基于数据挖掘的发动机持久试车中的趋势预测

摘要

飞机诞生至今100多年，已经进入喷气时代，各种新型飞机层出不穷，应用范围越来越广，飞机发动机的工作环境也越加复杂。随着航空发动机向高压比、高温度、高推重比的方向发展，其零部件工作应力水平大大提高。同早期相比，现代发动机虽然采用了新材料，新技术，但由于发动机的结构更加复杂，工作环境更加恶劣，过早损坏、空中事故等情况还是时有发生。因此，研究航空发动机趋势预测技术具有重要的理论意义和应用价值。
　　本文主要研究数据挖掘技术在航空发动机趋势预测中的应用。本文所做的工作和主要创新点有：
　　提出了一种灰色模型与PSO训练神经网络相结合的组合预测模型。组合模型将灰色系统与神经网络融合，构造一种组合模型，取长补短，对复杂的不确定性问题进行更好的求解。此外组合模型用PSO算法代替标准BP算法训练神经网络，收敛速度快，且不容易陷入局部极小值。对排气温度预测和振动趋势预测分别进行了组合方法与单一方法的对比实验，实验结果表明，组合方法在3步以内的短期预测优于单独使用灰色模型或神经网络模型。
　　提出了一种基于粒子群算法参数优化的模糊支持向量机模型。该模型用模糊支持向量机取代标准支持向量机回归模型，在训练数据样本中引入隶属度函数，以区别不同时期的数据样本对模型的不同重要程度。为了解决模糊支持向量机参数确定困难的问题，采用粒子群算法对模糊支持向量机模型的参数进行优化。分别对排气温度和振动趋势进行了预测实验，实验结果表明，模糊支持向量机能够对排气温度和振动趋势进行有效预测，并且采用粒子群算法优化参数能够明显改善预测效果。
　　提出了一种多参数条件下的航空发动机性能退化评估模型。该模型首先用灰关联分析方法对发动机状态监控的10个主要参数进行分析，找到它们中那些相互之间关联程度很高的参数归为一组，在同一组参数中选择一个最能体现发动机性能变化的参数，舍弃其它参数。然后用支持向量数据描述模型对发动机初始阶段处于健康状态下的参数进行训练，得到发动机健康状态评估模型。实验结果表明，本评估方法能较好反映发动机的退化演变过程。

目录

封面

声明

中文摘要

英文摘要

目录

图表清单

注释表

第一章 绪论

1.1 研究背景和意义

1.2 国内外研究发展现状

第二章 时间序列预测技术概述

2.1 基本概念

2.2 相空间重构

2.3 预测方法概述

2.4 预测结果评价

第三章 灰色模型与粒子群优化神经网络组合算法

3.1 基本理论

3.2 基本灰色模型和PSO训练神经网络的组合预测模型

3.3 实验与分析

第四章 基于粒子群参数优化的模糊支持向量机算法

4.1支持向量机回归的基本原理

4.2 基于模糊支持向量机的时间序列预测方法

4.3 基于粒子群优化的模糊支持向量机参数选择算法

4.5 本章小结

第五章 多参数条件下的航空发动机性能退化评估

5.1 灰关联分析

5.2 基于多参数的发动机性能退化评估模型

5.3 实验与分析

第六章 总结与展望

6.1 本文总结

6.2 研究展望

参考文献

致谢

在学期间的研究成果及发表的学术论文