航空发动机磨损故障诊断界限值制定研究基于SVM概率密度.PPT

博士学位论文答辩 发动机磨损故障数据导入挖掘平台后的界面 将发动机磨损故障数据导入数据挖掘平台 然后对数据进行预处理 选择分类器 生成的可视化决策树如图所示。右图为保存为文本形式的决策树。 在第一部分中，提到了目前的知识获取方法主要是采用数据挖掘的方法进行知识规则的自动获取 ，基本思想就是利用机器学习或者统计学方面的一些方法理论从大量的数据集中提取知识规则。本文将支持向量机技术应用于航空发动机磨损故障诊断知识获取中。另外在专家系统中，我们将国际开源的数据挖掘软件weka嵌入专家系统中，一方面可以作为专家系统的一种知识获取方法，另外可以与基于支持向量机的知识获取方法相互补充验证。 目前的各种融合诊断方法尽管能够提高诊断的精度，但是融合诊断过程不具有全局控制能力，各种分析方法间无法实现通信和协调，因此往往还需要人工干预，故难以实现诊断的自动化 。多Agent系统（MAS: Multi-Agents System）是由若干个有相关技能的Agent组成的，并且各Agent之间或者Agent与周围环境之间进行交互、协商，。多Agent系统能够模拟人类专家的相互交流合作，而且对于单一专家不能解决的问题，多Agent系统可以共同发挥功能协同解决。 首先简单介绍一下多Agent系统的结构。一个多Agent的多库协同系统由5个智体组成，资源Agent：一个多Agent系统可以有若干个资源Agent，每个Agent具有不同的功能，储存着用于处理具体任务的知识资源，它是任务的执行者 多智能体诊断技术关键在于总控智体实现控制的规则和各资源智体实现独自诊断的规则知识。本文根据油样分析专家经验以及飞机发动机故障诊断的工作流程和专家经验，针对颗粒计数分析、理化分析、铁谱分析及光谱分析典型油样分析方法，总结了油样分析的诊断知识以及诊断流程的控制规则 至此，是我论文主要研究内容，下面对我的论文进行总结，如下 分别对训练样本比例为70%、80%、90%下进行验证 ，分别得到训练误差、测试误差以及训练误差与测试误差值之和来衡量模型的优劣，从表中可以看出，LSSVM组合预测模型在三种样本比例下均得到了最好的预测结果 我的论文分以下七个部分，首先是研究背景与现状分析，通过分析航空发动机磨损故障智能诊断的现状，根据故障诊断的流程，进行了以下五个部分的研究， 利用以上的研究成果开发了航空发动机磨损故障诊断专家系统 国内外众多研究机构与学者相继开发了许多基于人工智能技术的故障智能诊断系统 但是由于飞机发动机自身以及运行环境的复杂性，油样数据的概率分布往往是未知的。因此科学准确的界限值制定方法应该是基于真实的概率分布的。 但是采用智能技术对数据样本的概率分布进行自动识别研究，仍然是将数据归为某种特定的分布，因此在本论文中，我们采用非参数概率密度函数估计方法， 下面详细的介绍每一部分的内容 我们采用本文提取的方法对真实的航空发动机光谱分析数据进行界限值制定，以下是我们对Fe元素浓度数据进行概率密度估计的结果。实际油液监测数据 并不完全服从正态分布 以上就是对航空发动机磨损故障诊断界限值制定进行的研究，下面介绍航空发动机磨损趋势组合预测模型研究内容 针对该问题进行研究， 下面介绍该模型中的关键技术， 在单项预测模型的选择中，我们根据油液分析数据的特征来选择，在航空发动机中油液分析数据是呈明显的上升趋势并且夹杂着一定的随机趋势。由于灰色GM (1 ,1)预测法对时间序列短、信息不完全、统计数据少的建模具有独特功能，并且在反映系统的确定性趋势方面具有较大优势，作为组合预测的基础模型之一。自回归AR模型善于预测随机序列，故本文引入AR模型作为组合预测的第二个基础模型。BP神经网络可实现输入输出的高度非线性映射功能等等，对处理非线性数据具有很大优势，因此本文引入BP神经网络作为组合预测的第三个基础模型之一。分别对训练样本进行单项预测之后，将预测结果最为 LSSVM组合模型的训练样本。表示三种单项预测模型在第t时刻预测结果 Y为第t时刻的真实值 根据结构风险最小化原理，综合考虑函数的复杂度以及拟合误差，将该回归问题表示为如下约束优化问题 在LSSVM回归模型中，根据实际油样光谱分析数据的特性，在进行支持向量机回归时采用径向基核函数 。 那么为了获取最佳预测性能的LSSVM回归模型 ，就需要对核函数参数g以及LSSVM回归模型中的惩罚参数C进行优化，得到最佳的参数值 在计算粒子适应度时，我们将训练样本随机分成一部分作为训练样本，一部分作为测试样本，根据每个粒子位置得到两个参数的值以及LSSVM回归模型，利用训练样本得到训练好的模型之后计算测试样本的预测值，并将测试样本的真实值与预测值的平均绝对误差作为粒子的适应度值；根据粒子的适应度值记录粒子的个体最优位置以及全局最优位置，然后