基于小波神經(jīng)網(wǎng)絡(luò)的航電系統(tǒng)故障預(yù)測(cè)與健康管理技術(shù)研究.pdf

1、隨著航空技術(shù)的發(fā)展，綜合航電系統(tǒng)的復(fù)雜度越來(lái)越高，發(fā)生故障的頻率及由此帶來(lái)的損失也越來(lái)越多，故障預(yù)測(cè)與健康管理（Prognostics and Health Management,PHM）作為實(shí)現(xiàn)航空器視情維修、自主式保障的新興技術(shù)，已成為新一代航電系統(tǒng)系統(tǒng)設(shè)計(jì)和使用的重要部分。
　　故障預(yù)測(cè)與健康管理是基于視情維修的一種全面狀態(tài)監(jiān)測(cè)、故障診斷、故障預(yù)測(cè)及健康管理技術(shù)。它是在有異常征兆時(shí)，就對(duì)故障的發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)，確定系統(tǒng)的剩余

2、使用壽命和未來(lái)某時(shí)刻的健康狀況，并選擇在合適的時(shí)間內(nèi)采取維修策略，預(yù)防系統(tǒng)完全故障，實(shí)現(xiàn)自主式保障，達(dá)到安全性、可靠性，降低使用和保障費(fèi)用的目標(biāo)。
　　本文針對(duì)航電PHM系統(tǒng)中狀態(tài)監(jiān)測(cè)、故障診斷及故障預(yù)測(cè)3個(gè)模塊，研究了多小波閾值去噪、小波包特征向量提取、小波神經(jīng)網(wǎng)絡(luò)故障分類器及預(yù)測(cè)器等多項(xiàng)關(guān)鍵技術(shù)。具體研究?jī)?nèi)容如下：
　　1.多小波閾值去噪。研究了GHM多小波閾值去噪的步驟，仿真分析了四種典型閾值估計(jì)的去噪性能。針對(duì)多小波

3、閾值去噪中硬閾值和軟閾值函數(shù)的缺點(diǎn)，提出了一種改進(jìn)的閾值函數(shù)，經(jīng)過(guò)仿真分析，這種改進(jìn)的閾值函數(shù)去噪性能優(yōu)于硬閾值函數(shù)和軟閾值函數(shù)，在輸入信噪比為12dB的情況下，利用改進(jìn)的閾值函數(shù)去噪后的信噪比達(dá)到20.5867dB，去噪后信噪比提升了71.56％，最小均方誤差為0.3742。
　　2.小波包特征向量提取。將小波包分解的各頻段能量作為故障特征量，可以把微弱的早期故障分解到容易檢測(cè)到的故障特征空間中去，并為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)提供訓(xùn)練樣本

4、。仿真了小波包、最優(yōu)小波包提取特征向量的過(guò)程，其中最優(yōu)小波包提取特征向量可以很大程度上改善“維數(shù)災(zāi)”的問(wèn)題。
　　3.健康評(píng)估。通過(guò)將小波包各層分解系數(shù)的殘差與預(yù)先設(shè)定的閾值比較，判定現(xiàn)時(shí)系統(tǒng)所處的是健康態(tài)還是異常態(tài)。
　　4.神經(jīng)網(wǎng)絡(luò)故障分類器、性能預(yù)測(cè)器。研究了傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法和改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，改進(jìn)的算法通過(guò)增加動(dòng)量項(xiàng)和自適應(yīng)改變學(xué)習(xí)速率，很好的改善了傳統(tǒng)最速下降法收斂速度慢、易陷入極小點(diǎn)的缺陷，通過(guò)