本文關(guān)鍵詞：基于小波神經(jīng)網(wǎng)絡(luò)的航電系統(tǒng)故障預(yù)測與健康管理技術(shù)研究

  更多相關(guān)文章： 健康管理 小波分析 神經(jīng)網(wǎng)絡(luò) 故障診斷 故障預(yù)測

【摘要】：隨著航空技術(shù)的發(fā)展,綜合航電系統(tǒng)的復(fù)雜度越來越高,發(fā)生故障的頻率及由此帶來的損失也越來越多,故障預(yù)測與健康管理(Prognostics and Health Management,PHM)作為實現(xiàn)航空器視情維修、自主式保障的新興技術(shù),已成為新一代航電系統(tǒng)系統(tǒng)設(shè)計和使用的重要部分。故障預(yù)測與健康管理是基于視情維修的一種全面狀態(tài)監(jiān)測、故障診斷、故障預(yù)測及健康管理技術(shù)。它是在有異常征兆時,就對故障的發(fā)展趨勢進行預(yù)測,確定系統(tǒng)的剩余使用壽命和未來某時刻的健康狀況,并選擇在合適的時間內(nèi)采取維修策略,預(yù)防系統(tǒng)完全故障,實現(xiàn)自主式保障,達到安全性、可靠性,降低使用和保障費用的目標(biāo)。本文針對航電PHM系統(tǒng)中狀態(tài)監(jiān)測、故障診斷及故障預(yù)測3個模塊,研究了多小波閾值去噪、小波包特征向量提取、小波神經(jīng)網(wǎng)絡(luò)故障分類器及預(yù)測器等多項關(guān)鍵技術(shù)。具體研究內(nèi)容如下:1.多小波閾值去噪。研究了GHM多小波閾值去噪的步驟,仿真分析了四種典型閾值估計的去噪性能。針對多小波閾值去噪中硬閾值和軟閾值函數(shù)的缺點,提出了一種改進的閾值函數(shù),經(jīng)過仿真分析,這種改進的閾值函數(shù)去噪性能優(yōu)于硬閾值函數(shù)和軟閾值函數(shù),在輸入信噪比為12 dB的情況下,利用改進的閾值函數(shù)去噪后的信噪比達到20.5867 dB,去噪后信噪比提升了71.56%,最小均方誤差為0.3742。2.小波包特征向量提取。將小波包分解的各頻段能量作為故障特征量,可以把微弱的早期故障分解到容易檢測到的故障特征空間中去,并為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)提供訓(xùn)練樣本。仿真了小波包、最優(yōu)小波包提取特征向量的過程,其中最優(yōu)小波包提取特征向量可以很大程度上改善“維數(shù)災(zāi)”的問題。3.健康評估。通過將小波包各層分解系數(shù)的殘差與預(yù)先設(shè)定的閾值比較,判定現(xiàn)時系統(tǒng)所處的是健康態(tài)還是異常態(tài)。4.神經(jīng)網(wǎng)絡(luò)故障分類器、性能預(yù)測器。研究了傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法和改進的小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法,改進的算法通過增加動量項和自適應(yīng)改變學(xué)習(xí)速率,很好的改善了傳統(tǒng)最速下降法收斂速度慢、易陷入極小點的缺陷,通過仿真實驗,驗證了此算法的有效性。并給出故障診斷和故障預(yù)測實例,驗證了小波神經(jīng)網(wǎng)絡(luò)作為故障分類器進行故障診斷,作為非線性函數(shù)擬合器進行故障預(yù)測的合理性和可行性。
【關(guān)鍵詞】：健康管理 小波分析 神經(jīng)網(wǎng)絡(luò) 故障診斷 故障預(yù)測
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：V267
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 符號對照表11-12
• 縮略語對照表12-15
• 第一章 緒論15-23
• 1.1 論文研究背景及意義15
• 1.2 國內(nèi)外研究現(xiàn)狀15-18
• 1.2.1 國外研究現(xiàn)狀16-17
• 1.2.2 國內(nèi)研究現(xiàn)狀17-18
• 1.3 PHM體系結(jié)構(gòu)18-20
• 1.4 論文組織結(jié)構(gòu)安排20-23
• 第二章 小波分析及神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)23-41
• 2.1 小波分析23-26
• 2.1.1 連續(xù)小波變換23-24
• 2.1.2 離散小波變換24-26
• 2.2 多小波分析26-30
• 2.2.1 多小波的定義26-28
• 2.2.2 多小波的預(yù)濾波28-29
• 2.2.3 多小波分解、重構(gòu)29-30
• 2.3 小波包分析30-32
• 2.3.1 小波包的定義30-31
• 2.3.2 小波包分解、重構(gòu)31-32
• 2.4 小波神經(jīng)網(wǎng)絡(luò)32-40
• 2.4.1 BP神經(jīng)網(wǎng)絡(luò)33-34
• 2.4.2 小波神經(jīng)網(wǎng)絡(luò)34-35
• 2.4.3 小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法35-40
• 2.5 本章小結(jié)40-41
• 第三章 基于小波分析的PHM系統(tǒng)狀態(tài)監(jiān)測41-63
• 3.1 引言41
• 3.2 多小波閾值去噪41-52
• 3.2.2 閾值的估計45-48
• 3.2.3 閾值函數(shù)的選取48-49
• 3.2.4 改進的閾值函數(shù)49-52
• 3.3 信號特征向量提取52-60
• 3.3.1 小波包分析提取52-57
• 3.3.2 最優(yōu)小波包提取57-60
• 3.4 健康評估60
• 3.5 本章小結(jié)60-63
• 第四章 基于小波神經(jīng)網(wǎng)絡(luò)的PHM系統(tǒng)故障診斷與故障預(yù)測63-83
• 4.1 引言63-64
• 4.2 改進的小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法64-67
• 4.3 基于小波神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究67-76
• 4.3.1 診斷原理67-69
• 4.3.2 診斷實例69-76
• 4.4 基于小波神經(jīng)網(wǎng)絡(luò)的故障預(yù)測方法研究76-82
• 4.4.1 預(yù)測原理76-78
• 4.4.2 預(yù)測實例78-82
• 4.5 本章小結(jié)82-83
• 第五章 總結(jié)與展望83-85
• 5.1 工作總結(jié)83
• 5.2 工作展望83-85
• 參考文獻85-89
• 致謝89-91
• 作者簡介91-92

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 張寶珍;;預(yù)測與健康管理技術(shù)的發(fā)展及應(yīng)用[J];測控技術(shù);2008年02期

2 木志高;胡海峰;胡蔦慶;;武器裝備故障預(yù)測及健康管理系統(tǒng)設(shè)計[J];兵工自動化;2006年03期

3 何志強;綜合化航空電子系統(tǒng)發(fā)展歷程及重要支撐技術(shù)[J];電訊技術(shù);2004年04期

，

本文編號：866015