• 主题
高级搜索  >
历史搜索 清空历史
首页> 中文学位 >数据驱动的航空发动机剩余使用寿命预测方法研究
【6h】

数据驱动的航空发动机剩余使用寿命预测方法研究

代理获取
页面导航
  • 目录
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

目录

第一个书签之前

展开▼

摘要

航空发动机预测与健康管理技术（PHM）是近年来发动机发展的先进技术，是推动维修保障模式改革，提高发动机安全性、可靠性和经济可承受性的重要手段。预测作为PHM的重要核心技术，也是难度最大、最具挑战的综合性技术，旨在预测部件或系统失效的发生和剩余使用寿命（RUL），为运行规划和维修决策提供支持。数据驱动的RUL预测主要依据状态监视传感器数据并结合数据库历史记录，采用人工智能、基于案例的推理等技术学习和表达系统退化模式，预测故障或损伤的发展传播路径和系统的性能退化趋势，从而最终对RUL进行评估。数据驱动的RUL预测不需要深入理解设备的内部细节和复杂的失效机理，实用性强。本文在充分研究PHM概念和架构、分析比较各种RUL预测方法优缺点的基础上，对数据驱动的RUL预测方法展开深入研究，旨在为我国航空发动机PHM系统的研发提供技术储备。论文的主要工作和创新如下： （1）面向RUL预测的航空发动机健康评估。研究了对在多种工况下交替运行的复杂装备进行健康评估的流程，包括传感器选择、工况划分与识别、健康评估模型的建立等。然后提出了基于信息熵理论的传感器选择方法，从而选择出适合用于RUL预测的状态监视传感器。采用核主元分析（KPCA）和二次规划两种方法，对所选择的传感器进行数据融合，构建了能够反映系统性能退化的综合健康指数（HI）。最后基于发动机运行到失效仿真数据集对HI进行了验证，相比于单个传感器数据，HI能更好地反映系统性能变化趋势并且各样本失效值一致性更好，因而更适于数据驱动的航空发动机RUL预测建模和分析。 （2）基于退化轨迹相似性的RUL预测方法。研究了基于退化轨迹相似性进行RUL预测的原理和框架，对退化轨迹提取、相似性度量、RUL估计值的综合等重要环节进行了详细论述。针对已有方法中当系统离失效尚远时，直接进行预测可能会产生比较大的偏差和预测不确定性的问题，提出了一种将退化轨迹外推与基于相似性预测框架相结合的方法（TE-SBP）。先通过状态空间模型对设备性能退化轨迹进行扩展，然后采用基于退化轨迹相似性的方法预测RUL。最后通过实例验证了TE-SBP预测方法的有效性和优越性。 （3）基于相关向量机的RUL预测方法。将小波理论与相关向量机相结合，提出了小波相关向量机（WRVM）。采用粒子群优化（PSO）算法对WRVM中的参数进行了优化，改进了传统参数优化中的适应度函数，避免了对算法结构风险的忽视。在此基础上，针对传统多步前向预测和直接建立状态监视数据与RUL之间映射关系的缺点，采用模式识别的思路，提出了一种基于小波相关向量机的RUL直接预测方法。最后通过具体的RUL预测实例对所提出的方法进行了验证，结果表明，基于WRVM的直接预测方法不仅可以避免阈值选择的困难和多步前向预测中误差的累积，而且相比于状态监视数据到RUL的直接映射能更好地表达退化模式特征，优势明显。 （4）基于随机过程的RUL预测方法。为了更好地表达发动机性能退化过程中表现出的随机性，采用了基于随机过程的RUL预测方法。构建了一种基于随机过程进行RUL预测的一般框架，然后以带随机效应的指数形式退化模型为例，研究了预测框架中各个环节的具体实现，包括模型先验假设，基于贝叶斯理论的参数更新，采用期望最大化（EM）算法的模型超参数估计以及RUL概率分布的求取。为了减少随机误差对RUL预测的影响，采用类电磁机制优化的粒子滤波（EMPF）对系统真实健康进行了估计。最后通过发动机RUL预测实例对所提出的方法进行了验证。 （5）多种RUL预测方法的融合。为了提高RUL预测的鲁棒性，利用各种预测方法的优点，对多种RUL预测方法进行了融合。研究了RUL预测融合的框架、流程以及经常采用的融合方法，在此基础上重点研究了基于卡尔曼滤波器的多种RUL预测方法的融合。最后的实例研究表明各个预测方法经过融合以后相比于单一预测方法，其结果精度更高，鲁棒性更好。并且相比于基于信息熵的融合方法和简单加权平均方法，基于卡尔曼滤波器的RUL预测融合方法能够取得更好的融合效果。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号