基于多方法的CFM56-7B发动机基线挖掘研究

发布时间：2017-07-17 22:08

  本文关键词：基于多方法的CFM56-7B发动机基线挖掘研究

  更多相关文章： CFM56-7B发动机 拉依达法则 变指数因子 风扇转速换算 基线 支持向量机 BP神经网络 遗传算法

【摘要】：民用航空发动机作为飞机的核心动力系统,其健康程度直接影响飞行安全。发动机厂家普遍采用先进的状态监控系统,及时监测到发动机异常的性能趋势,从而避免出现重大故障,消除飞行安全隐患。状态监控的主要方法是对比状态参数的测量值与基线值,根据两者偏差量的变化趋势判断发动机的性能优劣。基线模型是其方法的核心技术,国内研究人员目前还没有掌握准确的基线模型建立方法。因此本论文以民航主力型号CFM56-7B发动机为例,对发动机参数的基线模型展开研究,主要包括以下三个方面：1)状态参数数据预处理。通过发动机状态监控系统获得的原始数据由于传感器故障等因素而存在一些误差,并且针对航空发动机数据的特点,提出选用拉依达法则对数据进行异常点识别和粗大误差剔除,实现了数据的预处理。2)风扇转速换算模型的建立。风扇换算转速是发动机参数基线模型的一个关键变量,但是目前对其的研究算法都是理想模型,并不符合实际工程情况,获得的基线模型精度较差,因此提出了基于相似理论的变指数风扇换算模型。首先利用数学拟合方法挖掘指数因子的影响因素；然后分别利用支持向量机和数学迭代法对指数因子和影响因素的函数关系进行回归求解,从而准确得到变指数风扇换算模型。结果表明改进后的变指数因子模型计算的发动机风扇换算转速更接近厂家的真实值,具有更高的精度,为建立发动机关键参数的自主基线模型提供一种更精确的方法。3)状态参数基线建模和预测。为进一步提高后续模型的预测精度,首先利用遗传算法对支持向量机的三个参数(核参数,惩罚因子,损失因子)和BP神经网络的初始权值阈值优化；然后运用优化后的支持向量机方法和改进的BP神经网络方法分别求解CFM56-7B发动机的状态参数(排气温度,燃油流量,高压转子转速)的基线模型；将建立的自主模型预测测试数据,与真实基线值比较,结果表明两种方法求解的结果都与真实值很接近,模型精度都能达到要求,泛化能力较强；同时求解的参数偏差值趋势能够准确反映实际偏差值趋势,在航空发动机性能监控过程中具有非常高的实际应用价值。
【关键词】：CFM56-7B发动机 拉依达法则 变指数因子 风扇转速换算 基线 支持向量机 BP神经网络 遗传算法
【学位授予单位】：中国民用航空飞行学院
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：V23
【目录】：

• 摘要5-6
• Abstract6-11
• 第一章 绪论11-18
• 1.1 选题背景与意义11-12
• 1.2 国内外研究现状12-16
• 1.2.1 发动机基线模型研究现状12-14
• 1.2.2 数据挖掘方法研究现状14-16
• 1.3 论文研究的主要内容16-18
• 第二章 基线建模方法理论基础18-28
• 2.1 支持向量机方法18-23
• 2.1.1 支持向量机算法基础18-19
• 2.1.2 Matlab中LIBSVM工具箱介绍19-20
• 2.1.3 SVM建模思路20
• 2.1.4 SVM模型参数选择20-22
• 2.1.5 基于遗传算法的参数优化22-23
• 2.2 BP神经网络方法23-27
• 2.2.1 输入输出参数选择24
• 2.2.2 输入输出参数处理24
• 2.2.3 网络模型层数24-25
• 2.2.4 输入层、输出层和隐层节点数25-26
• 2.2.5 连接层间的传递函数26
• 2.2.6 学习速率26
• 2.2.7 期望误差26
• 2.2.8 初始权值26-27
• 2.2.9 遗传算法优化BP神经网络27
• 2.3 本章小结27-28
• 第三章 发动机参数数据的预处理28-33
• 3.1. 航空发动机基线建模的重要参数28-30
• 3.2 发动机基线参数数据的采集30
• 3.3 数据异常点识别与剔除30-31
• 3.4 模型样本的构建31-33
• 第四章 航空发动机风扇转速的修正33-43
• 4.1 引言33-34
• 4.2 基于相似理论的发动机风扇转速换算方法的改进34-38
• 4.2.1 发动机风扇转速换算的传统方法34-35
• 4.2.2 发动机风扇转速的变指数因子数学模型35-37
• 4.2.3 基于支持向量机改进的发动机换算转速的有效性与误差分析37-38
• 4.3 基于数学迭代法的发动机风扇转速换算方法改进38-42
• 4.3.1 指数修正因子数学模型的建立39-40
• 4.3.2 发动机风扇换算转速的数学迭代法40-41
• 4.3.3 基于迭代算法计算风扇换算转速的有效性与误差分析41-42
• 4.4 本章小结42-43
• 第五章 基于支持向量机的CFM56-7B发动机基线建模43-52
• 5.1 航空发动机基线概述43
• 5.2 CFM56-7B发动机EGT基线SVM模型的建立43-46
• 5.3 CFM56-7B发动机N_2基线SVM模型的建立46-49
• 5.4 CFM56-7B发动机FF基线SVM模型的建立49-51
• 5.5 本章小结51-52
• 第六章 基于改进BP神经网络的CFM56-7B发动机基线模型的建立52-61
• 6.1 发动机基线模型的BP神经网络设计52-56
• 6.1.1 模型连接层传递函数选择52
• 6.1.2 模型学习速率选择52-53
• 6.1.3 模型隐层设计53
• 6.1.4 模型期望误差设计53-54
• 6.1.5 遗传算法优化神经网络54-56
• 6.2 CFM56-7B发动机EGT基线BP神经网络的训练与验证56-58
• 6.3 CFM56-7B发动机N_2基线BP神经网络的训练与验证58-59
• 6.4 CFM56-7B发动机FF基线BP神经网络的训练与验证59-60
• 6.5 本章小结60-61
• 总结与展望61-63
• 参考文献63-67
• 攻读硕士学位期间取得的学术成果67-68
• 致谢68

【相似文献】

中国期刊全文数据库 前2条

1 夏存江;;CFM56-7B发动机FADEC故障检测、分类与存储[J];中国民航飞行学院学报;2007年05期

2 ;[J];;年期

中国硕士学位论文全文数据库 前1条

1 王聃;基于多方法的CFM56-7B发动机基线挖掘研究[D];中国民用航空飞行学院;2016年

，

本文编号：554830