航空發(fā)動機磨損故障智能診斷若干關鍵技術研究.pdf

1、航空發(fā)動機結構極復雜，工作在高溫、高速的惡劣條件下，極易發(fā)生各種機械故障。據統(tǒng)計，在造成各類飛行事故的諸因素中，發(fā)動機故障原因所占比例一般在25％～30％，而航空發(fā)動機轉子系統(tǒng)及傳動系統(tǒng)中的齒輪和軸承磨損失效是航空發(fā)動機研制和使用過程中所出現(xiàn)的主要故障。由此可見，及時有效地診斷和預測出航空發(fā)動機的磨損故障，對于提高飛行安全，降低發(fā)動機維修成本，實施航空發(fā)動機視情維修，具有重要意義。然而，由于航空發(fā)動機的復雜性，各種磨損數(shù)據與磨損故障之間

2、是一種模糊的、非線性、不確定的關系，傳統(tǒng)方法已經不能滿足磨損故障診斷的要求。鑒于此，本文將現(xiàn)代人工智能和模式識別技術引入航空發(fā)動機磨損故障診斷，圍繞航空發(fā)動機磨損故障智能診斷若干關鍵技術進行研究，主要內容如下:
　　1)不局限于正態(tài)分布假設的磨損界限值的制定。拋棄了傳統(tǒng)油樣數(shù)據正態(tài)分布假設，提出了基于支持向量機的磨損界限值制定方法。利用支持向量機從大量的油樣分析數(shù)據中估計出概率密度函數(shù)，再依據估計出的概率密度函數(shù)得到航空發(fā)動機磨損

3、界限值。該方法利用了支持向量機全局最優(yōu)、良好泛化能力，以及解的稀疏性等優(yōu)越性能，與傳統(tǒng)統(tǒng)計方法相比，更具科學性和合理性。最后本文應用實際的航空發(fā)動機油樣光譜數(shù)據對方法進行了驗證分析，表明了方法的正確有效性。
　　2)磨損趨勢的組合預測方法。對油樣分析數(shù)據進行數(shù)學建模，外推出未來發(fā)展趨勢，對于航空發(fā)動機磨損狀態(tài)的預測，盡早對故障的發(fā)展趨勢進行預測和評估，從而避免重大事故的發(fā)生和及時安排維修工作，具有重要意義。鑒于此，本文提出基于最小

4、二乘支持向量機的組合預測方法，首先利用灰色預測模型，神經網絡預測模型和AR預測模型進行單項預測，然后利用最小二乘支持向量機方法實現(xiàn)組合預測，同時利用粒子群算法對支持向量機參數(shù)進行了優(yōu)化。該方法解決了單一預測模型的信息源不廣泛性，對模型設定形式敏感等問題。最后，利用實際的航空發(fā)動機油樣光譜數(shù)據對方法進行了驗證，表明了本文組合預測方法較單一預測模型方法大大提高了預測精度。
　　3)磨損故障診斷知識規(guī)則的自動提取。為了解決目前航空發(fā)動機

5、磨損故障智能診斷專家系統(tǒng)普遍存在知識獲取能力弱，知識更新困難，知識適應性差等方面的缺陷，本文提出了基于支持向量機的數(shù)據挖掘技術，利用支持向量機進行了磨損規(guī)則的自動獲取研究。在該方法中，首先利用遺傳算法對樣本數(shù)據特征進行選取，然后將特征選取后的數(shù)據樣本映射到一個高維特征空間中，得到樣本的最優(yōu)分類超平面以及支持向量，利用支持向量機聚類算法得到樣本的聚類分配矩陣，最后在聚類分配矩陣的基礎上構建超矩形，得到超矩形規(guī)則，并利用規(guī)則合并、維數(shù)約簡、

6、區(qū)間延伸等方法對超矩形規(guī)則進行了簡化。針對樣本嚴重不平衡問題，本文采用過抽樣算法中典型的SMOTE算法對故障樣本進行重采樣之后再進行規(guī)則提取，取得了良好的效果。同時，開發(fā)了專家系統(tǒng)與國外著名數(shù)據挖掘開源軟件Weka的接口技術，利用Weka軟件的數(shù)據挖掘算法實現(xiàn)了航空發(fā)動機磨損故障診斷專家系統(tǒng)的知識自動獲取。最后，利用實際的航空發(fā)動機故障數(shù)據進行了驗證，表明了本文方法的正確有效性。
　　4)基于多Agent的磨損故障融合診斷方法。該

7、方法綜合運用各油樣分析方法的冗余性和互補性，有效地利用各種油樣分析方法的特點和優(yōu)勢以提高診斷精度。該多Agent診斷系統(tǒng)主要包括顆粒計數(shù)Agent、理化分析Agent、鐵譜分析Agent、光譜分析Agent、總控Agent、調度Agent、通信Agent、融合診斷Agent、油樣數(shù)據和知識規(guī)則庫以及人機智能界面。本文根據飛機發(fā)動機磨損故障診斷的實際情況，給出了各Agent診斷規(guī)則，并用具體的油樣分析數(shù)據進行了驗證，表明了多Agent融合