基于案例推理的民航發(fā)動機(jī)故障診斷研究
發(fā)布時間:2023-12-09 09:17
案例推理是利用處理歷史案例時的經(jīng)驗和方法指導(dǎo)新案例故障的定位,本文主要研究案例檢索確定相似案例。民航發(fā)動機(jī)故障案例檢索主要存在問題是:相似度計算容易陷入距離陷阱、表征故障的特征屬性難以確定、多個相似案例影響案例檢索正確率。本文具體工作如下:(1)發(fā)動機(jī)氣路故障診斷中運用案例推理技術(shù)重用歷史故障案例可以提高發(fā)動機(jī)排故效率。針對現(xiàn)有的基于距離相似度計算方法對氣路特征相似案例難以區(qū)分的問題,本文提出了新的度量算子改進(jìn)歐式距離,提高了距離公式對參數(shù)變化的靈敏度,并證明該距離度量對于數(shù)值參數(shù)變化較小時有更高的分辨率。(2)針對基于距離度量不能區(qū)分的相似案例,本文結(jié)合了大間隔近鄰算法,該算法通過設(shè)定約束條件將不能區(qū)分的相似案例選出,然后構(gòu)建懲罰函數(shù)通過度量學(xué)習(xí)獲得度量變換矩陣,從而將反映故障類型的特征參數(shù)映射到更優(yōu)的多維空間,增大相似案例間距離和縮小同類案例距離。(3)針對造成發(fā)動機(jī)滑油消耗量差異的特征參數(shù)難以提取問題,文本提出RP-CNN對滑油消耗率進(jìn)行分類預(yù)測。首先利于鄰域粗糙集算法確定影響滑油量消耗出現(xiàn)差異的飛行階段,然后通過一維卷積網(wǎng)絡(luò)對飛行階段參數(shù)進(jìn)行降維處理并計算分類正確率。
【文章頁數(shù)】:66 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 國內(nèi)外研究現(xiàn)狀
1.2.1 智能診斷的研究現(xiàn)狀
1.2.2 案例推理的國內(nèi)外研究現(xiàn)狀
1.3 主要研究內(nèi)容和論文結(jié)構(gòu)
第二章 案例推理關(guān)鍵問題分析
2.1 案例推理關(guān)鍵步驟
2.2 發(fā)動機(jī)故障案例的表示和組織
2.2.1 案例表示
2.2.2 發(fā)動機(jī)故障類型
2.3 發(fā)動機(jī)案例特征量化處理
2.4 相似度計算
2.5 基于案例推理的發(fā)動機(jī)故障診斷流程
2.6 本章小結(jié)
第三章 發(fā)動機(jī)故障案例特征提取
3.1 常用特征提取方法
3.2 粗糙集理論
3.2.1 論域與知識庫
3.2.2 近似集
3.2.3 知識約簡和核
3.3 鄰域粗糙集
3.3.1 鄰域粗糙集理論
3.3.2 鄰域決策系統(tǒng)
3.4 基于鄰域粗糙集的特征提取
3.4.1 特征提取流程
3.4.2 發(fā)動機(jī)滑油消耗量預(yù)測特征數(shù)據(jù)提取
3.5 本章小結(jié)
第四章 發(fā)動機(jī)故障案例檢索
4.1 最近鄰算法
4.2 基于LMNN算法的氣路故障診斷
4.2.1 距離度量學(xué)習(xí)
4.2.2 LMNN算法參數(shù)優(yōu)化
4.2.3 實例分析
4.3 基于RP-CNN滑油消耗率分類預(yù)測
4.3.1 一維卷積神經(jīng)網(wǎng)絡(luò)
4.3.2 基于RP-CNN滑油消耗率診斷分析
4.4 本章小結(jié)
第五章 總結(jié)與展望
5.1 總結(jié)
5.2 展望
致謝
作者簡介
參考文獻(xiàn)
本文編號:3871276
【文章頁數(shù)】:66 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 國內(nèi)外研究現(xiàn)狀
1.2.1 智能診斷的研究現(xiàn)狀
1.2.2 案例推理的國內(nèi)外研究現(xiàn)狀
1.3 主要研究內(nèi)容和論文結(jié)構(gòu)
第二章 案例推理關(guān)鍵問題分析
2.1 案例推理關(guān)鍵步驟
2.2 發(fā)動機(jī)故障案例的表示和組織
2.2.1 案例表示
2.2.2 發(fā)動機(jī)故障類型
2.3 發(fā)動機(jī)案例特征量化處理
2.4 相似度計算
2.5 基于案例推理的發(fā)動機(jī)故障診斷流程
2.6 本章小結(jié)
第三章 發(fā)動機(jī)故障案例特征提取
3.1 常用特征提取方法
3.2 粗糙集理論
3.2.1 論域與知識庫
3.2.2 近似集
3.2.3 知識約簡和核
3.3 鄰域粗糙集
3.3.1 鄰域粗糙集理論
3.3.2 鄰域決策系統(tǒng)
3.4 基于鄰域粗糙集的特征提取
3.4.1 特征提取流程
3.4.2 發(fā)動機(jī)滑油消耗量預(yù)測特征數(shù)據(jù)提取
3.5 本章小結(jié)
第四章 發(fā)動機(jī)故障案例檢索
4.1 最近鄰算法
4.2 基于LMNN算法的氣路故障診斷
4.2.1 距離度量學(xué)習(xí)
4.2.2 LMNN算法參數(shù)優(yōu)化
4.2.3 實例分析
4.3 基于RP-CNN滑油消耗率分類預(yù)測
4.3.1 一維卷積神經(jīng)網(wǎng)絡(luò)
4.3.2 基于RP-CNN滑油消耗率診斷分析
4.4 本章小結(jié)
第五章 總結(jié)與展望
5.1 總結(jié)
5.2 展望
致謝
作者簡介
參考文獻(xiàn)
本文編號:3871276
本文鏈接:http://sikaile.net/shoufeilunwen/boshibiyelunwen/3871276.html
最近更新
教材專著