探讨[J]. 邢昀,荣剑. 现代计算机(专业版). 2018(36)
[10]基于AR模型的转子典型故障诊断方法[J]. 张永强,荆建平,李亚伟,牛超阳,杨广振. 噪声与振动控制. 2018(06)
博士论文
[1]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
[2]民航发动机性能可靠性评估与在翼寿命预测方法研究[D]. 任淑红.南京航空航天大学 2010
[3]基于智能技术的民航发动机故障诊断和寿命预测研究[D]. 郝英.南京航空航天大学 2006
硕士论文
[1]基于改进RNN及密度聚类的异常流量检测方法[D]. 曾霄笑.北京邮电大学 2019
[2]基于Elman神经网络的航空发动机故障诊断研究[D]. 尹玥.中国民航大学 2019
[3]基于数据驱动的航空发动机在翼寿命预测研究[D]. 梁佳旺.中国民航大学 2019
[4]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
[5]航空发动机气路性能参数趋势预测研究[D]. 徐亮.中国民用航空飞行学院 2016
[6]航空发动机状态预测与健康管理中的气路数据挖掘方法研究[D]. 吴瑞.中国民用航空飞行学院 2015
[7]航空发动机的剩余寿命预测与健康状态评估[D]. 吴学海.电子科技大学 2014
[8]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
[9]基于集合经验模态分析的滚动轴承故障特征提取[D]. 李丹丹.安徽农业大学 2013
[10]民航发动机在翼寿命预测模型方法研究[D]. 赵玉婷.南京航空航天大学 2010
本文编号：3317472
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/3317472.html
