论文部分内容阅读
航空推进系统是飞机平台最重要的组成部分之一，航空发动机的健康状况直接关系到飞机的飞行安全和出勤率，因此，对发动机进行状态监控及高效准确的故障诊断意义重大。然而，航空发动机的结构日趋复杂，部件之间运行关系日益密切和复杂，使得对其运行状态的监测和故障诊断的难度不断增大，迫使人们要不断探索新的理论或方法来解决实际中所遇到的问题。与传统的计算方法相比较，人工智能（Artificial Intelligence, AI）法对于复杂的非线性系统问题有着不可替代的优势。2001年Michael E. Tipping等人又在支持向量机的基础上，通过对贝叶斯理论的研究，提出了比支持向量机更加稀疏的能够给出概率解的机器学习方法——相关向量机（Relevance Vector Machine,RVM）。因此，本文也应用相关向量机方法对航空发动机故障诊断中的回归和分类进行研究。主要研究内容如下：（1）首先对传统的智能诊断方法主要是神经网络、支持向量机和最小二乘支持向量机进行了研究。并将其应用于航空发动机故障诊断，通过仿真算例，分析了它们的优势与不足。（2）针对传统智能诊断方法的缺陷引出了基于概率学习的稀疏贝叶斯学习方法——相关向量机，并应用于航空发动机气路故障诊断和滑油光谱数据分析。在同等的条件下，与传统的最小二乘支持向量机进行了对比实验。相关向量机由于其算法的高稀疏性和基于概率学习的结构，其分类和预测不仅速度快、精度高而且可以给出概率性解，与支持向量机相比它大大减少了核函数参与计算的数量，减少了计算时间，且核函数不用满足Mercer条件，这些特点使其在故障诊断等领域拥有广阔的应用前景。（3）对最优化算法进行了研究，如粒子群优化算法以及它的改进算法量子粒子群优化算法。针对相关向量机超参数的选择问题，提出了使用比传统粒子群收敛更快，参数更少的量子粒子群优化方法进行优化。消除了人为主观因素对参数选择的影响。（4）将QPSO-RVM方法应用于航空发动的排气温度预测和滑油光谱分析，通过仿真实验与其它方法相比较，量子粒子群与相关向量机的组合算法能够得到更准确的诊断结果，充分说明了该方法用来提高相关向量机模型的准确率是行之有效的。