本文關鍵詞：基于案例推理和改進神經網絡的發(fā)動機故障診斷研究

  更多相關文章： 航空發(fā)動機 故障診斷 案例推理 QAR數據 檢索算法 神經網絡

【摘要】：發(fā)動機的故障診斷對航空公司的安全運營意義重大,如果能通過分析發(fā)動機監(jiān)控參數的變化趨勢對潛在和已發(fā)生的故障進行快速、準確的識別,就可以更好地制定維修計劃,縮短排故時間以及確定發(fā)動機送修時的工作范圍和深度,這不僅能減少維修時間和運營成本,增長發(fā)動機的在翼時間,提高航空公司整體效益,而且能有效地避免由于故障而造成的安全隱患以及航班延誤。本課題從民航實際需求出發(fā),收集民航發(fā)動機的實際故障案例,重點研究了融合案例推理與神經網絡方法的發(fā)動機故障診斷,主要工作有:1.為解決CBR方法用于發(fā)動機故障診斷所面臨的屬性參數少、診斷結果不理想等問題,利用QAR的豐富數據,分析故障發(fā)生后發(fā)動機監(jiān)控參數在一些關鍵時刻點的響應情況,對比于典型的故障案例來進行診斷,擴充了故障案例的屬性參數指標,為提高案例診斷的準確率奠定了基礎;2.針對發(fā)動機故障案例庫所面臨的規(guī)則難以建立和檢索算法效率不高等問題,提出發(fā)動機故障案例信息的結構表示方法,建立了滿足發(fā)動機故障推理診斷需求的案例數據庫;并引入Sigmoid函數和WFA屬性權重分配方法以改進灰色關聯度算法,使得屬性權重可自動地根據屬性值進行調整,計算結果表明可提高案例檢索算法的匹配準確率;3.設計PSO算法優(yōu)化BP網絡結構的故障分類器模型,對比于GA-BP網絡在發(fā)動機故障上的診斷效果,以及利用Iris數據集進行分類實驗,結果表明了PSO-BP算法具有更高的訓練精度和學習能力,能夠提高發(fā)動機故障診斷的計算精度和求解速度;4.將CBR方法與神經網絡相結合,設計基于CBR-NN方法的發(fā)動機故障診斷系統(tǒng)平臺,實際案例的診斷結果表明該系統(tǒng)能夠減少誤判情況,可有效地輔助發(fā)動機監(jiān)控工程師快速進行QAR數據分析和故障診斷,具有重要的工程應用價值。
【關鍵詞】：航空發(fā)動機 故障診斷 案例推理 QAR數據 檢索算法 神經網絡
【學位授予單位】：中國民航大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：V263.6
【目錄】：

• 摘要5-6
• Abstract6-11
• 第一章 緒論11-19
• 1.1 概述11-12
• 1.2 研究目的及意義12-13
• 1.3 國內外研究現狀13-16
• 1.3.1 發(fā)動機狀態(tài)監(jiān)控和故障診斷研究現狀13-15
• 1.3.2 案例推理方法研究現狀15-16
• 1.3.3 神經網絡研究現狀16
• 1.4 論文研究內容16-19
• 1.4.1 論文研究的關鍵技術16-17
• 1.4.2 論文的章節(jié)安排17-19
• 第二章 民航發(fā)動機數據預處理和診斷方法對比研究19-35
• 2.1 概述19
• 2.2 數據預處理方法研究19-24
• 2.2.1 監(jiān)控數據采集19-21
• 2.2.2 巡航參數數據修正21-22
• 2.2.3 發(fā)動機基線與參數偏差量22
• 2.2.4 數據平滑、初始化和壓縮處理22-23
• 2.2.5 數據標準化和歸一化處理23-24
• 2.3 發(fā)動機故障診斷流程及方法對比24-31
• 2.3.1 發(fā)動機故障診斷流程及準則24-26
• 2.3.2 發(fā)動機性能趨勢圖26-27
• 2.3.3 發(fā)動機指印圖27-28
• 2.3.4 QAR數據分析28-30
• 2.3.5 診斷方法對比30-31
• 2.4 故障隔離手冊的使用31-33
• 2.5 故障診斷案例分析33-34
• 2.6 本章小結34-35
• 第三章 改進關聯度算法的案例推理方法研究35-49
• 3.1 概述35-36
• 3.2 案例推理方法結構及模型研究36-39
• 3.2.1 案例推理技術診斷思路分析36-37
• 3.2.2 發(fā)動機故障案例的表示37-38
• 3.2.3 相似案例檢索方法研究38
• 3.2.4 案例調整及案例庫管理38-39
• 3.3 發(fā)動機案例推理指標參數的選取39-44
• 3.3.1 基于趨勢圖的指標參數選取39-40
• 3.3.2 基于轉速差與增壓比關系的指標參數選取40-41
• 3.3.3 基于QAR關鍵點數據分析的指標參數選取41-44
• 3.3.4 可疑點排查算法的實現44
• 3.4 改進灰色關聯度的檢索算法設計44-47
• 3.4.1 灰色關聯度基本原理分析45
• 3.4.2 屬性權重的分配方法設計45-47
• 3.4.3 檢索算法的實例應用47
• 3.5 本章小結47-49
• 第四章 融合CBR和改進神經網絡的故障診斷模型研究49-64
• 4.1 概述49
• 4.2 PSO算法模型的建立49-50
• 4.3 BP神經網絡模型的建立50-53
• 4.3.1 BP神經網絡基本原理分析50-52
• 4.3.2 BP神經網絡工具箱的應用52
• 4.3.3 BP神經網絡參數的選擇52-53
• 4.3.4 基于神經網絡的故障診斷系統(tǒng)結構研究53
• 4.4 改進神經網絡的模型設計53-58
• 4.4.1 PSO-BP算法流程分析53-54
• 4.4.2 PSO-BP算法步驟設計54-55
• 4.4.3 網絡輸出結果評價55-56
• 4.4.4 PSO-BP網絡在Iris數據集中的應用56-57
• 4.4.5 PSO-BP網絡和GA-BP網絡的對比57-58
• 4.5 基于CBR-NN方法的發(fā)動機故障診斷58-62
• 4.5.1 CBR-NN方法診斷流程設計58-59
• 4.5.2 實例診斷59-62
• 4.5.3 結果分析62
• 4.6 本章小結62-64
• 第五章 基于CBR-NN的民航發(fā)動機故障診斷系統(tǒng)64-72
• 5.1 概述64
• 5.2 診斷系統(tǒng)設計64-66
• 5.2.1 診斷系統(tǒng)平臺主要功能64
• 5.2.2 故障診斷流程設計64-65
• 5.2.3 系統(tǒng)體系結構設計65-66
• 5.2.4 數據庫設計66
• 5.3 軟件的實現66-70
• 5.4 應用實例70-71
• 5.5 本章小結71-72
• 第六章 全文總結與研究展望72-74
• 6.1 研究工作總結72
• 6.2 研究展望72-74
• 參考文獻74-78
• 附錄A78-82
• 附錄B82-89
• 致謝89-90
• 作者簡介90

【相似文獻】

中國期刊全文數據庫 前10條

1 李·安·泰格梅爾 ,成磊;發(fā)動機故障診斷技術的拓展應用[J];航空維修與工程;2005年01期

2 李華強;費逸偉;;航空發(fā)動機故障診斷技術及其發(fā)展[J];航空維修與工程;2007年05期

3 林志強;;汽車發(fā)動機故障診斷技術研究現狀與趨勢分析[J];黑龍江交通科技;2011年06期

4 楊小勇;陳建文;龔玉霞;;發(fā)動機故障診斷技術分析研究[J];汽車零部件;2012年06期

5 黃軍;電噴發(fā)動機故障診斷2例[J];汽車技術;2000年03期

6 張遠程,彭雅娟,陳振清;電噴發(fā)動機故障診斷方法[J];汽車研究與開發(fā);2000年05期

7 楊慧,熊育婷,吳月偉;基于狀態(tài)分類評價的發(fā)動機故障診斷決策系統(tǒng)[J];航空維修與工程;2005年01期

8 羅永前;程葆倫;;汽車發(fā)動機故障診斷四例[J];重慶職業(yè)技術學院學報;2006年01期

9 曹紅兵;;尾氣分析在汽車發(fā)動機故障診斷中的應用[J];汽車維修與保養(yǎng);2006年10期

10 吳大鈺;王巖松;李燕;湯曉林;;基于聲信號的汽車發(fā)動機故障診斷方法綜述[J];渤海大學學報(自然科學版);2008年03期

中國重要會議論文全文數據庫 前3條

1 張鵬;李學仁;景博;杜軍;張建業(yè);;多源信息融合技術在航空發(fā)動機故障診斷中的應用研究[A];中國航空學會控制與應用第十二屆學術年會論文集[C];2006年

2 李康;何衛(wèi)鋒;程禮;;基于諧波小波分解的航空發(fā)動機故障診斷[A];設備監(jiān)測與診斷技術及其應用——第十二屆全國設備監(jiān)測與診斷學術會議論文集[C];2005年

3 馬龍;;基于遞歸神經網絡的航空發(fā)動機故障診斷[A];十三省區(qū)市機械工程學會第五屆科技論壇論文集[C];2009年

中國重要報紙全文數據庫 前1條

1 熊燕;發(fā)動機故障診斷與維修[N];中國花卉報;2004年

中國博士學位論文全文數據庫 前6條

1 李增芳;基于人工智能和虛擬儀器技術的發(fā)動機故障診斷專家系統(tǒng)研究[D];浙江大學;2004年

2 張曉丹;汽車發(fā)動機故障診斷中不確定性問題的貝葉斯網絡解法[D];東北大學;2005年

3 郝英;基于智能技術的民航發(fā)動機故障診斷和壽命預測研究[D];南京航空航天大學;2006年

4 劉永建;基于改進神經網絡的民機發(fā)動機故障診斷與性能預測研究[D];南京航空航天大學;2012年

5 吳文杰;基于信息融合的航空發(fā)動機故障診斷方法[D];電子科技大學;2011年

6 魯峰;航空發(fā)動機故障診斷的融合技術研究[D];南京航空航天大學;2009年

中國碩士學位論文全文數據庫 前10條

1 那媛;基于氣路性能參數的航空發(fā)動機故障診斷方法研究[D];哈爾濱工業(yè)大學;2016年

2 黃遠強;基于案例推理和改進神經網絡的發(fā)動機故障診斷研究[D];中國民航大學;2016年

3 丁哲;基于排氣氣流動態(tài)特性的發(fā)動機故障診斷研究[D];桂林電子科技大學;2010年

4 任志英;基于聲信號技術的發(fā)動機故障診斷系統(tǒng)研究[D];福州大學;2006年

5 劉召廣;基于數據融合的發(fā)動機故障診斷系統(tǒng)研究[D];武漢科技大學;2008年

6 全首杰;實車發(fā)動機故障診斷系統(tǒng)的研究[D];延邊大學;2010年

7 孫甲男;基于數據驅動的發(fā)動機故障診斷研究[D];吉林大學;2013年

8 秦榮;基于振動分析的發(fā)動機故障診斷實用方法研究[D];華南理工大學;2011年

9 高麗;汽車發(fā)動機故障診斷中不確定性問題的貝葉斯網絡解法研究[D];沈陽航空工業(yè)學院;2009年

10 嚴軍;基于故障樹分析法的航空活塞發(fā)動機故障診斷專家系統(tǒng)研究[D];電子科技大學;2010年

，

本文編號：533143