基于智能學(xué)習(xí)模型的民航發(fā)動(dòng)機(jī)健康狀態(tài)預(yù)測(cè)研究.pdf

1、民航發(fā)動(dòng)機(jī)健康狀態(tài)預(yù)測(cè)是制定合理的發(fā)動(dòng)機(jī)調(diào)度和維修規(guī)劃的基礎(chǔ),也是保障運(yùn)營(yíng)安全、提高經(jīng)濟(jì)性的重要支撐技術(shù)。作為無(wú)需先驗(yàn)假設(shè)的數(shù)據(jù)驅(qū)動(dòng)模型,以神經(jīng)網(wǎng)絡(luò)為代表的智能學(xué)習(xí)模型可直接利用發(fā)動(dòng)機(jī)健康狀態(tài)數(shù)據(jù)建立預(yù)測(cè)模型,解決了發(fā)動(dòng)機(jī)健康狀態(tài)衰退解析模型難以建立的問(wèn)題。但是,發(fā)動(dòng)機(jī)健康狀態(tài)衰退過(guò)程的復(fù)雜非線性時(shí)變特性給智能學(xué)習(xí)模型的模型選擇和優(yōu)化帶來(lái)了較大困難。
　　本文針對(duì)具有復(fù)雜非線性時(shí)變特性的民航發(fā)動(dòng)機(jī)健康狀態(tài)預(yù)測(cè)的建模和求解問(wèn)題,對(duì)自

2、適應(yīng)數(shù)據(jù)降噪、單一全局預(yù)測(cè)模型和集成局域預(yù)測(cè)模型及模型預(yù)測(cè)結(jié)果不確定性評(píng)估等健康狀態(tài)預(yù)測(cè)技術(shù)進(jìn)行了系統(tǒng)研究。
　　提出一種基于經(jīng)驗(yàn)?zāi)B(tài)分解增強(qiáng)的奇異值分解健康狀態(tài)信號(hào)降噪方法,采用經(jīng)驗(yàn)?zāi)B(tài)分解從原始健康狀態(tài)信號(hào)提取趨勢(shì)分量,對(duì)信號(hào)剩余部分進(jìn)行奇異值分解降噪,消除趨勢(shì)分量對(duì)奇異值差分譜的干擾,實(shí)現(xiàn)信號(hào)重構(gòu)奇異值的自適應(yīng)選擇。發(fā)動(dòng)機(jī)健康狀態(tài)信號(hào)降噪結(jié)果證明了該方法的有效性。
　　針對(duì)目前連續(xù)函數(shù)輸入型過(guò)程神經(jīng)網(wǎng)絡(luò)不能直接利用離散

3、樣本進(jìn)行訓(xùn)練的不足,提出一種離散輸入過(guò)程神經(jīng)網(wǎng)絡(luò)模型。離散輸入過(guò)程神經(jīng)網(wǎng)絡(luò)以離散向量作為輸入,以卷積和算子實(shí)現(xiàn)時(shí)間聚合運(yùn)算,可以避免連續(xù)函數(shù)輸入過(guò)程神經(jīng)網(wǎng)絡(luò)在函數(shù)擬合和基展開(kāi)過(guò)程中存在的參數(shù)難以選擇及信息丟失的問(wèn)題。民航發(fā)動(dòng)機(jī)健康狀態(tài)預(yù)測(cè)實(shí)例表明,離散輸入過(guò)程神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)精度不低于連續(xù)函數(shù)輸入過(guò)程神經(jīng)網(wǎng)絡(luò)情況下,具有更好的操作性。
　　針對(duì)單一全局預(yù)測(cè)模型存在模型復(fù)雜難以優(yōu)化的問(wèn)題,提出了基于改進(jìn)AdaBoost.RT的靜態(tài)權(quán)值

4、和動(dòng)態(tài)權(quán)值組合集成模型。對(duì)AdaBoost.RT算法的誤差函數(shù)進(jìn)行了改進(jìn),并采用自適應(yīng)閾值調(diào)整方法在訓(xùn)練過(guò)程中自動(dòng)調(diào)整分類閾值。分別以離散輸入過(guò)程神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)和極端學(xué)習(xí)機(jī)為弱學(xué)習(xí)機(jī)構(gòu)建靜態(tài)權(quán)值和動(dòng)態(tài)權(quán)值組合集成預(yù)測(cè)模型。其中,動(dòng)態(tài)權(quán)值集成模型在訓(xùn)練過(guò)程中采用訓(xùn)練樣本的近鄰樣本對(duì)弱學(xué)習(xí)機(jī)進(jìn)行性能評(píng)估,根據(jù)學(xué)習(xí)機(jī)在測(cè)試樣本近鄰樣本上的性能來(lái)動(dòng)態(tài)賦予學(xué)習(xí)機(jī)組合權(quán)值,從而可以充分挖掘弱學(xué)習(xí)機(jī)的局部性能,進(jìn)一步提高了預(yù)測(cè)效果。對(duì)民航

5、發(fā)動(dòng)機(jī)的健康狀態(tài)預(yù)測(cè)結(jié)果表明,由具有簡(jiǎn)單結(jié)構(gòu)弱學(xué)習(xí)機(jī)構(gòu)建的集成預(yù)測(cè)模型的預(yù)測(cè)效果好于單一全局模型,且集成模型可以降低對(duì)弱學(xué)習(xí)機(jī)的性能要求。
　　針對(duì)模型點(diǎn)預(yù)測(cè)結(jié)果存在的不確定性,采用Bootstrap預(yù)測(cè)區(qū)間估計(jì)方法對(duì)所提出的上述預(yù)測(cè)模型的預(yù)測(cè)區(qū)間進(jìn)行估計(jì),實(shí)現(xiàn)對(duì)模型預(yù)測(cè)結(jié)果可靠性和精確性的量化評(píng)估。
　　基于上述研究成果,根據(jù)中國(guó)國(guó)際航空股份有限公司的實(shí)際需求研發(fā)了“民航發(fā)動(dòng)機(jī)拆發(fā)日期預(yù)測(cè)系統(tǒng)”,成為“航空發(fā)動(dòng)機(jī)健康管理與