吴昊-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 吴昊 学 号26 专 业 级 指导教师 陈 果 2004 年 6 月 目录 摘 要 3 Abstract 4 第一章 航空发动机磨损状态监测及故障诊断研究现状 5 1.1 航空发动机磨损故障规律 5 1.2航空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 7 2.1 时间序列ARMA模型 7 2.2 灰色模型对非等间隔数据的预测 10 2.2.1 GM（1，1）模型——对非等间隔数据的预测 10 2.3 人工神经网络 13 2.3.1人工神经网络及其特征 13 2.3.2神经网络研究的意义 14 第三章 神经网络非等间隔预测模型 16 3.1非等间隔预测问题的提出及现有模型解决此问题的难度与不足 16 3.2经网络多变量预模型容易实现非等间隔预测 16 3.2.1单变量预测模型 16 3.2.2引入时间间隔信息后构造多变量预测模型 17 第四章 神经网络非等间隔预测实例. 18 4.1利用MATLAB神经网络工具箱建立神经网络非等间隔预测模型 18 4.1.1神经网络工具箱简介 18 4.1.2主函数及主要语句的介绍 19 4.2模型参数研究 21 4.2.1隐层节点数对模型的影响 21 4.2.2输入节点数对模型的影响 22 4.2.3精度对模型的影响 24 4.2.4训练样本比例对模型的影响 25 4.3得出最佳预测效果的模型 26 4.4对模拟数据和实测数据进行验证 27 第五章 结论 30 第六章 附录 31 参考文献 34 致谢 35 摘 要 油样分析是航空发动机磨损状态监测的重要技术，对油样分析数据的趋势预测对于准确把握发动机的磨损状态，实现发动机的状态维修具有重要意义。但是油样分析数据的严重非等间隔性经常导致常用方法的预测失效，使预测值与实际值相去甚远。本文针对油样数据的非等间隔预测问题，利用人工神经网络高度的并行分布式、联想记忆能力、自组织学习能力和极强的非线性映射能力，建立了BP神经网络的多变量预测模型，实现了非等间隔数据建模和预测，同时探讨了神经网络参数对预测精度的影响，最后，利用模拟数据和实际的发动机油样光谱分析数据对模型进行了验证。结果表明，本文所提出的BP神经网络的多变量预测模型能有效解决实际的非等间隔预测问题，具有很强的工程实用价值。 关键词: 发动机; 磨损; 预测; 人工神经网络; 非等间隔; ARMA模型 Abstract Oil analysis is an important fault diagnosis technique. Predicting the oil analysis datum is very signification to assess aero-engine wear faults and achieve engine’s condition maintenance. But the unequal interval of oil sample analyzing datum usually leads to the invalidation of the common methods, which leads to the big different between the Predicted values and true values. This paper aims at the unequal interval of the oil analysis datum. As the Artificial Neural Network (ANN) has the high parallel distributed processing, associative memory abilities, self-organization, self-learning and strong nonlinear mapping abilities, this paper establish multi-variables predicting model by using Back-Propagation Neural Networks (BPNN), which achieves modeling and predicting to unequal interval datum. This paper also discusses the effect of ANN ’s parameters on the predicting accuracy. Finally, this paper uses simulation