论文部分内容阅读
EGT(航空发动机排气温度)是航空发动机的主要性能参数之一,EGT的状态变化将直接影响飞机的安全性与可靠性。因此对EGT进行准确的预测,不仅有助于判别发动机的性能状态,同时也能为排除故障以及维修方案的制定提供充分的决策时间。然而由于航空发动机恶劣的工作环境和复杂的非线性系统导致获取的发动机性能参数具有随机的波动性、不平稳性以及非线性等特点,使得难以建立精确的物理预测模型,考虑到发动机EGT与其他性能参数之间的关系,所以建立基于人工智能方法的多个性能参数为输入、发动机EGT为输出的预测模型,并结合航空实例进行分析,验证了预测模型的可靠性。本文将从以下几个方面进行了深入研究:(1)首先对国内外航空发动机排气温度预测的方法进行介绍,全面的分析了PLS(偏最小二乘回归预测)、SVM(支持向量机)预测、ANN(人工神经网络)以及组合预测方法的优缺点,为进一步研究航空发动机排气温度的预测奠定了基础。(2)为了提高对航空发动机排气温度预测的准确性,首先分析获取的航空发动机相关数据的变化特征,采用统计分析法对数据中异常点进行识别,并利用指数平滑法对时间序列数据进行平滑处理;其次对数据进行归一化处理,消除数据间的量纲;最后利用平均值的方法对EGT及相关参数进行相关性分析。(3)利用EGT与相关参数之间的关系,建立以多参数为输入,单参数为输出的偏最小二乘、多元线性回归、Elman神经网络、支持向量机等单一预测模型,同时为了提升预测精度,并利用自适应扰动量子粒子群对SVM和Elman网络的参数进行优化,利用实例进行验证。分析结果表明:相比之下,优化后的神经网络和SVM预测模型的预测误差相对更小。(4)通过对单一预测模型进行分析,将几种预测结果较优的单一预测模型进行结合,建立起一个基于ADQPSO(自适应扰动量粒子群)的组合预测模型。在以最小误差为目标的条件下,利用自适应扰动量子粒子群优化算法为各个单一模型分配合理的权值,并对组合模型的抗噪能力,适应能力,训练时间进行评估。