研究發(fā)動機監(jiān)控系統(tǒng)必須面臨兩大技術(shù)難題:發(fā)動機基線挖掘和故障診斷。獲取基線是進行故障診斷的前提條件。分別針對這兩項難題構(gòu)建基線挖掘和故障診斷模型,具體工作如下:（1）為提高基線挖掘的精度,提出BAS（Beetle Antennae Search,天牛須算法）與Elman相結(jié)合的基線挖掘模型。為解決BAS尋優(yōu)效率低的問題,將BAS算法群體化;為解決BAS算法搜索精度問題,用自適應(yīng)思想對BAS算法改造。最后將群體ADP BAS算法（改進后的BAS）與Elman結(jié)合建立群體ADP BAS-Elman模型。經(jīng)計算驗證,群體ADP BAS算法收斂速度、精度均高于傳統(tǒng)尋優(yōu)算法,群體ADP BAS-Elman模型的基線擬合精度和學(xué)習(xí)能力均強于傳統(tǒng)模型。（2）為提高發(fā)動機氣路故障診斷的正確率,提出PSO（Particle Swarm Optimization,粒子群算法）與ELM（Extreme Learning Machine,極限學(xué)習(xí)機）相結(jié)合的診斷模型。針對PSO易于陷入局部最優(yōu)的缺陷,提出混沌算法;為解決PSO的搜索精度和速度的矛盾,利用自適應(yīng)思想改進PSO算法。經(jīng)計算驗證,混沌ADP PSO... 

【文章來源】：中國民航大學(xué)天津市

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 發(fā)動機監(jiān)控系統(tǒng)國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 數(shù)據(jù)挖掘國內(nèi)外研究現(xiàn)狀
        1.3.1 國外研究現(xiàn)狀
        1.3.2 國內(nèi)研究現(xiàn)狀
    1.4 ANN和 CBR的故障診斷研究現(xiàn)狀
        1.4.1 國外研究現(xiàn)狀
        1.4.2 國內(nèi)研究現(xiàn)狀
    1.5 研究內(nèi)容與目標
    1.6 論文的組織與結(jié)構(gòu)
第二章 群體ADP BAS-Elman發(fā)動機基線挖掘方法的研究
    2.1 基線挖掘的意義和難點
    2.2 Elman網(wǎng)絡(luò)原理分析
    2.3 BAS原理分析
        2.3.1 BAS算法運算規(guī)則
        2.3.2 BAS算法計算流程
    2.4 BAS算法的改進
        2.4.1 尋優(yōu)效率問題的改進
        2.4.2 搜索精度與速度間矛盾的改進
    2.5 群體ADP BAS-Elman模型的建立
        2.5.1 模型參數(shù)的優(yōu)化
        2.5.2 群體ADP BAS-Elman模型工作流程
    2.6 群體ADP BAS-Elman模型用于發(fā)動機基線挖掘
        2.6.1 數(shù)據(jù)的來源與選擇
        2.6.2 尋優(yōu)算法的比較研究
        2.6.3 基線挖掘模型的比較分析
        2.6.4 基線挖掘模型的學(xué)習(xí)能力對比分析
第三章 混沌ADP PSO-ELM氣路故障診斷方法的研究
    3.1 發(fā)動機氣路性能趨勢分析
    3.2 氣路診斷的方法及優(yōu)缺點
    3.3 ELM原理分析
    3.4 PSO算法運算原理分析
        3.4.1 PSO速度和位置公式
        3.4.2 PSO算法流程
    3.5 PSO算法的改進
        3.5.1 搜索精度與速度間矛盾的改進
        3.5.2 局部最優(yōu)問題的改進
    3.6 混沌ADP PSO-ELM模型的建立
        3.6.1 數(shù)據(jù)的來源與選擇
        3.6.2 模型參數(shù)的優(yōu)化
        3.6.3 混沌ADP PSO-ELM模型工作流程
    3.7 混沌ADP PSO-ELM模型用于氣路故障診斷
        3.7.1 尋優(yōu)算法的比較研究
        3.7.2 激活函數(shù)對診斷效果的影響
        3.7.3 隱層神經(jīng)元數(shù)量對診斷效果的影響
        3.7.4 氣路診斷模型學(xué)習(xí)能力的對比分析
第四章 基于Cosine-IGRA相似度判定方法的CBR氣路故障診斷
    4.1 ANN的缺點與CBR的優(yōu)勢
    4.2 CBR原理分析
        4.2.1 CBR概述
        4.2.2 CBR診斷模型的總體思路
    4.3 屬性約減
    4.4 相似度判定算法的研究與改進
        4.4.1 傳統(tǒng)的相似度算法存在的缺點
        4.4.2 建立Cosine-IGRA聯(lián)合相似度判定算法
    4.5 權(quán)值分配算法的研究與改進
        4.5.1 傳統(tǒng)權(quán)值分配算法存在的缺點
        4.5.2 混沌ADP PSO-CBR權(quán)值分配模型
    4.6 CBR模型診斷結(jié)果對比
        4.6.1 數(shù)據(jù)來源
        4.6.2 權(quán)值分配結(jié)果及診斷效果對比
第五章 總結(jié)與展望
    5.1 研究內(nèi)容總結(jié)
    5.2 研究展望
致謝
參考文獻
附錄
    FF的擬合誤差
    N2的擬合誤差
作者簡介


【參考文獻】：
期刊論文
[1]基于天牛須搜索的粒子群優(yōu)化算法求解投資組合問題[J]. 陳婷婷,殷賀,江紅莉,王露.  計算機系統(tǒng)應(yīng)用. 2019(02)
[2]基于天牛須搜索優(yōu)化的室內(nèi)定位算法[J]. 鄒東堯,陳鵬偉,劉寬.  湖北民族學(xué)院學(xué)報(自然科學(xué)版). 2018(04)
[3]基于一種新的案例推理算法的變電站智能故障診斷方法研究[J]. 林鴻偉,黃彥,黃劼.  計算機與數(shù)字工程. 2018(11)
[4]一類帶學(xué)習(xí)與競技策略的混沌天牛群搜索算法[J]. 趙玉強,錢謙.  通信技術(shù). 2018(11)
[5]案例推理方法在水泵故障診斷中的應(yīng)用[J]. 張媛媛,原思聰,郭田奇.  機械設(shè)計與制造. 2018(11)
[6]基于天牛須搜索的花朵授粉算法[J]. 邵良杉,韓瑞達.  計算機工程與應(yīng)用. 2018(18)
[7]基于變步長天牛須搜索算法的空間直線度誤差評定[J]. 陳君寶,王宸,王生懷.  工具技術(shù). 2018(08)
[8]基于熵選擇小波包分量和PSO-BP神經(jīng)網(wǎng)絡(luò)的發(fā)動機故障診斷[J]. 丁雷,曾銳利,沈虹,梅檢民,曾榮.  軍事交通學(xué)院學(xué)報. 2018(04)
[9]基于IPSO-Elman神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機故障診斷[J]. 皮駿,黃江博.  航空動力學(xué)報. 2017(12)
[10]基于隨機游走蜂群算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)電動機故障診斷研究[J]. 孫慧影,林中鵬,劉銀麗,李萌.  水電能源科學(xué). 2017(08)

碩士論文
[1]新能源電動汽車電源能量控制策略[D]. 孟佳.長春工業(yè)大學(xué) 2018
[2]基于案例推理的咨詢系統(tǒng)關(guān)鍵技術(shù)研究[D]. 李淑娥.西北師范大學(xué) 2017
[3]基于深度置信網(wǎng)絡(luò)的發(fā)動機狀態(tài)監(jiān)控研究[D]. 單晨晨.中國民航大學(xué) 2017
[4]建筑智能化生成設(shè)計法演化歷程[D]. 涂文鐸.湖南大學(xué) 2016
[5]基于多方法的CFM56-7B發(fā)動機基線挖掘研究[D]. 王聃.中國民用航空飛行學(xué)院 2016
[6]基于案例推理和改進神經(jīng)網(wǎng)絡(luò)的發(fā)動機故障診斷研究[D]. 黃遠強.中國民航大學(xué) 2016
[7]改進型灰色理論實現(xiàn)案例推理的故障診斷研究[D]. 張向波.中國民航大學(xué) 2015
[8]極限學(xué)習(xí)機在航空發(fā)動機氣路故障診斷中的應(yīng)用[D]. 林敏.上海交通大學(xué) 2015
[9]航空發(fā)動機狀態(tài)參數(shù)處理技術(shù)及其應(yīng)用研究[D]. 彭云飛.哈爾濱工業(yè)大學(xué) 2009
[10]民航發(fā)動機健康管理技術(shù)與方法研究[D]. 李強.南京航空航天大學(xué) 2008



本文編號：3165883