隨著機器學習與人工智能的發(fā)展,基于數據驅動的建模方法在沒有系統(tǒng)過程先驗知識的情況下也可以獲得復雜系統(tǒng)的精確輸出,基于系統(tǒng)辨識理論開展了發(fā)動機傳感器故障診斷方法的研究,主要研究內容為:首先,對DGEN380渦扇發(fā)動機開展了系統(tǒng)辨識建模研究,完成了發(fā)動機在3種典型工況下的系統(tǒng)辨識實驗設計與數據采集工作。在發(fā)動機3種典型工況下的小鄰域內將DGEN380發(fā)動機視為線性系統(tǒng),采用預測誤差FPE準則選擇合適的線性系統(tǒng)模型結構,并基于最小二乘原理RLS（Recursive Least Square Algorithm）完成了對發(fā)動機線性系統(tǒng)的辨識。隨后采用了一種能夠對線性系統(tǒng)模型結構和參數同步辨識的UD分解算法,并將UD分解算法其推廣到MIMO線性系統(tǒng)的模型辨識。然后,將DGEN380發(fā)動機視為非線性系統(tǒng),并采用非線性自回歸滑動平均NARMAX模型建立發(fā)動機非線性模型。提出一種基于AIC（Akaike Information Criterion）顯著性準則的前向選擇法對NARMAX模型結構進行選擇。鑒于LOLIMOT（Local Linear Model Tree）網絡模型較強的非線性映射能力且能夠... 

【文章頁數】：114 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題背景和意義
    1.2 國內外研究現狀
        1.2.1 航空發(fā)動機建模技術國內外研究現狀
        1.2.2 航空發(fā)動機傳感器故障診斷技術國內外研究現狀
    1.3 本文主要研究內容
第二章 發(fā)動機辨識實驗設計與數據處理
    2.1 系統(tǒng)辨識理論概述
        2.1.1 系統(tǒng)辨識內容和步驟
        2.1.2 系統(tǒng)辨識模型
        2.1.3 常見系統(tǒng)辨識方法
    2.2 渦扇發(fā)動機系統(tǒng)辨識實驗設計
        2.2.1 系統(tǒng)辨識對象
        2.2.2 偽隨機輸入信號設計
        2.2.3 多倍正弦和輸入信號設計
    2.3 實驗數據處理與數據檢驗
        2.3.1 實驗數據零均值化與低通濾波處理
        2.3.2 實驗數據同步性檢驗
        2.3.3 實驗數據非線性和漂移性檢驗
    2.4 本章小結
第三章 渦扇發(fā)動機線性系統(tǒng)辨識方法研究
    3.1 線性系統(tǒng)數學模型概述
        3.1.1 連續(xù)型單輸入單輸出數學模型
        3.1.2 離散型單輸入單輸出數學模型
    3.2 基于最小二乘理論的發(fā)動機線性系統(tǒng)辨識
        3.2.1 最小二乘基本原理
        3.2.2 遞推形式下的系統(tǒng)參數和噪聲方差估計
        3.2.3 基于最終預測誤差準則的線性系統(tǒng)階次辨識
        3.2.4 發(fā)動機系統(tǒng)仿真
    3.3 基于增廣UD分解算法的發(fā)動機線性系統(tǒng)辨識
        3.3.1 信息壓縮矩陣和矩陣UD分解算法
        3.3.2 矩陣UD分解與RLS算法結合用于發(fā)動機結構和參數辨識
        3.3.3 適用于MIMO線性系統(tǒng)辨識的UD分解算法
        3.3.4 基于殘差自相關系數法的辨識模型檢驗
    3.4 本章小結
第四章 渦扇發(fā)動機非線性系統(tǒng)辨識方法研究
    4.1 非線性系統(tǒng)模型概述
        4.1.1 Volterra級數模型
        4.1.2 Hammerstein模型
        4.1.3 Wiener模型
    4.2 基于NARMAX模型的航空發(fā)動機非線性建模
        4.2.1 NARMAX非線性模型的數學描述
        4.2.2 NARMAX非線性模型參數求解方法
        4.2.3 基于AIC信息準則的NARMAX模型結構選擇
        4.2.4 DGEN380發(fā)動機非線性建模
    4.3 基于LOLIMOT網絡模型的航空發(fā)動機非線性建模
        4.3.1 局部線性模型樹LOLIMOT網絡
        4.3.2 LOLIMOT神經網絡的局部參數估計
        4.3.3 LOLIMOT網絡建立發(fā)動機非線性模型
        4.3.4 發(fā)動機線性模型與非線性模型精度對比
    4.4 本章小結
第五章 基于系統(tǒng)辨識技術的傳感器故障診斷方法研究
    5.1 發(fā)動機傳感器常見故障模式
    5.2 基于辨識理論的線性系統(tǒng)傳感器在線故障診斷方法研究
        5.2.1 用于傳感器故障診斷的改進RLS辨識算法
        5.2.2 選擇遺忘機制與RLS算法結合用于時變系統(tǒng)傳感器故障診斷
        5.2.3 線性系統(tǒng)傳感器故障診斷仿真
    5.3 基于辨識理論的非線性系統(tǒng)傳感器故障診斷方法研究
        5.3.1 故障情況下非線性系統(tǒng)的數學描述
        5.3.2 用于非線性系統(tǒng)故障診斷的改進NARMAX結構
        5.3.3 基于LOLIMOT網絡的非線性系統(tǒng)傳感器故障診斷方法研究
        5.3.4 非線性系統(tǒng)傳感器故障診斷仿真
    5.4 基于小波理論的發(fā)動機傳感器故障種類辨識研究
        5.4.1 小波變換理論
        5.4.2 傳感器故障信號的特征提取研究
        5.4.3 傳感器故障種類識別
        5.4.4 基于動態(tài)系統(tǒng)辨識的發(fā)動機傳感器故障識別結構
    5.5 本章小結
第六章 結論與展望
    6.1 全文結論
    6.2 展望
致謝
參考文獻
碩士學位攻讀期間發(fā)表的論文成果


【參考文獻】：
期刊論文
[1]UD分解與偏差補償結合用于變量帶誤差模型辨識[J]. 蕭德云,楊帆,張益農,耿立輝.  控制理論與應用. 2018(07)
[2]基于Hammerstein模型的非線性分離法預測控制[J]. 李元明,潘紅光,鄒濤,錢新華.  信息與控制. 2017(02)
[3]基于神經網絡的熱工系統(tǒng)辨識方法研究[J]. 要亞斌,李淑琴,黃宇.  計算機仿真. 2016(08)
[4]堆疊隱空間模糊C均值聚類算法[J]. 王駿,劉歡,蔣亦樟,鄧趙紅,王士同.  控制與決策. 2016(09)
[5]航空發(fā)動機控制系統(tǒng)傳感器故障診斷仿真研究[J]. 王濤,薛薇,呂淮北.  計算機仿真. 2016(02)
[6]線性參數系統(tǒng)的多新息辨識方法[J]. 丁鋒,郭蘭杰.  南京信息工程大學學報(自然科學版). 2015(04)
[7]基于似然剖面的元件模型暫態(tài)參數可辨識性分析[J]. 陳潤澤,孫宏斌,吳文傳,張伯明.  中國電機工程學報. 2015(06)
[8]基于擴展濾波器的非線性系統(tǒng)迭代學習故障診斷算法[J]. 陶洪峰,陳大朋,楊慧中.  控制與決策. 2015(06)
[9]基于ARMAX模型的子空間辨識算法[J]. 李天一,鄭建榮.  計算機仿真. 2015(01)
[10]多目標免疫GEP算法及其在多項式NARMAX模型辨識中的應用[J]. 周霞,沈炯.  控制與決策. 2014(06)

博士論文
[1]基于熵的傳感器故障診斷方法研究[D]. 楊巧寧.北京化工大學 2016
[2]基于結構優(yōu)化PCA的傳感器故障診斷方法及其應用研究[D]. 付克昌.浙江大學 2007

碩士論文
[1]基于系統(tǒng)辨識的航空發(fā)動機建模研究[D]. 鄭斐華.中國科學院大學(中國科學院工程熱物理研究所) 2018
[2]混合卡方分布序列極值的漸近性質[D]. 易曉婷.湖南大學 2017
[3]基于信息熵的傳感器故障診斷方法研究[D]. 王炳炬.華北電力大學(北京) 2016
[4]航空發(fā)動機傳感器故障診斷及信號重構[D]. 趙文博.南京航空航天大學 2011
[5]航空發(fā)動機動態(tài)過程系統(tǒng)辨識[D]. 于同利.西北工業(yè)大學 2006



本文編號：3704000