基于敏感部件检测的APU智能故障诊断方法研究

发布时间：2017-07-21 03:07

  本文关键词：基于敏感部件检测的APU智能故障诊断方法研究

  更多相关文章： APU 智能故障诊断 小波滤波算法 神经网络

【摘要】：辅助动力装置(简称APU)是飞机上仅次于航空发动机的重要设备,它的健康状况直接影响着航空公司的运行成本和社会效益。为解决APU使用维护中的过度维修、欠维修、故障诊断智能化与自动化水平较低等问题,本文展开了基于可测信息源的APU故障智能诊断方法研究。本文首先论述了小波算法的特性、理论推导方法和滤波算法的实现方法,并从算法的实现原理方面论证了小波包滤波算法在APU监测传感器输出数据中的可行性与有效性。创造性的采用基于改进“Min-Max”算法,实现了对APU监测传感器的故障诊断。APU故障智能诊断的本质就是通过对其性能参数的状态变化趋势进行系统故障预测。因此,本文在传感器故障诊断基础上,结合神经网络故障诊断技术,分别采用改进的BP神经网络与改进的RBF神经网络建立了故障智能诊断模型。经仿真与现场实际验证,本文所建立的APU智能故障诊断模型可对APU典型故障作出准确诊断,达到了预期目标。同时,仿真结果进一步表明,虽然两种神经网络建模方法均有效,但基于改进的RBF方法所建立的故障诊断模型在学习速率、诊断效率、诊断精度、特征模式分类能力和逼近能力等方面较优于BP网络的算法。项目研究成果对于提高我国APU维修自动化水平、维修效率,提高航空公司经济效益等方面具有重要意义。
【关键词】：APU 智能故障诊断 小波滤波算法 神经网络
【学位授予单位】：中国民航大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：V267;TP277
【目录】：

• 摘要5-6
• ABSTRACT6-9
• 第一章 绪论9-17
• 1.1 课题研究的背景和意义9-11
• 1.2 课题的国内外研究现状及应用概况11-13
• 1.3 智能故障诊断常用方法13-15
• 1.3.1 基于模型的方法13
• 1.3.2 基于案例的推理方法13-14
• 1.3.3 基于神经网络的方法14
• 1.3.4 基于专家系统的方法14-15
• 1.3.5 基于模式识别的方法15
• 1.4 本文的主要研究内容与章节安排15-17
• 第二章 APU监测传感器参数及其常见故障类型的选取17-21
• 2.1 APU监测传感器参数的选取17-18
• 2.2 APU常见故障类型分析与选取18-20
• 2.3 本章小结20-21
• 第三章 APU监测传感器输出数据的处理21-35
• 3.1 APU监测传感器滤波算法的小波理论基础21
• 3.2 基于小波的APU监测传感器输出数据数字滤波算法21-33
• 3.2.1 小波变换22-27
• 3.2.2 小波包算法的引入27-29
• 3.2.3 小波滤波算法在APU监测传感器输出数据处理中的应用实例29-33
• 3.3 APU监测传感器故障诊断研究33-34
• 3.3.1 传感器故障分析33
• 3.3.2 基于改进“Min - Max”算法的传感器故障诊断33-34
• 3.4 本章小结34-35
• 第四章 APU故障智能诊断算法建模35-56
• 4.1 智能故障诊断原理引入35-36
• 4.2 基于改进BP神经网络算法的APU智能故障诊断模型的建立36-42
• 4.2.1 BP网络数学模型的建立36-39
• 4.2.2 BP网络的算法改进39-41
• 4.2.3 APU智能故障诊断模型的BP网络结构设计41-42
• 4.3 基于改进RBF网络算法的APU智能故障诊断模型的构建42-49
• 4.3.1 RBF网络结构和算法的数学模型43-48
• 4.3.2 参数优化48-49
• 4.4 实例验证与分析49-55
• 4.4.1 基于改进BP神经网络算法的APU智能故障诊断模型实例与分析50-53
• 4.4.2 基于改进RBF网络的APU智能故障诊断模型实例与分析53-55
• 4.5 本章小结55-56
• 第五章 总结与展望56-58
• 5.1 本文研究设计工作总结56
• 5.2 进一步的研究开发工作规划56-58
• 致谢58-59
• 参考文献59-63
• 攻读硕士研究生期间的科研成果63

，

本文编号：571141