發(fā)布時間：2017-10-15 03:02

  本文關鍵詞：基于離散過程神經網絡的航空發(fā)動機性能參數(shù)融合預測技術研究

  更多相關文章： 航空發(fā)動機 預處理 相關性分析 信息融合 過程神經網絡

【摘要】：航空發(fā)動機視情維修的實現(xiàn)基于對航空發(fā)動機性能參數(shù)的準確預測。傳統(tǒng)的單參數(shù)預測技術雖能在一定程度上實現(xiàn)對性能參數(shù)的預測,但其存在準確程度不高、運算速度不夠快等缺陷,航空公司已不再滿足于采用該方式進行參數(shù)預測。究其原因,除了現(xiàn)有預測系統(tǒng)所采用的傳統(tǒng)BP神經網絡等算法有一定的局限性外,忽視多種性能參數(shù)間的相關關系也使得預測精度的提升遇到了瓶頸。為此,本文擬選擇合適的方法進行輸入參數(shù)融合,同時采用一種新型離散輸入過程神經網絡建立航空發(fā)動機性能參數(shù)融合預測模型,并以其對實際航空發(fā)動機性能參數(shù)進行預測。針對基于密度的異常點識別方法運算過程中出現(xiàn)的不方便、不準確的問題,本文提出一種基于不確定距離的異常點識別方法,通過計算數(shù)據點鄰域內全局覆蓋概率,從不確定性的角度對異常點進行識別,并與基于距離和密度的異常點識別方法進行比較,驗證該方法的有效性。同時,針對指數(shù)平滑法的不足,基于羅-羅公司使用的COMPASS平滑函數(shù)對性能參數(shù)時間序列進行平滑處理,為融合預測做好輸入數(shù)據準備。為定量分析航空發(fā)動機性能參數(shù)間的相關性,以便進行融合預測,本文提出一種基于實驗現(xiàn)象的三點漸進查詢方法,能夠快速查詢到最大延遲相關點,進而計算出線性相關系數(shù)。為防止僅計算線性相關系數(shù)產生相關性分析誤差,本文擬采用基于分形理論的去趨勢交叉相關方法對航空發(fā)動機不同的性能參數(shù)間的非線性相關性進行定量分析,求取交叉相關赫斯特指數(shù),以此為依據判定各參數(shù)間的非線性相關性大小。對比以上兩種方法所得結果,選擇相關性較大的參數(shù)作為融合預測的基礎。針對現(xiàn)有單參數(shù)預測模型存在的精度和運算速度等問題,建立基于卷積和離散輸入過程神經網絡的航空發(fā)動機性能參數(shù)融合預測模型。針對主成分分析過程運算量大、局部特征體現(xiàn)不明顯問題,本文提出一種基于蟻群算法的輸入樣本空間劃分方法,通過建立TSP問題模型并采用蟻群算法求解,將相空間重構后的樣本空間劃分為若干子空間,再分別對各個子空間進行主成分分析。在此基礎上,將融合預測結果與單參數(shù)預測結果進行比較,驗證模型的有效性�；谏鲜隼碚撗芯砍晒�,充分分析需求,采用C/S構架,開發(fā)具有性能參數(shù)預處理、性能參數(shù)相關性分析、性能參數(shù)融合預測、數(shù)據庫管理等功能的航空發(fā)動機性能參數(shù)融合預測軟件原型系統(tǒng),為航空公司提供維修決策支持。
【關鍵詞】：航空發(fā)動機 預處理 相關性分析 信息融合 過程神經網絡
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：V263.6
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第1章 緒論10-23
• 1.1 課題背景10-12
• 1.1.1 課題來源10
• 1.1.2 課題研究的目的和意義10-12
• 1.2 國內外研究現(xiàn)狀12-21
• 1.2.1 性能參數(shù)預處理12-16
• 1.2.2 性能參數(shù)相關性分析16-18
• 1.2.3 性能參數(shù)融合預測18-21
• 1.3 本文主要研究內容21-23
• 第2章 航空發(fā)動機性能參數(shù)預處理23-38
• 2.1 引言23
• 2.2 性能參數(shù)時間序列異常點識別23-31
• 2.2.1 航空發(fā)動機性能參數(shù)的選擇及其時間序列的構建23-24
• 2.2.2 基于密度方法的異常點識別和剔除24-26
• 2.2.3 基于不確定性距離的異常點識別和剔除方法26-31
• 2.3 基于COMPASS函數(shù)的時間序列平滑處理31-34
• 2.3.1 時間序列平滑處理常用方法分析31-32
• 2.3.2 基于COMPASS平滑函數(shù)的時間序列平滑32-34
• 2.4 實例分析34-37
• 2.4.1 性能參數(shù)異常點識別實例分析34-35
• 2.4.2 性能參數(shù)平滑化實例分析35-37
• 2.5 本章小結37-38
• 第3章 航空發(fā)動機性能參數(shù)相關性分析38-47
• 3.1 引言38
• 3.2 基于三點查詢法的性能參數(shù)線性相關性分析38-42
• 3.2.1 基于三點查詢法的性能參數(shù)最大延遲相關點查詢38-40
• 3.2.2 算法有效性驗證40-41
• 3.2.3 性能參數(shù)線性相關系數(shù)計算41-42
• 3.3 基于分形理論的性能參數(shù)非線性相關性分析42-46
• 3.3.1 性能參數(shù)時間序列分形輪廓的確定42-43
• 3.3.2 重分形去趨勢相關性分析43-45
• 3.3.3 航空發(fā)動機性能參數(shù)非線性相關性分析45-46
• 3.4 本章小結46-47
• 第4章 基于離散輸入過程神經網絡的融合預測模型47-63
• 4.1 引言47
• 4.2 基于蟻群算法的輸入樣本優(yōu)化47-50
• 4.2.1 基于主成分分析的輸入樣本降維實現(xiàn)47-48
• 4.2.2 基于蟻群算法的性能參數(shù)輸入樣本空間劃分48-50
• 4.3 基于離散輸入過程神經網絡融合預測模型的建立50-58
• 4.3.1 離散輸入過程神經網絡50-52
• 4.3.2 基于離散輸入過程神經網絡的融合預測模型52-54
• 4.3.3 融合預測模型的有效性驗證54-58
• 4.4 基于融合預測模型的性能參數(shù)預測實例分析58-62
• 4.5 本章小結62-63
• 第5章 融合預測軟件原型系統(tǒng)的實現(xiàn)63-76
• 5.1 引言63
• 5.2 航空發(fā)動機性能參數(shù)預測系統(tǒng)需求分析63-65
• 5.3 系統(tǒng)的功能模塊設計65-67
• 5.4 系統(tǒng)體系結構設計67-69
• 5.5 系統(tǒng)功能演示69-75
• 5.5.1 系統(tǒng)登錄界面及客戶端主界面69-70
• 5.5.2 性能參數(shù)預處理界面70-72
• 5.5.3 性能參數(shù)相關性分析界面72-73
• 5.5.4 性能參數(shù)融合預測界面73-75
• 5.6 本章小結75-76
• 結論76-77
• 參考文獻77-83
• 致謝83

【引證文獻】

中國重要會議論文全文數(shù)據庫 前1條

1 鄭斌祥;席裕庚;杜秀華;;基于面向對象技術的OLAP系統(tǒng)設計研究及應用[A];2001年中國智能自動化會議論文集（下冊）[C];2001年

，

本文編號：1034684