论文部分内容阅读
随着现代国防科技对航电系统功能集成的要求不断提高,航电系统内发生故障的概率也越来越大,如何保障作战效率成为目前亟待解决的问题。故障预测与健康管理(Prognostics and Health Management,PHM)技术的应用能够实现对航电系统故障的故障预警、智能诊断及视情维修,保证航电系统的可靠性。因此,针对航电电路的故障诊断方法以及剩余寿命(Remaining Useful Life,RUL)预测方法的研究具有很大的理论价值及实际意义。本文针对航电电路模块中的典型电路进行了故障诊断算法的研究,并针对航电电路模块中的典型部件进行了RUL预测技术的研究。完成的主要工作内容如下:(1)针对极限学习机(Extreme Learning Machine,ELM)中随机参数的存在而导致的分类精度不稳定的问题,应用差分进化算法(Differential Evolution,DE)对随机参数进行参数寻优。分别采用ELM以及差分进化极限学习机对典型航电电路进行故障诊断分析,验证差分进化极限学习机具有更好的故障诊断能力;(2)研究航电电路中常用的高损坏率电子部件在高电应力下的退化机理,应用粒子滤波算法(Particle Filter,PF)对电解质电容进行RUL预测,针对粒子滤波中的“粒子退化”问题应用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)方法生成合适的重要性密度函数,从而对粒子滤波中的重要性采样步骤进行了改进优化,提高了预测精度;(3)针对预测算法中重采样步骤的引入导致的“粒子贫化”问题,本文提出分别应用线性优化重采样方法(Linear Optimization Resampling,LOR)和粒子群优化算法(Particle Swarm Optimization,PSO)改善粒子多样性的丧失,并针对引入PSO引起的算法计算量增加问题,采用自适应调整粒子数的方法提高算法的RUL预测效率。文章通过应用DE算法改进ELM,实现了对典型航电电路模块高精度的故障诊断,其诊断精度较ELM能够提高2%以上。并提出了基于UKF,采用PSO和LOR,结合自适应调整粒子数的方法改进PF,使用NASA公布的电容失效数据集,在不同预测点对电容进行RUL预测,其预测得到的RUL置信区间变窄,RUL的预测精度得到了大幅度提高。当在电解质电容于高电压应力下工作60个小时后开始预测,其预测误差比采用传统粒子滤波算法进行预测的误差降低了近10%。本文对比了PF与改进算法在多个预测点的预测结果,验证了改进预测算法能够很好地改善原粒子滤波算法的弊端,提高算法的寿命预测能力。