中图分类号：V267；V37 - 智能诊断与专家系统研究室.doc

民航发动机健康管理若干方法与技术研究 南京航空航天大学博士学位论文  PAGE 108  PAGE 109 中图分类号：V233.4 论文编号 1028707 13-B 学科分类号：082304 博士学位论文 航空发动机磨损故障智能诊断若干关键技术研究及专家系统开发 研究生姓名 李 爱 学科、专业 载运工具运用工程 研究方向 智能诊断及专家系统 指导教师 陈 果 教授 南京航空航天大学 研究生院 民航学院 二О一三年四月 Nanjing University of Aeronautics and Astronautics The Graduate School College of Civil Aviation Research on Key Techniques of Aeroengine Wear Fault Intelligent Diagnosis and Expert System Development A Thesis in Vehicle Operation Engineering By Li Ai Advised by Prof. Chen Guo Submitted in Partial Fulfillment of the Requirements for the Degree of Doctor of Philosophy April, 2013 承诺书 本人声明所呈交的博士学位论文是本人在导师指导下进行的研究工作及取得的研究成果。除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得南京航空航天大学或其他教育机构的学位或证书而使用过的材料。 本人授权南京航空航天大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 （保密的学位论文在解密后适用本承诺书） 作者签名：　　　　　　日期：　　年　　月　　 航空发动机磨损故障智能诊断若干关键技术研究及专家系统开发 南京航空航天大学博士学位论文  PAGE 107 摘 要 航空发动机结构极复杂，工作在高温、高速的恶劣条件下，极易发生各种机械故障。据统计，在造成各类飞行事故的诸因素中，发动机故障原因所占比例一般在25％～30％，而航空发动机转子系统及传动系统中的齿轮和轴承磨损失效是航空发动机研制和使用过程中所出现的主要故障。由此可见，及时有效地诊断和预测出航空发动机的磨损故障，对于提高飞行安全，降低发动机维修成本，实施航空发动机视情维修，具有重要意义。然而，由于航空发动机的复杂性，各种磨损数据与磨损故障之间是一种模糊的、非线性、不确定的关系，传统方法已经不能满足磨损故障诊断的要求。鉴于此，本文将现代人工智能和模式识别技术引入航空发动机磨损故障诊断，围绕航空发动机磨损故障智能诊断若干关键技术进行研究，主要内容如下： 1）不局限于正态分布假设的磨损界限值的制定。抛弃了传统油样数据正态分布假设，提出了基于支持向量机的磨损界限值制定方法。利用支持向量机从大量的油样分析数据中估计出概率密度函数，再依据估计出的概率密度函数得到航空发动机磨损界限值。该方法利用了支持向量机全局最优、良好泛化能力，以及解的稀疏性等优越性能，与传统统计方法相比，更具科学性和合理性。最后本文应用实际的航空发动机油样光谱数据对方法进行了验证分析，表明了方法的正确有效性。 2）磨损趋势的组合预测方法。对油样分析数据进行数学建模，外推出未来发展趋势，对于航空发动机磨损状态的预测，尽早对故障的发展趋势进行预测和评估，从而避免重大事故的发生和及时安排维修工作，具有重要意义。鉴于此，本文提出基于最小二乘支持向量机的组合预测方法，首先利用灰色预测模型，神经网络预测模型和AR预测模型进行单项预测，然后利用最小二乘支持向量机方法实现组合预测，同时利用粒子群算法对支持向量机参数进行了优化。该方法解决了单一预测模型的信息源不广泛性，对模型设定形式敏感等问题。最后，利用实际的航空发动机油样光谱数据对方法进行了验证，表明了本文组合预测方法较单一预测模型方法大大提高了预测精度。 3）磨损故障诊断知识规则的自动提取。为了解决目前航空发动机磨损故障智能诊断专家系统普遍存在知识获取能力弱，知识更新困难，知识适应性差等方面的缺陷。本文提出基于支持向量机数据挖掘技术，利用支持向量机进行磨损规则的自动获取研究。在该方法中，首先利用遗传算法对样本数据特征进行选取，然后将特征选取后的数据样本映射到一个高维特征控件中，得到样本的最优分类超平面以及支持向量，利用支持向量机聚类算法得到样本的聚类分配矩阵，最后在聚类分配矩阵的