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

【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。