預測與健康管理技術(shù)(Prognostics and Health Management,PHM)以其對設(shè)備健康狀態(tài)的預測能力和對多源信息的綜合處理能力構(gòu)成了對復雜裝備視情維修的良好支撐。目前國內(nèi)民航發(fā)動機PHM領(lǐng)域缺乏有效的發(fā)動機性能推理手段,對發(fā)動機部件與整機于在翼和修后時間段內(nèi)的性能預測存在著諸多不足。本文以民航發(fā)動機為研究對象,重點研究部件性能建模和診斷、整機在翼性能趨勢預測、單機隊和跨機隊的修后性能預測等問題。針對各類問題,分別提出數(shù)據(jù)與物理知識融合的發(fā)動機性能建模、多元參數(shù)融合的發(fā)動機性能趨勢預測、多源信息融合的機隊修后性能預測、基于遷移學習的跨機隊修后性能預測等方法。研究內(nèi)容按照部件、整機、機隊、多機隊的順序依次遞進,解決問題的過程中融合了發(fā)動機設(shè)計知識、在線監(jiān)控數(shù)據(jù)、維修工作范圍、使用時間等多源信息,為民航發(fā)動機的性能預測提供理論和技術(shù)支持。本文的主要研究內(nèi)容如下:航空發(fā)動機屬復雜多部件系統(tǒng),對其性能進行建模需要融合觀測數(shù)據(jù)及物理知識以克服可測參數(shù)數(shù)量過少所導致的部件特性不可辨識問題。為此,提出了一種數(shù)據(jù)和物理知識融合的,對多部件系統(tǒng)進行系統(tǒng)層和部件層協(xié)同建模的跨層級混合學...

【文章頁數(shù)】：159 頁

【學位級別】：博士

【部分圖文】：

圖1-1民航發(fā)動機雙轉(zhuǎn)子構(gòu)型Fig,1一1TwinshaftStructureofcommercialaircraftengine

第1章緒論斯方法的信息融合技術(shù)、基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合技術(shù)等信息技術(shù)的快速發(fā)展以及信息系統(tǒng)的快速外延，多源數(shù)據(jù)融合過了傳感器數(shù)據(jù)融合的簡單含義，而是指包含了數(shù)據(jù)、圖像、等多種廣義信息單元的融合。相對于傳統(tǒng)的多傳感器數(shù)據(jù)融合過源信息融合具有實時性、密集型、全空間性、綜合....

圖1-2論文章節(jié)安排及對應研究內(nèi)容Fig.1-2Thechaptersinthisdissertationandcorrespondingresearchcontents

哈爾濱工業(yè)大學博士學位論文分析兩個相互耦合步驟的聯(lián)合遷移，對于此類問題，目前尚未有效決方案。為了使遷移學習能夠被應用于發(fā)動機的跨機隊修后性能預統(tǒng)籌考慮模型特征提取機制和回歸分析機制之間的關(guān)聯(lián)特性，以實遷移。本文的主要研究內(nèi)容為了提高國內(nèi)航空公司的發(fā)動機管理水平，減輕對發(fā)動機制造....

圖2-2局部模型的融合過程示意圖

件II和條件IV還良好地避免了多重共線部模型的融合上證明了如果給定的物理知識足夠多，可件模型的可觀測性。在實際的系統(tǒng)建模收集到的物理知識不足而不滿足定理2-1況下，所有連接到第二類節(jié)點上的部件下，應將可觀測性不足的局部模型進行的局部模型。這種方法能夠通過舍棄部從而使系統(tǒng)....

圖2-3TLML算法的整體運行流程示意圖

-26-如圖所示，算法的總體輸入為訓練參數(shù)集合U，以及等式約束集合E。首先令將各個局部模型1h()至()Kh初始化為仿射函數(shù)，而后采用遍歷1h()至的方式來決定新自由度在局部模型之間的歸屬。當評估()jh在獲得新的自由能為模型精度帶來的提升效果時....

本文編號：4019495