研究發(fā)動(dòng)機(jī)監(jiān)控系統(tǒng)必須面臨兩大技術(shù)難題:發(fā)動(dòng)機(jī)基線挖掘和故障診斷。獲取基線是進(jìn)行故障診斷的前提條件。分別針對(duì)這兩項(xiàng)難題構(gòu)建基線挖掘和故障診斷模型,具體工作如下:（1）為提高基線挖掘的精度,提出BAS（Beetle Antennae Search,天牛須算法）與Elman相結(jié)合的基線挖掘模型。為解決BAS尋優(yōu)效率低的問(wèn)題,將BAS算法群體化;為解決BAS算法搜索精度問(wèn)題,用自適應(yīng)思想對(duì)BAS算法改造。最后將群體ADP BAS算法（改進(jìn)后的BAS）與Elman結(jié)合建立群體ADP BAS-Elman模型。經(jīng)計(jì)算驗(yàn)證,群體ADP BAS算法收斂速度、精度均高于傳統(tǒng)尋優(yōu)算法,群體ADP BAS-Elman模型的基線擬合精度和學(xué)習(xí)能力均強(qiáng)于傳統(tǒng)模型。（2）為提高發(fā)動(dòng)機(jī)氣路故障診斷的正確率,提出PSO（Particle Swarm Optimization,粒子群算法）與ELM（Extreme Learning Machine,極限學(xué)習(xí)機(jī)）相結(jié)合的診斷模型。針對(duì)PSO易于陷入局部最優(yōu)的缺陷,提出混沌算法;為解決PSO的搜索精度和速度的矛盾,利用自適應(yīng)思想改進(jìn)PSO算法。經(jīng)計(jì)算驗(yàn)證,混沌ADP PSO... 

【文章來(lái)源】：中國(guó)民航大學(xué)天津市

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 發(fā)動(dòng)機(jī)監(jiān)控系統(tǒng)國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 數(shù)據(jù)挖掘國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 國(guó)外研究現(xiàn)狀
        1.3.2 國(guó)內(nèi)研究現(xiàn)狀
    1.4 ANN和 CBR的故障診斷研究現(xiàn)狀
        1.4.1 國(guó)外研究現(xiàn)狀
        1.4.2 國(guó)內(nèi)研究現(xiàn)狀
    1.5 研究?jī)?nèi)容與目標(biāo)
    1.6 論文的組織與結(jié)構(gòu)
第二章 群體ADP BAS-Elman發(fā)動(dòng)機(jī)基線挖掘方法的研究
    2.1 基線挖掘的意義和難點(diǎn)
    2.2 Elman網(wǎng)絡(luò)原理分析
    2.3 BAS原理分析
        2.3.1 BAS算法運(yùn)算規(guī)則
        2.3.2 BAS算法計(jì)算流程
    2.4 BAS算法的改進(jìn)
        2.4.1 尋優(yōu)效率問(wèn)題的改進(jìn)
        2.4.2 搜索精度與速度間矛盾的改進(jìn)
    2.5 群體ADP BAS-Elman模型的建立
        2.5.1 模型參數(shù)的優(yōu)化
        2.5.2 群體ADP BAS-Elman模型工作流程
    2.6 群體ADP BAS-Elman模型用于發(fā)動(dòng)機(jī)基線挖掘
        2.6.1 數(shù)據(jù)的來(lái)源與選擇
        2.6.2 尋優(yōu)算法的比較研究
        2.6.3 基線挖掘模型的比較分析
        2.6.4 基線挖掘模型的學(xué)習(xí)能力對(duì)比分析
第三章 混沌ADP PSO-ELM氣路故障診斷方法的研究
    3.1 發(fā)動(dòng)機(jī)氣路性能趨勢(shì)分析
    3.2 氣路診斷的方法及優(yōu)缺點(diǎn)
    3.3 ELM原理分析
    3.4 PSO算法運(yùn)算原理分析
        3.4.1 PSO速度和位置公式
        3.4.2 PSO算法流程
    3.5 PSO算法的改進(jìn)
        3.5.1 搜索精度與速度間矛盾的改進(jìn)
        3.5.2 局部最優(yōu)問(wèn)題的改進(jìn)
    3.6 混沌ADP PSO-ELM模型的建立
        3.6.1 數(shù)據(jù)的來(lái)源與選擇
        3.6.2 模型參數(shù)的優(yōu)化
        3.6.3 混沌ADP PSO-ELM模型工作流程
    3.7 混沌ADP PSO-ELM模型用于氣路故障診斷
        3.7.1 尋優(yōu)算法的比較研究
        3.7.2 激活函數(shù)對(duì)診斷效果的影響
        3.7.3 隱層神經(jīng)元數(shù)量對(duì)診斷效果的影響
        3.7.4 氣路診斷模型學(xué)習(xí)能力的對(duì)比分析
第四章 基于Cosine-IGRA相似度判定方法的CBR氣路故障診斷
    4.1 ANN的缺點(diǎn)與CBR的優(yōu)勢(shì)
    4.2 CBR原理分析
        4.2.1 CBR概述
        4.2.2 CBR診斷模型的總體思路
    4.3 屬性約減
    4.4 相似度判定算法的研究與改進(jìn)
        4.4.1 傳統(tǒng)的相似度算法存在的缺點(diǎn)
        4.4.2 建立Cosine-IGRA聯(lián)合相似度判定算法
    4.5 權(quán)值分配算法的研究與改進(jìn)
        4.5.1 傳統(tǒng)權(quán)值分配算法存在的缺點(diǎn)
        4.5.2 混沌ADP PSO-CBR權(quán)值分配模型
    4.6 CBR模型診斷結(jié)果對(duì)比
        4.6.1 數(shù)據(jù)來(lái)源
        4.6.2 權(quán)值分配結(jié)果及診斷效果對(duì)比
第五章 總結(jié)與展望
    5.1 研究?jī)?nèi)容總結(jié)
    5.2 研究展望
致謝
參考文獻(xiàn)
附錄
    FF的擬合誤差
    N2的擬合誤差
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]基于天牛須搜索的粒子群優(yōu)化算法求解投資組合問(wèn)題[J]. 陳婷婷,殷賀,江紅莉,王露.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(02)
[2]基于天牛須搜索優(yōu)化的室內(nèi)定位算法[J]. 鄒東堯,陳鵬偉,劉寬.  湖北民族學(xué)院學(xué)報(bào)(自然科學(xué)版). 2018(04)
[3]基于一種新的案例推理算法的變電站智能故障診斷方法研究[J]. 林鴻偉,黃彥,黃劼.  計(jì)算機(jī)與數(shù)字工程. 2018(11)
[4]一類帶學(xué)習(xí)與競(jìng)技策略的混沌天牛群搜索算法[J]. 趙玉強(qiáng),錢謙.  通信技術(shù). 2018(11)
[5]案例推理方法在水泵故障診斷中的應(yīng)用[J]. 張媛媛,原思聰,郭田奇.  機(jī)械設(shè)計(jì)與制造. 2018(11)
[6]基于天牛須搜索的花朵授粉算法[J]. 邵良杉,韓瑞達(dá).  計(jì)算機(jī)工程與應(yīng)用. 2018(18)
[7]基于變步長(zhǎng)天牛須搜索算法的空間直線度誤差評(píng)定[J]. 陳君寶,王宸,王生懷.  工具技術(shù). 2018(08)
[8]基于熵選擇小波包分量和PSO-BP神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷[J]. 丁雷,曾銳利,沈虹,梅檢民,曾榮.  軍事交通學(xué)院學(xué)報(bào). 2018(04)
[9]基于IPSO-Elman神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)故障診斷[J]. 皮駿,黃江博.  航空動(dòng)力學(xué)報(bào). 2017(12)
[10]基于隨機(jī)游走蜂群算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)電動(dòng)機(jī)故障診斷研究[J]. 孫慧影,林中鵬,劉銀麗,李萌.  水電能源科學(xué). 2017(08)

碩士論文
[1]新能源電動(dòng)汽車電源能量控制策略[D]. 孟佳.長(zhǎng)春工業(yè)大學(xué) 2018
[2]基于案例推理的咨詢系統(tǒng)關(guān)鍵技術(shù)研究[D]. 李淑娥.西北師范大學(xué) 2017
[3]基于深度置信網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控研究[D]. 單晨晨.中國(guó)民航大學(xué) 2017
[4]建筑智能化生成設(shè)計(jì)法演化歷程[D]. 涂文鐸.湖南大學(xué) 2016
[5]基于多方法的CFM56-7B發(fā)動(dòng)機(jī)基線挖掘研究[D]. 王聃.中國(guó)民用航空飛行學(xué)院 2016
[6]基于案例推理和改進(jìn)神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷研究[D]. 黃遠(yuǎn)強(qiáng).中國(guó)民航大學(xué) 2016
[7]改進(jìn)型灰色理論實(shí)現(xiàn)案例推理的故障診斷研究[D]. 張向波.中國(guó)民航大學(xué) 2015
[8]極限學(xué)習(xí)機(jī)在航空發(fā)動(dòng)機(jī)氣路故障診斷中的應(yīng)用[D]. 林敏.上海交通大學(xué) 2015
[9]航空發(fā)動(dòng)機(jī)狀態(tài)參數(shù)處理技術(shù)及其應(yīng)用研究[D]. 彭云飛.哈爾濱工業(yè)大學(xué) 2009
[10]民航發(fā)動(dòng)機(jī)健康管理技術(shù)與方法研究[D]. 李強(qiáng).南京航空航天大學(xué) 2008



本文編號(hào)：3165883