论文部分内容阅读
航空发动机的可靠性对民航安全具有重要影响。为了更精准地进行航空发动机可靠性分析,本文以运行可靠性与复杂可靠性分析理论为基础,采用深度学习方法,处理航空发动机状态参数与运行可靠性之间的非线性、时变问题,具体内容如下:1)研究了航空发动机进行可靠性分析的框架体系,结合其特点,分别从复杂系统可靠性分析和运行可靠性分析两个角度进行研究,以及在此基础上如何采集和分析航空发动机的监测信息,对航空发动机的状态监测方法与深度学习进行了研究,提出采用降噪自编码器(Denoising Autoencoder,DAE)方法及其训练算法——贪婪逐层训练方法。2)研究了以改进DAE为基础的航空发动机气路故障分析。针对航空发动机气路故障中于状态参数非线性强且易受噪声污染的问题,提出一种改进DAE的航空发动机气路分析方法。该方法在DAE基础上,采用优化的萤火虫算法(Firefly Algorithm,FA)改进径向基神经网络(Radial Basis Function,RBF)组成FRBF网络,进行航空发动机故障分析。通过实例,将提出方法与原始DAE、单独的FRBF、支持向量机(Support Vector Machine,SVM)、RBF 4种算法进行对比,结果表明,所提出方法分析精度最高,且算法性能稳定,鲁棒性也优于其他几种方法。3)研究了基于DAE的航空发动机性能退化评估。针对航空发动机性能退化的形式及规律,提出一种基于DAE的航空发动机性能退化评估方法。针对采集的航空发动机监测参数,采用DAE,利用贪婪逐层训练算法,挖掘各参数关系,提取评估特征,进行性能退化评估。通过实例,将提出的算法与反向传播(Back Propagation,BP)神经网络以及SVM得到的结果进行测试比较,提出的方法准确率有所提高,具有较强的鲁棒性,并且能够防止航空发动机状态监测中小样本过拟合的问题。4)研究了基于深度学习集成网络的航空发动机剩余使用寿命预测(Remaining Useful Life,RUL)。针对航空发动机RUL预测需要非线性能力更强的模型、以及通常没有考虑时间累积效应的问题,提出一种基于DAE和深度置信网络(Deep Belief Network,DBN)的集成网络,选用FA对结果输出的权值进行优化,通过实例分析,与DAE、DBN、BP网络和SVM得到的结果进行比较,所提出的方法准确度更高。