基于相关向量机的民用舵机故障预测

发布时间：2022-10-17 12:54

　　随着国家航空技术的迅猛发展,现代飞机机载部件的复杂性、综合化、智能化程度不断提高,使得其维护和保障的成本不断增加。同时,加之复杂系统的构成环节和外部影响因素的增加,使其发生故障和部件功能失效的概率逐渐加大,因此对飞机运行的安全性和可靠性提出了更高的要求。舵机是驱动飞机主控舵面的核心执行机构,其可靠性直接影响到飞行控制系统乃至整架飞机的安全,因此,舵机的稳定性、可靠性和精准性对飞机总体性能提升至关重要。舵机故障预测是减少可能导致严重事故风险的关键性技术,开展针对飞机舵机的故障预测研究具有非常重要的现实意义和理论价值。论文主要提出了基于改进相关向量机（Relevance Vector Machine,RVM）的舵机故障预测算法。具体工作内容如下:首先,研究了相关向量机的核心思想即贝叶斯理论,指出目前相关向量机算法亟待解决的两个问题,即长周期预测精度较低和预测模型不能实现动态更新问题,并给出了相关向量机模型的简要推导过程。其次,提出了相关向量机与差分自回归滑动平均融合的舵机故障预测方法（RVM-ARIMA）。该方法采用ARIMA技术对RVM模型的预测结果进行误差校正,另外,采用滑窗的方法对训... 

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究现状与发展趋势
        1.2.1 航空界的研究情况
        1.2.2 学术界的研究情况
    1.3 课题研究的主要工作和结构安排
        1.3.1 课题研究的主要工作
        1.3.2 本文的结构安排
第二章 相关向量机基础理论
    2.1 贝叶斯学习框架
    2.2 相关向量模型描述
    2.3 超参数优化
    2.4 RVM训练算法
        2.4.1 MacKay迭代估计法
        2.4.2 快速序列稀疏贝叶斯学习算法
        2.4.3 EM迭代训练算法
    2.5 RVM预测模型仿真实验
    2.6 本章小结
第三章 基于相关向量机和差分自回归滑动平均的故障预测
    3.1 自回归滑动平均算法原理
        3.1.1 自回归滑动平均模型
        3.1.2 数据平稳化处理
    3.2 基于RVM-ARIMA的预测模型
        3.2.1 RVM建模过程
        3.2.2 ARIMA建模过程
        3.2.3 RVM-ARIMA融合模型
    3.3 RVM-ARIMA算法仿真设计
        3.3.1 仿真实验平台
        3.3.2 初始模型预测结果
        3.3.3 新模型的预测结果
        3.3.4 算法评估分析
    3.4 本章小结
第四章 基于改进的增量学习相关向量机故障预测
    4.1 RVM增量学习算法
    4.2 样本熵基本原理
    4.3 Optimized I-RVM在线预测模型
        4.3.1 数据处理
        4.3.2 训练RVM模型
        4.3.3 在线更新模型
        4.3.4 剩余寿命(RUL)和置信区间
        4.3.5 Optimized I-RVM动态预测过程
    4.4 Optimized I-RVM算法仿真设计
        4.4.1 仿真实验平台
        4.4.2 Optimized I-RVM算法RUL预测的案例研究
        4.4.3 算法评估和结果分析
    4.5 本章小结
第五章 舵机故障预测实验验证
    5.1 舵机实验平台原理介绍及实验设置
    5.2 舵机故障统计结果
    5.3 基于渗漏故障下舵机平台的实验验证
    5.4 本章小结
第六章 结论与展望
致谢
参考文献
作者简介


【参考文献】：
期刊论文
[1]基于安全监测的水库岸坡PHM系统框架及故障预测技术研究[J]. 李明,黄铭.  水利科技与经济. 2018(06)
[2]航空装备PHM技术发展及需求应用分析[J]. 施小弟.  数字技术与应用. 2018(06)
[3]基于参数辨识的电动舵机系统健康仿真和评估[J]. 周维正,李学锋,曾庆华.  国防科技大学学报. 2016(04)
[4]基于小波去噪及ARMA模型的故障率预测方法研究[J]. 茹斌,张天伟,王宇欣.  测控技术. 2014(10)
[5]用于混沌时间序列预测的组合核函数最小二乘支持向量机[J]. 田中大,高宪文,石彤.  物理学报. 2014(16)
[6]数据驱动故障预测和健康管理综述[J]. 彭宇,刘大同.  仪器仪表学报. 2014(03)
[7]大型飞机机载系统预测与健康管理关键技术[J]. 王少萍.  航空学报. 2014(06)
[8]基于高斯过程回归的短期风速预测[J]. 孙斌,姚海涛,刘婷.  中国电机工程学报. 2012(29)
[9]一种基于贝叶斯网络的故障预测方法[J]. 陆宁云,何克磊,姜斌,吕建华.  东南大学学报(自然科学版). 2012(S1)
[10]自动驾驶仪PHM系统健康评估方法研究[J]. 杨洲,景博,张劼,卫晓娟,孙松山.  仪器仪表学报. 2012(08)

博士论文
[1]基于RVM的锂离子电池剩余寿命预测方法研究[D]. 周建宝.哈尔滨工业大学 2013
[2]基于多模型的飞机舵面故障诊断与主动容错控制[D]. 郭玉英.南京航空航天大学 2009

硕士论文
[1]直升机电动舵机状态监测与寿命预测方法的研究[D]. 谭榕容.哈尔滨工业大学 2013
[2]基于相关向量机的航空发动机故障诊断研究[D]. 沈默.湘潭大学 2012
[3]基于RVM-PF的卫星关键部件寿命预测[D]. 郝旭东.国防科学技术大学 2011
[4]基于AMESim的某型飞机武器舱门液压系统设计与仿真分析[D]. 杨益.南京航空航天大学 2009



本文编号：3692105