潘国良 - 智能诊断与专家系统研究室 - 南京航空航天大学.doc

编号： 南京航空航天大学 毕 业 设 计 技 术 告 学生姓名 潘国良 学 号 业 级 2004 年 6 月 目录 摘 要 3 第一章 航空发动机状态监测及故障诊断研究现状 5 1.1 航空发动机监控技术 5 1.3发动机磨损状态监测与故障诊断的意义 5 第二章 状态监测技术中的常用预测模型 6 2.1 时间序列ARMA模型 6 2.2 灰色模型及其应用 11 2.3 人工神经网络 14 第三章 突变性油样数据的神经网络多变量预测 21 3.1 突变性油样数据的建模分析 21 3.3神经网络多变量预测模型 22 3.4编制程序 23 第五章 结论 29 第六章 附录 30 致谢 34 参考文献 35 摘 要 对航空发动机油样分析数据进行非线性建模，是预测发动机磨损故障发展趋势，是进行发动机状态维修的关键。本文在分析发动机磨损故障规律和航空发动机监控技术的基础上，首先介绍了实际中常用的三种预测模型（ARMA模型、灰色模型及神经网络模型）的原理及实际应用于油样分析数据建模的例子。但是实际油样分析数据由于定期或不定期的加油/补油和换油的影响而导致数据出现突变性特征，从而使得传统的单变量预测模型预测失效。人工神经网络由于具有高度的并行分布式、联想记忆、自组织及学习能力和极强的非线性映射能力，易于建立多变量预测模型，从而为突变型油样分析数据的预测提供了新的思路。所以着重讨论了BP神经网络的算法，建立BP神经网络多变量预测模型对发动机磨损状态监测中的突变性油样分析数据进行预测，同时探讨了神经网络参数对预测精度的影响。最后运用Matlab软件编制了程序进行了模型验证。 关键词: 航空发动机，磨损，预测，人工神经网络， 突变性，油样分析数据 Abstract Establishing the non-linear model for the oil analyzing data of the aeroengine is the development trend to predict the engine’s wear and failure and is also the key to carry out the state maintenance of the engine. On the base of analyzing the law of the engine’s wear and the failure and the monitoring technology of the aeroengine, this paper firstly present the principle of three real forecasting models in common use (ARMA model, grey model, Artificial Neural Network model),and the examples of establishing models by oil analyzing data. As real oil analyzing data appear sharp variation characteristic because of the influence of fill/add oil periodically or aperiodically, the traditional single variable forecasting models fail. The Artificial Neural Network (ANN) possesses the high parallel distributed processing, associative memory, self-organization, self-learning and strong nonlinear mapping abilities, so it is easy to establish many variables forecasting models. These above offer new train of thoughts for sharp variation analyzing data. So Back-Propagation Neural Networks (BPNN) algorithm is mainly discussed. BPNN many variables forecasting model to predict the oil analyzing data of sharp variation on monitoring the wear