收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于粒子群优化算法的航空发动机故障诊断与性能参数预测研究

郑波  
【摘要】:航空发动机作为保障飞行安全运行的核心部件,由于其运行环境的不确定性、严苛性,本身系统构成的复杂性,使得对航空发动机的故障诊断与预测成为一项复杂而又关键的任务,不仅影响航空公司等运营团体的经济利益,更与人员生命财产安全直接相关。随着现代传感器技术、通信技术的快速发展,使得对航空发动机的状态监控和趋势分析成为现实,基于智能算法的诊断与预测技术被广泛采用,使航空发动机的维修保养思想得到根本改变。针对航发发动机故障诊断、预测、及数据处理等问题,本文提出基于粒子群优化(Particle Swarm optimization,PSO)算法的诊断与预测方法,拓展PSO算法应用范围,利用粒度计算进行相似性数据压缩,降低算法时间开销。将优化领域的PSO算法作为故障诊断与预测工具,对本文是一项挑战。本文主要工作与创新点如下:(1)PSO算法作为经典群体智能算法,在优化领域具有广泛的应用,但因容易陷入局部最优区域而导致早熟收敛。实质上,缺乏种群多样性和有效交互模式,以及搜索过程的不平衡、更新策略的单一化,都是导致早熟收敛的原因。受人类学习行为的启发,围绕导致早熟收敛的原因,对PSO算法进行有效改进,通过将粒子群划分为导师和学生,模拟人类的集体学习行为,私人辅导行为,以及研究行为,提出了多极值学习型PSO(Multiple Extremum Learning PSO,MELPSO)算法,使得PSO算法具备人类学习过程中的适应性、交互性、动态性、多样性等特点,提升了算法获得全局最优解的概率,增强了算法运行的稳定性和鲁棒性,拓展了算法的应用空间。(2)根据航空发动机故障模式分布特点,提出基于距离判断的识别方法,利用MELPSO算法的寻优性能,为各类别寻找满足最大类间距离、最小类内距离、以及最大训练样本识别准确率的单最优分类点,依靠到不同最优分类点的距离进行故障模式识别。但基于单最优分类点的识别原理存在不能够准确识别具有线性不可分数据集的缺陷,因此需要为数据集中各个类别寻优合适的最优分类点,而不是仅确定唯一的最优分类点,进而在单最优分类点识别原理的基础上,提出基于自适应最优分类点的改进识别原理,利用优先度的概念组织多目标优化,确保了优化目标按照重要程度依次被实现,以此提高对线性不可分数据的识别准确率。(3)海量的状态监控数据能够准确清晰地描述机械设备的运行状态特征,但其中大量重复或者相似性的数据在故障识别时起着基本类似的作用,因而变相地增加了样本规模,影响了计算效率。因此,提出基于图形割裂的粒度计算方法,并应用到故障数据压缩当中,粒度通过提取和割裂平凡子图和完整子图生成。同时,考虑到监控数据间各属性不同量纲对相似度的影响,提出无量纲相似度的计算方法,克服了量纲的影响。将满足相似指标的数据进行压缩,减少了数据样本,降低了算法的时间开销,同时,保障了压缩样本对原始样本空间分布的维持,避免了因样本减少,信息损失后,对故障模式识别准确率的影响。(4)航空发动机主要性能参数是判断发动机健康状态的一个主要指标,容易受到如:运行环境、机械因素、飞行状态等因素影响,具有非线性、非封闭性和不确定性等特点。利用MELPSO的全局寻优能力,求解出具有非线性映射功能的函数,构造出基于时间序列的预测方式,利用前序数据预测后续数据。同时为克服时间序列预测方式输出偏差较大的缺陷,根据性能参数的影响因素,结合预测逻辑和主要影响因素,进一步构造出基于影响因素的预测方式,提高了预测准确率和输出的稳定性。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 戴永彬;纪川川;康伟伟;基于旋转基技术的多目标粒子群优化算法[J];计算机应用研究;2019年09期
2 刘睿;梁静;;求解大规模问题的协同进化动态粒子群优化算法[J];软件学报;年期
3 申元霞;陈健;曾传华;汪小燕;卫琳娜;;层次学习骨干粒子群优化算法[J];控制与决策;2016年12期
4 乔楠楠;尤佳莉;;一种面向网络边缘任务调度问题的多方向粒子群优化算法[J];计算机应用与软件;2017年04期
5 郭卫东;孙延坤;张海斌;;基于粒子群优化的组播路由算法研究[J];信息与电脑(理论版);2017年10期
6 马洁荣;任淑萍;;改进的粒子群优化算法的研究[J];科技创新与生产力;2017年09期
7 张俊溪;张嘉桐;张玉梅;;一种改进的粒子群优化算法[J];陕西师范大学学报(自然科学版);2016年02期
8 高苇;平环;张成刚;姜静清;;改进惯性权重的简化粒子群优化算法[J];湖北民族学院学报(自然科学版);2016年01期
9 梁望;高媛;刘小利;;粒子群优化算法基本研究[J];科技经济导刊;2016年21期
10 王丹;;中心粒子群优化算法[J];电子测试;2014年23期
11 马晓峰;;基于粒子群优化算法的器件模型表面势求解[J];计算机时代;2015年03期
12 吕莉;赵嘉;孙辉;;具有反向学习和自适应逃逸功能的粒子群优化算法[J];计算机应用;2015年05期
13 赵嘉;付平;李崇侠;吕莉;;基于不同学习模型的精英反向粒子群优化算法[J];小型微型计算机系统;2015年06期
14 豆增发;;一种基于翻转角度的二进制粒子群优化算法[J];科技视界;2014年06期
15 黄翔;殷知磊;茆家伟;;质心粒子群优化算法在云计算路径规划中的应用[J];电脑与信息技术;2014年01期
16 沈永增;闫纪如;王炜;;基于混沌粒子群优化小波神经网络的短时交通流预测[J];计算机应用与软件;2014年06期
17 李振宇;张仁津;;粒子群优化算法的改进与应用[J];科技与企业;2014年17期
18 曹炬;陈钢;李艳姣;;多策略粒子群优化算法[J];计算机工程与科学;2014年09期
19 韩飞;杨春生;刘清;;一种改进的基于梯度搜索的粒子群优化算法[J];南京大学学报(自然科学版);2013年02期
20 张兰;;量子粒子群优化算法在双层规划问题中的应用[J];计算机与数字工程;2013年04期
中国重要会议论文全文数据库 前10条
1 沈希;黄振迪;黄跃进;;基于遗传策略的粒子群优化算法[A];2009中国仪器仪表与测控技术大会论文集[C];2009年
2 孙向军;赵斯强;严宗睿;;基于粒子群优化的反潜搜索研究[A];2008年全国开放式分布与并行计算机学术会议论文集(下册)[C];2008年
3 徐东;李晔;唐旭东;庞永杰;廖煜雷;;基于变异行为的自适应粒子群优化算法[A];中国自动化学会控制理论专业委员会A卷[C];2011年
4 侯志荣;吕振肃;;基于退火策略的粒子群优化算法[A];2003年中国智能自动化会议论文集(下册)[C];2003年
5 孙红光;潘毓学;;基于运动目标路径的粒子群优化算法研究[A];第二届全国信息获取与处理学术会议论文集[C];2004年
6 刘钊;;基于粒子群优化算法的足球机器人动作选择研究[A];2004中国机器人足球比赛暨学术研讨会论文集[C];2004年
7 韩毅;唐加福;郭伟宏;刘阳;;混合粒子群优化算法求解多层批量问题(英文)[A];中国运筹学会第八届学术交流会论文集[C];2006年
8 张妍;张晓光;王永钢;;几种改进型的粒子群优化算法[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年
9 金一粟;梁逸曾;;空间自适应粒子群优化算法的应用研究[A];第九届全国计算(机)化学学术会议论文摘要集[C];2007年
10 司维超;韩维;史玮韦;颜刚;;一种基于蜜蜂多群体觅食的粒子群优化算法[A];中国自动化学会控制理论专业委员会B卷[C];2011年
中国博士学位论文全文数据库 前10条
1 郑波;基于粒子群优化算法的航空发动机故障诊断与性能参数预测研究[D];电子科技大学;2018年
2 易云飞;基于伊藤随机过程的粒子群优化算法及其应用研究[D];武汉大学;2015年
3 余炳辉;粒子群优化算法试验研究及扩展[D];华中科技大学;2007年
4 张丽平;粒子群优化算法的理论及实践[D];浙江大学;2005年
5 窦全胜;求解优化问题的演化计算方法研究[D];吉林大学;2005年
6 熊勇;粒子群优化算法的行为分析与应用实例[D];浙江大学;2005年
7 王俊伟;粒子群优化算法的改进及应用[D];东北大学;2006年
8 莫愿斌;粒子群优化算法的扩展与应用[D];浙江大学;2006年
9 唐贤伦;混沌粒子群优化算法理论及应用研究[D];重庆大学;2007年
10 唐贤伦;混沌粒子群优化算法理论及应用[D];重庆大学;2007年
中国硕士学位论文全文数据库 前10条
1 何军;基于信赖域的粒子群优化算法研究[D];江苏大学;2017年
2 郑博;基于快速排序的多目标粒子群优化算法的研究及应用[D];郑州大学;2015年
3 王亚;一类改进的粒子群优化算法对混沌系统未知参数的估计[D];北京交通大学;2014年
4 陈达荣;基于粒子群优化算法的自适应滤波器电路设计[D];西安电子科技大学;2013年
5 李德生;结合经典优化思想的粒子群优化算法的改进及应用[D];北京建筑大学;2014年
6 张伟星;基于粒子群优化算法的动态多目标优化算法研究及应用[D];郑州大学;2013年
7 万佳;基于多种群并行粒子群优化算法研究[D];南昌大学;2012年
8 李珊;基于粒子群优化算法的移动机器人路径规划研究[D];西安科技大学;2011年
9 李晶;基于粒子群优化算法的无刷直流电机控制方法研究[D];东北大学;2009年
10 李研博;基于粒子群优化算法的水箱过程装置控制研究[D];河北工业大学;2011年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978