基于小波神经网络的航电系统故障预测与健康管理技术研究

发布时间：2017-09-16 23:45

  本文关键词：基于小波神经网络的航电系统故障预测与健康管理技术研究

  更多相关文章： 健康管理 小波分析 神经网络 故障诊断 故障预测

【摘要】：随着航空技术的发展,综合航电系统的复杂度越来越高,发生故障的频率及由此带来的损失也越来越多,故障预测与健康管理(Prognostics and Health Management,PHM)作为实现航空器视情维修、自主式保障的新兴技术,已成为新一代航电系统系统设计和使用的重要部分。故障预测与健康管理是基于视情维修的一种全面状态监测、故障诊断、故障预测及健康管理技术。它是在有异常征兆时,就对故障的发展趋势进行预测,确定系统的剩余使用寿命和未来某时刻的健康状况,并选择在合适的时间内采取维修策略,预防系统完全故障,实现自主式保障,达到安全性、可靠性,降低使用和保障费用的目标。本文针对航电PHM系统中状态监测、故障诊断及故障预测3个模块,研究了多小波阈值去噪、小波包特征向量提取、小波神经网络故障分类器及预测器等多项关键技术。具体研究内容如下:1.多小波阈值去噪。研究了GHM多小波阈值去噪的步骤,仿真分析了四种典型阈值估计的去噪性能。针对多小波阈值去噪中硬阈值和软阈值函数的缺点,提出了一种改进的阈值函数,经过仿真分析,这种改进的阈值函数去噪性能优于硬阈值函数和软阈值函数,在输入信噪比为12 dB的情况下,利用改进的阈值函数去噪后的信噪比达到20.5867 dB,去噪后信噪比提升了71.56%,最小均方误差为0.3742。2.小波包特征向量提取。将小波包分解的各频段能量作为故障特征量,可以把微弱的早期故障分解到容易检测到的故障特征空间中去,并为神经网络的学习提供训练样本。仿真了小波包、最优小波包提取特征向量的过程,其中最优小波包提取特征向量可以很大程度上改善“维数灾”的问题。3.健康评估。通过将小波包各层分解系数的残差与预先设定的阈值比较,判定现时系统所处的是健康态还是异常态。4.神经网络故障分类器、性能预测器。研究了传统小波神经网络学习算法和改进的小波神经网络学习算法,改进的算法通过增加动量项和自适应改变学习速率,很好的改善了传统最速下降法收敛速度慢、易陷入极小点的缺陷,通过仿真实验,验证了此算法的有效性。并给出故障诊断和故障预测实例,验证了小波神经网络作为故障分类器进行故障诊断,作为非线性函数拟合器进行故障预测的合理性和可行性。
【关键词】：健康管理 小波分析 神经网络 故障诊断 故障预测
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：V267
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 符号对照表11-12
• 缩略语对照表12-15
• 第一章 绪论15-23
• 1.1 论文研究背景及意义15
• 1.2 国内外研究现状15-18
• 1.2.1 国外研究现状16-17
• 1.2.2 国内研究现状17-18
• 1.3 PHM体系结构18-20
• 1.4 论文组织结构安排20-23
• 第二章 小波分析及神经网络理论基础23-41
• 2.1 小波分析23-26
• 2.1.1 连续小波变换23-24
• 2.1.2 离散小波变换24-26
• 2.2 多小波分析26-30
• 2.2.1 多小波的定义26-28
• 2.2.2 多小波的预滤波28-29
• 2.2.3 多小波分解、重构29-30
• 2.3 小波包分析30-32
• 2.3.1 小波包的定义30-31
• 2.3.2 小波包分解、重构31-32
• 2.4 小波神经网络32-40
• 2.4.1 BP神经网络33-34
• 2.4.2 小波神经网络34-35
• 2.4.3 小波神经网络的学习算法35-40
• 2.5 本章小结40-41
• 第三章 基于小波分析的PHM系统状态监测41-63
• 3.1 引言41
• 3.2 多小波阈值去噪41-52
• 3.2.2 阈值的估计45-48
• 3.2.3 阈值函数的选取48-49
• 3.2.4 改进的阈值函数49-52
• 3.3 信号特征向量提取52-60
• 3.3.1 小波包分析提取52-57
• 3.3.2 最优小波包提取57-60
• 3.4 健康评估60
• 3.5 本章小结60-63
• 第四章 基于小波神经网络的PHM系统故障诊断与故障预测63-83
• 4.1 引言63-64
• 4.2 改进的小波神经网络学习算法64-67
• 4.3 基于小波神经网络的故障诊断方法研究67-76
• 4.3.1 诊断原理67-69
• 4.3.2 诊断实例69-76
• 4.4 基于小波神经网络的故障预测方法研究76-82
• 4.4.1 预测原理76-78
• 4.4.2 预测实例78-82
• 4.5 本章小结82-83
• 第五章 总结与展望83-85
• 5.1 工作总结83
• 5.2 工作展望83-85
• 参考文献85-89
• 致谢89-91
• 作者简介91-92

【参考文献】

中国期刊全文数据库 前3条

1 张宝珍;;预测与健康管理技术的发展及应用[J];测控技术;2008年02期

2 木志高;胡海峰;胡茑庆;;武器装备故障预测及健康管理系统设计[J];兵工自动化;2006年03期

3 何志强;综合化航空电子系统发展历程及重要支撑技术[J];电讯技术;2004年04期

，

本文编号：866015