基于气路参数样本的航空发动机状态监视方法与系统研究

论文摘要

航空发动机是飞机的动力核心,其结构复杂、工作环境恶劣,是飞机的主要故障来源,其健康状态的好坏直接影响着飞行安全和航空公司的效益。本文在国家自然科学基金（项目号: 60572174）及中国国际航空公司（国航）科研基金的资助下,研究了基于气路参数的民用航空发动机健康状态监视方法及其系统。发动机气路参数样本本质上是一种混有较强随机噪声的时间序列,经常出现孤立突变数据和趋势突变数据等异常。小波变换是一种多尺度时-频分析工具,对于数据点突变和数据趋势突变等局部特征都能很好地描述,十分适合处理非平稳的发动机气路参数时间序列并识别其异常数据。为了提高发动机性能数据的可用性,及时识别发动机的异常状态并准确恢复原数据,论文提出了基于信号连续小波变换模极大曲线搜索的信号突变识别及重构方法,该方法可以在识别数据突变的同时有效地抑制随机噪声,进而有效地恢复真实信号。为了解决采用连续小波变换带来的运算速度问题,给出了基于傅里叶变换的信号连续小波变换与反演的快速算法。通过仿真算例研究了边沿效应及小波变换模极大曲线搜索过程中可能出现的伪模极大曲线等问题的处理方法,籍此提高突变数据识别及信号重构的准确性。发动机气路参数数据预处理的实例表明,所提出的方法能有效地恢复发动机性能参数数据,其信号重构效果优于一般的小波软阈值降噪方法。为解决复杂系统状态预测模型难以建立且预测精度难以保证的问题,提出了一种混合递归过程神经网络。设计了网络的拓扑结构,通过引入一组合适的正交基函数对网络的输入函数和连接权函数进行展开,实现了网络的简化。给出了一种基于弹性BP算法的混合递归过程神经网络学习算法。将网络与几种传统神经网络分别应用到Mackey-Glass混沌时间序列预测中,验证了网络的有效性。最后将上述网络分别应用到航空发动机气路参数预测的具体问题中,对比结果表明,混合递归过程神经网络在这一问题中有更好的工程可用性,是一种有效的发动机健康状态监视工具。针对基于最小二乘理论的传统数据拟合方法在求解双随机变量间的函数关系时的不适应性问题,提出了一种可同时考虑双拟合变量的随机噪声影响的欧氏距离最小二乘支持向量回归方法,给出了基于Matlab二次规划工具箱的实现算法。通过实例验证了该方法在发动机性能趋势分析中的有效性。另外,由于拟合不同的发动机性能参数的时间序列数据可能需要不同的拟合方法,简要地提出了基于多阶次多项式回归算法的发动机性能参数时间序列数据拟合方法。层次分析法是一种实用有效的多准则决策方法,但其判断矩阵的确定需进行一致性检验,同时,其对于评价指标观测值的评分准则一般由专家凭经验给出,带有很强的不确定性。为此,提出一种灰色层次分析法,该方法将判断矩阵的拟优一致化求解方法与灰色聚类评价理论相结合,有效地克服了层次分析法的上述缺点。针对发动机状态综合评价问题,建立了发动机状态综合评价指标体系;基于拟优一致判断矩阵求取了发动机状态的各评价指标综合权值;对发动机状态的各评价指标进行了灰类划分,并基于三角权函数对评价指标所表征的发动机实际状态观测值进行评分。最后给出了一个发动机状态综合评价问题的示例,结果表明了方法的有效性。从国航发动机健康状态监视及工程管理这一应用背景出发,进行了软件开发需求分析,系统功能模型、数据模型和体系结构的设计。综合本文提出的几种发动机性能监视和健康状态综合评价方法,开发了面向航空发动机全寿命管理的发动机健康状态监视软件系统。系统包括发动机维护及状态监视信息管理、发动机状态趋势分析、发动机状态参数超限自动报警、发动机状态综合评价及发动机拆换期预报等功能模块。该系统作为“发动机全寿命管理系统”的重要组成部分已被应用于国航的发动机健康状态监视工作中,测试结果表明了系统的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题来源
• 1.2 课题研究的目的及意义
• 1.3 发动机状态监视系统研究现状
• 1.4 发动机状态监视方法研究现状
• 1.4.1 发动机气路性能监视
• 1.4.2 发动机状态其它监视方法
• 1.5 基于机器学习的趋势预测技术
• 1.5.1 基于过程神经网络的趋势预测技术
• 1.5.2 支持向量机在预测问题中的适应性
• 1.6 本文研究的主要内容
• 第2章 发动机气路性能数据预处理
• 2.1 引言
• 2.2 发动机气路性能数据特点及其预处理方法选择
• 2.3 基于连续小波变换模极大曲线的信号突变识别与重构
• 2.3.1 基于傅里叶变换的信号连续小波变换与反演算法
• 2.3.2 基于连续小波变换模极大识别信号突变的可行性
• 2.3.3 基于模极大曲线增强突变识别的鲁棒性并重构信号
• 2.3.4 基本小波的选择
• 2.3.5 边沿效应及伪模极大的处理
• 2.4 算法的实现
• 2.5 基于连续小波变换模极大的发动机气路性能数据预处理
• 2.6 本章小结
• 第3章 基于混合递归过程神经网络的发动机气路参数预测
• 3.1 引言
• 3.2 混合递归过程神经网络
• 3.2.1 过程神经元
• 3.2.2 混合递归过程神经网络的拓扑结构
• 3.3 混合递归过程神经网络学习算法
• 3.3.1 基于正交基函数的混合递归过程神经网络模型简化算法
• 3.3.2 基于弹性BP 算法的混合递归过程神经网络学习算法
• 3.4 基于混合递归过程神经网络的发动机气路参数预测
• 3.4.1 混合递归过程神经网络有效性验证
• 3.4.2 发动机气路参数预测
• 3.5 本章小结
• 第4章 发动机性能趋势分析的支持向量回归方法
• 4.1 引言
• 4.2 拟合问题的描述及线性支持向量回归方法
• 4.3 欧氏距离最小二乘支持向量回归方法
• 4.3.1 数据拟合问题的一般假设
• 4.3.2 欧氏距离最小二乘支持向量回归模型
• 4.3.3 欧氏距离最小二乘支持向量回归算法实现
• 4.4 基于欧氏距离最小二乘SVR 的发动机性能趋势分析
• 4.4.1 欧氏距离最小二乘SVR 有效性验证
• 4.4.2 发动机性能趋势分析
• 4.5 本章小结
• 第5章 基于灰色层次分析法的发动机状态综合评价
• 5.1 引言
• 5.2 发动机状态综合评价指标体系的建立
• 5.2.1 建立评价指标体系的一般方法
• 5.2.2 发动机状态综合评价指标体系的建立
• 5.3 基于拟优一致判断矩阵的发动机状态评价综合权值的求解
• 5.3.1 判断矩阵的确定
• 5.3.2 评价指标综合权值的求解
• 5.4 基于白化权函数的发动机状态综合评价指标观测值评分
• 5.4.1 灰类的划分及定性指标的处理
• 5.4.2 发动机状态综合评价指标观测值的评分
• 5.5 发动机状态综合评价
• 5.6 基于灰色层次分析法的发动机状态综合评价示例
• 5.7 本章小结
• 第6章 发动机状态监视系统的实现与应用
• 6.1 引言
• 6.2 需求及总体设计
• 6.2.1 需求分析
• 6.2.2 功能模型设计
• 6.2.3 数据模型设计
• 6.2.4 体系结构设计
• 6.3 系统实现与应用
• 6.3.1 发动机状态趋势分析模块的实现与应用
• 6.3.2 发动机状态综合评价值排队模块的实现与应用
• 6.3.3 发动机拆发期预报模块的实现与应用
• 6.3.4 自动报警模块的实现与应用
• 6.3.5 当前机群时间分布模块的实现与应用
• 6.4 系统的应用效果
• 6.5 本章小结
• 结论
• 参考文献
• 攻读博士学位期间发表的学术论文
• 致谢
• 个人简历