基于信息融合的航空發(fā)動機狀態(tài)預測技術研究.pdf

1、航空發(fā)動機性能參數的監(jiān)視與預測是制定發(fā)動機維修計劃的基礎。目前航空公司多采用單參數預測模型進行發(fā)動機性能參數的監(jiān)視與預測，忽略了不同性能參數間的關聯性，其預測精度已日漸難以滿足航空公司的要求。為提高性能參數預測的精度，本文融合多種相關性能參數，開展基于信息融合的航空發(fā)動機狀態(tài)預測技術及其應用研究。
　　本文首先運用基于統(tǒng)計與密度的方法尋找航空發(fā)動機性能參數的異常點。在此基礎上，針對傳統(tǒng)小波閾值去噪產生的不平滑問題，提出一種經驗模態(tài)

2、分解與小波去噪相結合的降噪方法，將原始信號進行經驗模態(tài)分解，通過比較各分量評價系數選擇保留的分量并分別對其進行小波閾值去噪，最后將各分量去噪值進行疊加。通過構造模擬信號，驗證此方法的有效性，并將其應用于發(fā)動機性能參數降噪。
　　針對航空發(fā)動機性能參數時間序列非線性、不平穩(wěn)的特點，分別運用互信息法與Cao方法求出參數的時間延遲與嵌入維數，在此基礎上，根據最大Lyapunov判別法證明發(fā)動機性能參數時間序列具有混沌特性。運用混沌理論對

3、時間序列進行相空間重構，通過兩性能參數相空間之間映射點距離的變化，提出一種發(fā)動機各性能參數間相關關系的量化方法，為選擇融合預測所需的參數提供依據。
　　針對目前單參數預測存在的預測精度較低的問題，建立基于相空間重構的BP神經網絡信息融合預測模型。運用相空間重構，增加預測所需的演變信息。選擇相關關系較大的參數作為融合預測的輸入，運用混沌預測理論構造輸入輸出樣本，通過主成分分析方法降低輸入維數并減少輸入變量間的冗余信息，提高神經網絡擬

4、合的效率。針對隱含層神經元個數確定的問題，提出一種公式法與枚舉相結合的方法。此外，本文通過遺傳算法優(yōu)化融合預測模型的權值與閾值，提高神經網絡擬合的精度與穩(wěn)定度。分別將長期與短期預測結果與單參數預測模型的預測結果進行比較，驗證融合預測模型的有效性。
　　基于上述理論研究成果，面向航空公司的需求，開發(fā)航空發(fā)動機性能參數融合預測軟件系統(tǒng)，本系統(tǒng)可用于發(fā)動機性能參數預處理、相關性分析以及融合預測分析，可為航空公司維修方案的確定提供決策支持