一种应用于航空发动机性能参数预测的组合模型.docxVIP

一种应用于航空发动机性能参数预测的组合模型 飞机发动机是系统中最具争议、最复杂、维护工作量最大的系统。它的工作状态直接影响到飞机的安全运行。发动机性能参数的变化客观上反映了发动机性能的下降。因此，预测反映发动机性能的参数，可以精确评估发动机的工作状态，为预防和消除缺陷提供充分的时间和决策依据，对于有效实施航空发动机的视野维护决策非常重要。 目前,国内外已有相关研究人员展开了这方面的工作.文献利用自回归模型对航空发动机滑油系统中的金属元素含量进行预测,预测结果反映出了金属含量的变化趋势,但预测精度不高.文献利用径向基神经网络对发动机故障和可靠性性能进行预测并与ARIMA模型进行了比较.文献利用改进的反向传播(BP,Back-Propagation)神经网络对飞行器轨迹进行预测,提高了网络预测的实时性和精确性.但是,神经网络存在着过学习、训练不稳定等问题. 本文提出了一种基于小波变换和ARIMA模型的组合预测模型,该模型不仅适用于发动机性能参数的预测,对于其它领域,特别是当数据有非平稳且带有较大随机波动的特点时,也具有很好的适用性. 1 发动机性能预测方法 航空发动机是一个复杂的非线性系统,因而表征发动机性能的参数通常都是一个复杂的、非线性、非平稳且带有随机波动的时间序列.排气温度裕度(EGTM, Exhaust Gas Temperature Margin)是表征发动机性能的一个重要指标,发动机性能的衰退和故障的发生都体现为EGTM的降低,航空公司大多将EGTM作为对发动机进行检测、维修和换发的一个重要依据.因此,本文以EGTM数据为例,分析发动机性能参数的数据特点,并研究这类数据的预测方法问题. 选取某台发动机起飞阶段EGTM数据进行分析,数据来源于某维修部门的日常记录,如图1所示.记录时间范围为2006年全年,记录单位为航班,共1 088个数据点. 随着航班次数的增加,即发动机使用时间的增加,EGTM数据整体上呈现下降趋势,而细节上又存在较大的波动.这种变化反映出了发动机性能的总体降低和其间的性能波动,与发动机工作状态相吻合.EGTM数据具有很宽的频带,低频段信号反映了数据整体的发展趋势,而高频段信号反映了其局部的波动情况.若使用神经网络对其进行预测,训练过程中收敛速度慢且易陷入局部极小.若使用支持向量机,如何选择合适核函数和参数的确定是一个复杂的过程,并且也存在训练速度慢的问题.如果直接利用ARIMA模型进行预测,剧烈的随机波动会随着差分变得更为剧烈,掩盖住低频特征信号,而且大数量级上的预测误差在差分还原过程中仅仅发生了平移,不能缩小,因而会使最终预测结果存在较大偏差. 2 基于小波变换的组合预测模型 小波分析是目前广泛应用的一种信号分析处理技术,它在时域和频域上同时具有良好的局部化性质,利用小波分析可对信号的任意细节加以提取和分析.因此本文提出应用基于小波分解的组合模型对发动机性能参数进行预测. 小波变换通常采用Mallet算法,每一次分解后得到的分解系数比分解前序列点数减少一倍,点数的减少对预测是不利的,但分解系数可以通过单支重构恢复到原序列长度,同时单支重构提取出了各不同频带范围的时域信号,这些信号的简单相加就可得到原始信号,因而适合对信号的分析、建模和预测. 基于小波变换的组合预测模型机制如图2所示.首先将原始序列进行小波l层分解,可得到趋势系数以及l个细节系数.然后对各分解系数进行单支重构,得到不同频率尺度上的l+1个子序列.针对各子序列的特点,分别选择合适的预测模型进行预测,最后再将各子序列预测结果相加,即可得到最终预测结果. 选择db9小波将一段EGTM数据进行2层分解和单支重构,图3显示了原始序列s和变换后的3个子序列c2,d2和d1.从图3中可以看出分解后的趋势子序列c2(图3b)相对原始序列来说,随机波动较小,具有较好的线性,为非平稳的序列,适宜用ARIMA模型进行预测,而细节子序列d2和d1(图3c和图3d)具有较好的正态性、平稳性和随机性,适合用ARMA进行预测. 应用于平稳序列的ARMA模型和非平稳序列的ARIMA模型都属于典型的时间序列分析模型.它具有理论成熟、建模简捷、运算速度快的优势.ARMA模型和ARIMA模型理论基础相同,通过对序列进行平稳性检验和差分操作,即能实现ARMA与ARIMA模型建模过程的统一,能够有效地简化模型. 3 bic信息准则对arma模型的定阶 在小波变换中,选用Daubechies正交小波系中的db9小波.在ARIMA模型建模中,通过分析序列的均值和方差是否随时间变化作为平稳性判断的依据;利用BIC信息准则对模型自动定阶,给定ARMA模型2个阶数的最大值分别为20;参数估计过程首先采用矩估计方法对模型参数进行初估计,然后利用高斯-牛顿法进行修正. 对发动机EGTM