本文關(guān)鍵詞：基于多方法的CFM56-7B發(fā)動機基線挖掘研究

  更多相關(guān)文章： CFM56-7B發(fā)動機 拉依達法則 變指數(shù)因子 風扇轉(zhuǎn)速換算 基線 支持向量機 BP神經(jīng)網(wǎng)絡(luò) 遺傳算法

【摘要】：民用航空發(fā)動機作為飛機的核心動力系統(tǒng),其健康程度直接影響飛行安全。發(fā)動機廠家普遍采用先進的狀態(tài)監(jiān)控系統(tǒng),及時監(jiān)測到發(fā)動機異常的性能趨勢,從而避免出現(xiàn)重大故障,消除飛行安全隱患。狀態(tài)監(jiān)控的主要方法是對比狀態(tài)參數(shù)的測量值與基線值,根據(jù)兩者偏差量的變化趨勢判斷發(fā)動機的性能優(yōu)劣�；�模型是其方法的核心技術(shù),國內(nèi)研究人員目前還沒有掌握準確的基線模型建立方法。因此本論文以民航主力型號CFM56-7B發(fā)動機為例,對發(fā)動機參數(shù)的基線模型展開研究,主要包括以下三個方面：1)狀態(tài)參數(shù)數(shù)據(jù)預(yù)處理。通過發(fā)動機狀態(tài)監(jiān)控系統(tǒng)獲得的原始數(shù)據(jù)由于傳感器故障等因素而存在一些誤差,并且針對航空發(fā)動機數(shù)據(jù)的特點,提出選用拉依達法則對數(shù)據(jù)進行異常點識別和粗大誤差剔除,實現(xiàn)了數(shù)據(jù)的預(yù)處理。2)風扇轉(zhuǎn)速換算模型的建立。風扇換算轉(zhuǎn)速是發(fā)動機參數(shù)基線模型的一個關(guān)鍵變量,但是目前對其的研究算法都是理想模型,并不符合實際工程情況,獲得的基線模型精度較差,因此提出了基于相似理論的變指數(shù)風扇換算模型。首先利用數(shù)學擬合方法挖掘指數(shù)因子的影響因素；然后分別利用支持向量機和數(shù)學迭代法對指數(shù)因子和影響因素的函數(shù)關(guān)系進行回歸求解,從而準確得到變指數(shù)風扇換算模型。結(jié)果表明改進后的變指數(shù)因子模型計算的發(fā)動機風扇換算轉(zhuǎn)速更接近廠家的真實值,具有更高的精度,為建立發(fā)動機關(guān)鍵參數(shù)的自主基線模型提供一種更精確的方法。3)狀態(tài)參數(shù)基線建模和預(yù)測。為進一步提高后續(xù)模型的預(yù)測精度,首先利用遺傳算法對支持向量機的三個參數(shù)(核參數(shù),懲罰因子,損失因子)和BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值閾值優(yōu)化；然后運用優(yōu)化后的支持向量機方法和改進的BP神經(jīng)網(wǎng)絡(luò)方法分別求解CFM56-7B發(fā)動機的狀態(tài)參數(shù)(排氣溫度,燃油流量,高壓轉(zhuǎn)子轉(zhuǎn)速)的基線模型；將建立的自主模型預(yù)測測試數(shù)據(jù),與真實基線值比較,結(jié)果表明兩種方法求解的結(jié)果都與真實值很接近,模型精度都能達到要求,泛化能力較強；同時求解的參數(shù)偏差值趨勢能夠準確反映實際偏差值趨勢,在航空發(fā)動機性能監(jiān)控過程中具有非常高的實際應(yīng)用價值。
【關(guān)鍵詞】：CFM56-7B發(fā)動機 拉依達法則 變指數(shù)因子 風扇轉(zhuǎn)速換算 基線 支持向量機 BP神經(jīng)網(wǎng)絡(luò) 遺傳算法
【學位授予單位】：中國民用航空飛行學院
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：V23
【目錄】：

• 摘要5-6
• Abstract6-11
• 第一章 緒論11-18
• 1.1 選題背景與意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-16
• 1.2.1 發(fā)動機基線模型研究現(xiàn)狀12-14
• 1.2.2 數(shù)據(jù)挖掘方法研究現(xiàn)狀14-16
• 1.3 論文研究的主要內(nèi)容16-18
• 第二章 基線建模方法理論基礎(chǔ)18-28
• 2.1 支持向量機方法18-23
• 2.1.1 支持向量機算法基礎(chǔ)18-19
• 2.1.2 Matlab中LIBSVM工具箱介紹19-20
• 2.1.3 SVM建模思路20
• 2.1.4 SVM模型參數(shù)選擇20-22
• 2.1.5 基于遺傳算法的參數(shù)優(yōu)化22-23
• 2.2 BP神經(jīng)網(wǎng)絡(luò)方法23-27
• 2.2.1 輸入輸出參數(shù)選擇24
• 2.2.2 輸入輸出參數(shù)處理24
• 2.2.3 網(wǎng)絡(luò)模型層數(shù)24-25
• 2.2.4 輸入層、輸出層和隱層節(jié)點數(shù)25-26
• 2.2.5 連接層間的傳遞函數(shù)26
• 2.2.6 學習速率26
• 2.2.7 期望誤差26
• 2.2.8 初始權(quán)值26-27
• 2.2.9 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)27
• 2.3 本章小結(jié)27-28
• 第三章 發(fā)動機參數(shù)數(shù)據(jù)的預(yù)處理28-33
• 3.1. 航空發(fā)動機基線建模的重要參數(shù)28-30
• 3.2 發(fā)動機基線參數(shù)數(shù)據(jù)的采集30
• 3.3 數(shù)據(jù)異常點識別與剔除30-31
• 3.4 模型樣本的構(gòu)建31-33
• 第四章 航空發(fā)動機風扇轉(zhuǎn)速的修正33-43
• 4.1 引言33-34
• 4.2 基于相似理論的發(fā)動機風扇轉(zhuǎn)速換算方法的改進34-38
• 4.2.1 發(fā)動機風扇轉(zhuǎn)速換算的傳統(tǒng)方法34-35
• 4.2.2 發(fā)動機風扇轉(zhuǎn)速的變指數(shù)因子數(shù)學模型35-37
• 4.2.3 基于支持向量機改進的發(fā)動機換算轉(zhuǎn)速的有效性與誤差分析37-38
• 4.3 基于數(shù)學迭代法的發(fā)動機風扇轉(zhuǎn)速換算方法改進38-42
• 4.3.1 指數(shù)修正因子數(shù)學模型的建立39-40
• 4.3.2 發(fā)動機風扇換算轉(zhuǎn)速的數(shù)學迭代法40-41
• 4.3.3 基于迭代算法計算風扇換算轉(zhuǎn)速的有效性與誤差分析41-42
• 4.4 本章小結(jié)42-43
• 第五章 基于支持向量機的CFM56-7B發(fā)動機基線建模43-52
• 5.1 航空發(fā)動機基線概述43
• 5.2 CFM56-7B發(fā)動機EGT基線SVM模型的建立43-46
• 5.3 CFM56-7B發(fā)動機N_2基線SVM模型的建立46-49
• 5.4 CFM56-7B發(fā)動機FF基線SVM模型的建立49-51
• 5.5 本章小結(jié)51-52
• 第六章 基于改進BP神經(jīng)網(wǎng)絡(luò)的CFM56-7B發(fā)動機基線模型的建立52-61
• 6.1 發(fā)動機基線模型的BP神經(jīng)網(wǎng)絡(luò)設(shè)計52-56
• 6.1.1 模型連接層傳遞函數(shù)選擇52
• 6.1.2 模型學習速率選擇52-53
• 6.1.3 模型隱層設(shè)計53
• 6.1.4 模型期望誤差設(shè)計53-54
• 6.1.5 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)54-56
• 6.2 CFM56-7B發(fā)動機EGT基線BP神經(jīng)網(wǎng)絡(luò)的訓練與驗證56-58
• 6.3 CFM56-7B發(fā)動機N_2基線BP神經(jīng)網(wǎng)絡(luò)的訓練與驗證58-59
• 6.4 CFM56-7B發(fā)動機FF基線BP神經(jīng)網(wǎng)絡(luò)的訓練與驗證59-60
• 6.5 本章小結(jié)60-61
• 總結(jié)與展望61-63
• 參考文獻63-67
• 攻讀碩士學位期間取得的學術(shù)成果67-68
• 致謝68

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 夏存江;;CFM56-7B發(fā)動機FADEC故障檢測、分類與存儲[J];中國民航飛行學院學報;2007年05期

2 ;[J];;年期

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 王聃;基于多方法的CFM56-7B發(fā)動機基線挖掘研究[D];中國民用航空飛行學院;2016年

，

本文編號：554830