基于智能学习模型的民航发动机健康状态预测分析-prediction and analysis of civil aviation engine health status based on intelligent learning model.docxVIP

下载本文档

7
0
约11.15万字
约 168页
2018-08-14 发布于上海
举报
版权申诉

基于智能学习模型的民航发动机健康状态预测分析-prediction and analysis of civil aviation engine health status based on intelligent learning model.docx

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

基于智能学习模型的民航发动机健康状态预测分析-prediction and analysis of civil aviation engine health status based on intelligent learning model

模型，且集成模型可以降低对弱学习机的性能要求。针对模型点预测结果存在的不确定性，采用Bootstrap预测区间估计方法对所提出的上述预测模型的预测区间进行估计，实现对模型预测结果可靠性和精确性的量化评估。基于上述研究成果，根据中国国际航空股份有限公司的实际需求研发了“民航发动机拆发日期预测系统”，成为“航空发动机健康管理与维修决策支持系统”的重要组成模块。该模块从系统获得发动机的健康状态信息实现发动机拆发日期预测，将预测结果提供给系统的“维修计划制定”模块作为维修计划制定的依据，实现了从发动机状态监控到维修决策的无缝集成。关键词：发动机健康状态预测；智能学习模型；过程神经网络；改进AdaBoost.RT；预测区间估计AbstractThehealthconditionpredictionofcivilaircraftengineisthebasisformakingreasonableschedulingandmaintenanceplans,andisthesupporttechnologyforensuringoperationsafetyandimprovingeconomy.Asdata-drivenmodelswithoutpriorhypotheses,intelligentlearningmodelsrepresentedbyneuralnetworkscanbetrainedusingthehealthconditiondatadirectly,whichovercomesthedifficultiesofestablishingexactmechanismmodelsforenginehealthconditionprediction.However,thecomplexnonlineartime-varyingcharacteristicsoftheaircraftenginehealthdegradationprocessbringaboutdifficultiestotheactualuseofintelligentlearningmodels.Inviewofsuchproblemsandtherequirementsofcivilaircraftenginehealthconditionprediction,theadaptivenoisereducingmethod,thesingleglobalmodelingmethod,theensemblelocalmodelingmethodandtheuncertaintyassessingmethodforpredictionresultsarestudiedinthispaper.Anenginehealthsignalnoisereducingmethodbasedonsingularvaluedecomposition(SVD)enhancedbyempiricalmodedecomposition(EMD)isproposed.ThetrendcomponentisabstractedfromtheoriginalhealthsignalusingEMD,andthentheresidualisde-noisedusingSVD.Sincethedisturbanceofthetrendcomponentiseliminated,thesingularvaluesforsignalreconstructioncanbeselectedadaptivelyaccordingtothesinglularvaluespectrum.Thegivenmethodisvalidatedthroughthenoisereducingoftheactualenginehealthsignals.Inviewoftheproblemthattheprocessneuralnetwork(PNN)withcontinuousfunctioninputscannotbetrainedusingdiscretesamplesdirectly,adiscreteinputprocessneuralnetworkmodel(DPNN)ispresented.DPNNtakesdiscretevectorsasinputsandutlizeconvolutionsumtorealizethetimeaggregateoperation.Thus,DPNNcanavoidproblemssuchasparameterselectionandinformationlossduringproceduresoffunctionfittingandexpandingrequire