亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于遺傳過程神經(jīng)網(wǎng)絡算法的航空發(fā)動機健康狀態(tài)圖譜化預測方法

        2015-12-02 01:25:30杜黨黨賈曉亮郝超博
        計算機集成制造系統(tǒng) 2015年11期
        關鍵詞:權值圖譜閾值

        杜黨黨,賈曉亮,郝超博

        (1.西北工業(yè)大學 機電學院,陜西 西安 710072;2.解放軍95631部隊,四川 瀘州 646001)

        0 引言

        通過有效預測和分析航空發(fā)動機的性能參數(shù),可以估計發(fā)動機未來一段時期的健康狀態(tài),對預防和排除發(fā)動機的故障及安全隱患、統(tǒng)籌規(guī)劃發(fā)動機執(zhí)行任務的梯次、合理配置各類保障資源、優(yōu)化維修策略、更好地推行視情維修的理念,具有非常重要的意義。

        狀態(tài)監(jiān)測數(shù)據(jù)是航空發(fā)動機內(nèi)在狀態(tài)的外在表現(xiàn),預示著其未來健康狀態(tài)的發(fā)展趨勢。然而,由于發(fā)動機性能參數(shù)具有非線性、非平穩(wěn)性、高維性、不確定性、混沌性和時變性等特征,使用傳統(tǒng)的線性時間序列預測模型會帶來較大的誤差[1-2]。過程神經(jīng)網(wǎng)絡(Process Neural Network,PNN)可以在任意誤差精度內(nèi)逼近任意連續(xù)函數(shù),具有強大的非線性映射能力,特別是它考慮了參數(shù)在時間維度上的累積效應,放寬了神經(jīng)元對輸入變量的同步瞬時限制,因此用于非線性時間序列預測具有明顯的優(yōu)勢[3-6]。然而,PNN 存在網(wǎng)絡結構特別是隱層節(jié)點數(shù)難以確定、訓練過程易陷入局部極小等問題,影響了其實際應用效果。

        航空發(fā)動機是一個復雜系統(tǒng),不同的性能參數(shù)分別從不同的層面和角度動態(tài)地反映著發(fā)動機的健康狀態(tài)。由于在工程中簡單易行,大多數(shù)性能預測主要針對單一參數(shù)進行[6-7],但是忽略了其他參數(shù)中包含的有用信息,預測單一參數(shù)可能導致分析結論出現(xiàn)較大偏差[8]。多參數(shù)預測客觀反映了發(fā)動機由多個系統(tǒng)組成、多個功能模塊協(xié)調(diào)工作的復雜機理,正成為發(fā)動機健康狀態(tài)預測研究的熱點[8-10]。預測結果具有耦合性、高維性和非線性等特性,對進一步系統(tǒng)有效地分析其中包含的有用信息、合理可靠地得出預測結論至關重要,目前多參數(shù)預測主要采用信息融合方式。文獻[8]采用傳感器數(shù)據(jù)級融合方法構建綜合健康指數(shù),用于系統(tǒng)性能衰退評估和剩余壽命預測;文獻[9]利用貝葉斯線性模型融合多源信息,進而預測發(fā)動機性能衰退的趨勢;文獻[10]利用狀態(tài)監(jiān)測信息和智能預測方法實時評估和預測設備的失效概率。盡管融合分析的最終結果所含的信息量比任何單一參數(shù)的信息量都大,但因其有效性受制于所提取特征信息的準確性,無法避免融合過程中細節(jié)信息的缺損,以及多個信息源的引入可能導致預測精度下降,給得出預測結論帶來了新的不確定性。此外,該方法還存在過程復雜繁瑣、計算開銷大、預測結果難以解釋等問題。

        基于此,本文采用相空間重構理論構造訓練樣本集,并結合遺傳算法優(yōu)化設計PNN 及其初始權值和閾值,通過優(yōu)化后的遺傳過程神經(jīng)網(wǎng)絡(Genetic Algorithm-Process Neural Network,GA-PNN)模型輸出發(fā)動機的預測性能矩陣;對矩陣中的元素加以著色,構造代表發(fā)動機性能的預測圖譜,借助圖譜反映信息直觀清晰、整合力強的優(yōu)勢,從系統(tǒng)層面快速預測發(fā)動機的健康狀態(tài)。

        1 面向航空發(fā)動機健康狀態(tài)圖譜化預測的知識準備

        1.1 發(fā)動機健康狀態(tài)的矩陣描述

        定義1 樣本性能矩陣。設反映發(fā)動機健康狀態(tài)的性能參數(shù)有n個,按照周期τ采樣,經(jīng)過l個采樣周期,共收集l×n個數(shù)據(jù),可以構造一個l×n維的矩陣X,稱為樣本性能矩陣。樣本性能矩陣系統(tǒng)地反映了發(fā)動機某段時期健康狀態(tài)的時空分布規(guī)律,記為

        式中xij表示參數(shù)j在第i時刻的值。顯然,矩陣X的行值代表時刻i所有參數(shù)基于空間序列的分布,列值代表參數(shù)j基于時間序列的分布。

        定義2 預測性能矩陣。對樣本性能矩陣中的每一個參數(shù)分別進行預測,將預測得到的每個參數(shù)按照時序重新組合,構成新矩陣Pl′×n,稱為預測性能矩陣。預測性能矩陣代表發(fā)動機未來一個時期的健康狀態(tài)。

        1.2 發(fā)動機時間序列樣本的相空間重構

        為克服發(fā)動機非線性混沌時間序列樣本中不確定性因素的影響,引入相空間重構理論,以最大限度地挖掘輸入輸出之間的對應關系。相空間重構理論將時間序列中的點序列按照嵌入維數(shù)映射到相空間中對應的點,這些點組成的軌跡能夠再現(xiàn)或繼承原始系統(tǒng)變量間的運行規(guī)律及其運行狀態(tài)特性,提高非線性時間序列模型的泛化能力[11]。

        根據(jù)嵌入定理,對于時間序列{xi}ni=1,當前狀態(tài)的信息可以表示成m維矢量

        式中:m為嵌入維數(shù);τ為延遲時間,常取采樣周期間隔。式(1)構造了輸入與輸出之間的映射關系f:Rm→R,即只要知道特定的m個x(i),x(i-τ),…,x(i-(m-1)τ),就可以確定x(i+τ),從而為訓練樣本集的構建和網(wǎng)絡結構設計提供依據(jù)。由于映射函數(shù)f難以獲得精確的數(shù)學解析形式,下面將選擇PNN 逼近f。

        1.3 過程神經(jīng)網(wǎng)絡模型

        對于一個典型的m-q-1三層前向PNN,其模型如圖1所示。

        網(wǎng)絡的輸入與輸出關系可表示為

        式中:ωij(t)為隱層第i個過程神經(jīng)元和輸入層第j個神經(jīng)元之間的權函數(shù);θi為隱層第i個神經(jīng)元的閾值;vi為隱層第i個過程神經(jīng)元和輸出層神經(jīng)元之間的權值;[0,T]為輸入過程區(qū)間;u和g分別為隱層過程神經(jīng)元和輸出層神經(jīng)元的激勵函數(shù)。本文取u為Sigmoid函數(shù),g為線性函數(shù)。

        采用C[0,T]空間上的正交基函數(shù)將輸入函數(shù)和權函數(shù)展開,則式(2)可以簡化為

        給定k組學習實例,其中網(wǎng)絡第i次的輸入Xi=[xi-1(t),…,xi-m(t)],用yi和y′i分別表示網(wǎng)絡第i次的實際輸出和期望輸出,則網(wǎng)絡的誤差函數(shù)可以表示為

        1.4 預測圖譜

        針對預測性能矩陣Pl′×n中隱含的有用信息難以直觀、快速、系統(tǒng)的挖掘問題,受文獻[12]啟發(fā),對P中的元素逐列執(zhí)行標準化,按照設定的編碼規(guī)則加以著色,依時序畫出由l′個彩色單元連接而成的n條圖譜色帶,進而通過組合色帶構造出預測圖譜。預測圖譜的時間維表征各個參數(shù)基于時間分布的變化趨勢,空間維表征不同參數(shù)基于空間分布的耦合關系,反映了系統(tǒng)信息流的時空演變趨勢,表達了其內(nèi)部工作機制的有序性、穩(wěn)定性和平衡性。如果將樣本性能矩陣和預測性能矩陣合并轉化為圖譜,則可以從更大的時空范圍審視系統(tǒng)的健康狀態(tài)。

        當系統(tǒng)處于衰退的正常水平時,即使其狀態(tài)數(shù)據(jù)在一定范圍內(nèi)波動,其內(nèi)部各個要素之間依然會保持一種相對的動態(tài)平衡。表現(xiàn)在圖譜上,色差過渡相對自然柔和,色帶顏色變化呈現(xiàn)隨機的小幅波動和可以容許的紊亂,紋理基本協(xié)調(diào),整體上具有平穩(wěn)與和諧之美。值得警惕的是,一旦系統(tǒng)多個數(shù)據(jù)幾乎同時發(fā)生突變或某一參數(shù)多次出現(xiàn)突變,圖譜對應的區(qū)域色彩必然出現(xiàn)明顯的跳變和波動,此時色差過渡突然,整體協(xié)調(diào)性變差,預示著系統(tǒng)的健康狀態(tài)很可能出現(xiàn)異?;驉夯?。

        如果預測圖譜與實際圖譜對應區(qū)域的顏色完全一致,則認為該區(qū)域二者對應的數(shù)值相同。如果對應區(qū)域的顏色在色譜刻度尺上距離較近,則表明二者對應的數(shù)值比較接近,否則意味著預測值與實際值之間有較大的差別。通過式(5)[13]計算預測圖譜與實際圖譜中對應區(qū)域的相似度,評價預測圖譜的預報能力。R越大,說明二者擬合程度越高,預測圖譜的整體預報能力越強。

        2 面向航空發(fā)動機性能預測的GA-PNN算法

        2.1 基于GA 的PNN 結構優(yōu)化設計

        PNN 結構參數(shù)如輸入層、隱層以及輸出層的節(jié)點數(shù)等因素,在一定程度上影響網(wǎng)絡的泛化能力和預測精度。由于網(wǎng)絡的結構參數(shù)沒有統(tǒng)一的設計規(guī)則,通常采用試錯法進行參數(shù)選擇,這對于多參數(shù)預測的情形是難以接受的,尤其試錯選擇的結果未必最佳。因此,有必要對網(wǎng)絡結構進行合理設計。

        對于待預測的參數(shù),可將其連續(xù)m個數(shù)據(jù)擬合成一個時變函數(shù)作為PNN 的輸入,參數(shù)本身是預測的輸出目標,故設置輸入和輸出層的節(jié)點數(shù)均為1。運用經(jīng)驗公式限定隱層節(jié)點數(shù)的范圍(m和n分別為嵌入維數(shù)、輸出層節(jié)點數(shù),a為1~10之間的整數(shù)[14])。

        由于GA 具有強大的全局搜索和并行處理能力,能夠快速搜索到全局最優(yōu)點,不易落入局部最小點,可以用來優(yōu)化PNN 的隱層節(jié)點數(shù)q。在綜合收斂精度和收斂速度兩個指標的基礎上,使用精斂比作為個體適應度函數(shù)。

        式中:E0和E1分別為設定的收斂精度和實際收斂精度,t為網(wǎng)絡訓練時間。

        具體做法如下:將q的初始值進行二進制編碼,采用精斂比表示個體的適應度函數(shù);設置種群數(shù)、進化代數(shù)、交叉率和變異率,使用一部分樣本訓練網(wǎng)絡,用其余的樣本測試,計算所有個體的平均適應度值;對種群中的個體進行選擇、交叉和變異等操作,得到優(yōu)化后的適應度值;當所有個體平均適應度值達到要求或達到最大的進化代數(shù)時結束迭代,否則繼續(xù)進行選擇、交叉和變異等操作。q值一旦確定,就完成了PNN 的拓撲結構優(yōu)化設計。

        2.2 基于GA 的PNN 初始權值和閾值的優(yōu)化設計

        測試發(fā)現(xiàn),對于相同的訓練樣本集和同一初始訓練速度,用測試樣本對訓練好的網(wǎng)絡進行測試,結果并沒有達到預期精度,說明網(wǎng)絡訓練時陷入了局部極小值。為了消除訓練時的初始權值和閾值對PNN 收斂精度的影響,再次引入GA 優(yōu)化網(wǎng)絡的初始權值和閾值。

        優(yōu)化過程與隱層節(jié)點數(shù)的優(yōu)化過程類似,這里不再贅述。需要說明的是,本文的個體適應度函數(shù)采用誤差函數(shù)E1。

        2.3 基于GA-PNN算法的發(fā)動機預測性能矩陣的輸出步驟及流程

        2.3.1 基于GA 優(yōu)化PNN 隱層節(jié)點數(shù)和初始權值閾值的主要步驟

        前面的分析表明,隱層節(jié)點數(shù)及訓練時的初始權值閾值對PNN 模型的預測效果影響較大。因此,本文選用GA 分別優(yōu)化PNN 隱層節(jié)點數(shù)和初始權值閾值,優(yōu)化的主要步驟如下:

        步驟1 構造參數(shù)j的訓練樣本集,設定種群數(shù)、進化代數(shù)、交叉概率、變異概率等參數(shù),初始化隱層節(jié)點數(shù)q的種群并進行編碼。

        步驟2 使用個體對q賦值,通過訓練,根據(jù)式(6)計算每個個體的適應度。按照輪盤賭法選擇個體,實施單點交叉、變異等操作,得到優(yōu)化后的適應度值。

        步驟3 若達到設定的迭代次數(shù)或者適應度值滿足要求,則輸出優(yōu)化的隱層節(jié)點數(shù);否則轉步驟2,繼續(xù)進行迭代。

        步驟4 確立PNN 最優(yōu)的結構后,設置GA 參數(shù),對網(wǎng)絡初始權值和閾值進行初始化并編碼。

        步驟5 使用個體對權值和閾值進行賦值,根據(jù)式(4)計算訓練后每個個體的適應度。實施選擇、交叉、變異等操作,得到優(yōu)化后的適應度值。

        步驟6 若達到設定的停止訓練條件,則輸出優(yōu)化的初始權值閾值,退出優(yōu)化程序;否則轉步驟5,繼續(xù)進行迭代。

        2.3.2 GA-PNN 算法的主要步驟及預測性能矩陣的輸出流程

        算法的主要步驟如下:

        步驟1 使用參數(shù)j優(yōu)化的PNN 結構以及初始權值和閾值。設定網(wǎng)絡的訓練收斂精度ε、最大迭代次數(shù)M、累積學習迭代次數(shù)s等參數(shù)。

        步驟2 選取合適的正交基函數(shù),將輸入函數(shù)和權函數(shù)分別展開。

        步驟3 將全部訓練樣本輸入網(wǎng)絡,使用式(3)計算網(wǎng)絡的輸出yi。

        步驟4 使用式(4)計算網(wǎng)絡的誤差函數(shù)E1。若E1<ε,或者s>M,則轉步驟6。

        步驟5 按照LM(Levenberg-Marquardt)方法[5]更新網(wǎng)絡權值和閾值,令s+1→s,轉步驟4。

        步驟6 保存當次網(wǎng)絡學習結果,并利用訓練好的網(wǎng)絡計算參數(shù)j的預測值。

        待所有參數(shù)預測完畢,合并預測結果并輸出預測性能矩陣,退出程序。

        圖2所示為基于GA-PNN 算法的發(fā)動機預測性能矩陣的輸出流程圖。

        3 基于GA-PNN算法的發(fā)動機健康狀態(tài)圖譜化預測方法的應用研究

        綜合考慮某型航空發(fā)動機使用的講義、維修大綱以及工程師的經(jīng)驗等,選取排氣溫度EGT、高壓轉子轉速N2、低壓轉子轉速N1、燃油流量FF、高壓壓氣機出口壓力PB、低壓壓氣機出口壓力P2.5、低壓渦輪出口壓力P4.95、高壓壓氣機出口溫度T3、低壓壓氣機出口溫度T2.5、振動值VD、扭力值TO 11個參數(shù)表征該型發(fā)動機的性能。

        3.1 基于GA-PNN 算法的發(fā)動機預測性能矩陣的輸出

        采用該型112號(假定)發(fā)動機的兩次較大維修間隔期間,對巡航狀態(tài)下的數(shù)據(jù)進行預測。抽樣間隔為10個飛行架次,數(shù)據(jù)總數(shù)為163×11,即包含上述11個參數(shù)同期的各自163個數(shù)據(jù)。對于任一參數(shù)j(j=1,2,…,11),將其連續(xù)mj個數(shù)據(jù)擬合成一個時變函數(shù)作為預測模型的輸入(mj表示參數(shù)j的嵌入維數(shù)),以第mj+1 個數(shù)據(jù)作為預測模型的相應期望輸出,構建163-mj組樣本。用前153-mj組樣本對模型進行訓練,用后10組樣本進行預測驗證(為了保證最終能夠生成一個預測性能矩陣,算法要求每個參數(shù)用來預測驗證的樣本組數(shù)均相同)。具體做法如下:設GA 的種群數(shù)為30,進化迭代次數(shù)為30,交叉概率為0.5,變異概率為0.05,編碼長度為5位。按照2.3.1節(jié)的步驟優(yōu)化該參數(shù)對應的GA-PNN 的隱層節(jié)點數(shù)和初始權值、閾值,然后按照2.3.2節(jié)的算法利用該參數(shù)的訓練樣本對優(yōu)化的GA-PNN 模型進行訓練(使用6個勒讓德正交基函數(shù)展開網(wǎng)絡的輸入函數(shù)及權函數(shù)),最后將測試數(shù)據(jù)代入訓練合格的網(wǎng)絡,對該參數(shù)后10個預測值進行預測。待所有參數(shù)預測完畢時合并預測結果,輸出大小為10×11的發(fā)動機預測性能矩陣。表1所示為各參數(shù)對應的GA-PNN 模型的嵌入維數(shù)和最優(yōu)拓撲結構。

        表1 GA-PNN模型嵌入維數(shù)及最優(yōu)拓撲結構

        為進行對比,使用單純的PNN模型、基于GA 僅優(yōu)化結構的PNN模型(記為GAL-PNN)、基于GA 既優(yōu)化結構又優(yōu)化網(wǎng)絡初始權值和閾值的PNN 模型(記為GA-PNN),對上述參數(shù)分別進行4輪預測。所有模型的輸入輸出層節(jié)點數(shù)均為1。對于同一預測參數(shù),PNN隱層節(jié)點數(shù)由經(jīng)驗公式確定(不同輪次測試中,允許2.1節(jié)中的經(jīng)驗公式包含的變量a適當?shù)馗淖儯?,后兩種網(wǎng)絡采用表1中的最優(yōu)結構。前兩種網(wǎng)絡訓練時每輪使用相同的初始權值和閾值,但不同輪次的初始權值和閾值并不同,GA-PNN使用優(yōu)化的初始權值和閾值。主要測試各模型預測的平均相對誤差AE、最大相對誤差AEmax、相似度R和單輪累計耗時T等指標,結果如表2所示,表中。

        表2 模型預測結果對比分析

        續(xù)表2

        由表2可知,在4 輪測試中,GA-PNN 模型的平均誤差最高為2.34%,最低為1.46%,優(yōu)于平均誤差最高為4.55%、最低為3.35%的GALPNN 模型,而PNN 模型平均誤差最高為6.25%,最低為4.17%,在三者之中居于末位。就最大相對誤差而言,GA-PNN 模型最高為9.12%,分別低于GAL-PNN 模型的12.63% 和PNN 模型的27.07%,反映了GA-PNN 模型的穩(wěn)定性良好。特別是GA-PNN 的最低相似度為0.978,分別高于GAL-PNN 模型的最高相似度1.45%和PNN 模型的最高相似度4.6%,表明GA-PNN 的預測值與真實值在整體上非常接近。此外,GA-PNN 的耗時在三者中也具有一定優(yōu)勢??梢?,盡管訓練的初始條件有變化,但完成兩次優(yōu)化的GA-PNN模型的預測效果好于單次優(yōu)化的GAL-PNN 模型和單純的PNN 模型。之所以GA-PNN 模型的精確性、泛化性和穩(wěn)定性最理想,主要得益于利用GA 在大范圍內(nèi)并行搜索得到了網(wǎng)絡的最佳結構,提升了網(wǎng)絡的泛化能力,而初始權值和閾值的優(yōu)化則進一步修正了網(wǎng)絡收斂方向,消除了陷入極小值的缺陷。因為GAL-PNN 模型采用優(yōu)化的網(wǎng)絡結構,所以效果相對好于PNN 模型。需要說明的是,盡管后兩種模型存在一些不足,但就上述指標總體考量,并非意味著它們不能用于發(fā)動機性能參數(shù)的預測。

        為了進一步檢驗GA-PNN 模型的泛化性和可靠性,使用該模型對機隊中的另一臺011號(假定)發(fā)動機的一組巡航階段運行數(shù)據(jù)進行同步預測。數(shù)據(jù)總數(shù)為248×11,即11個參數(shù)同期各記錄248個數(shù)據(jù),采樣間隔為10個飛行循環(huán)。將任一參數(shù)的連續(xù)m個數(shù)據(jù)擬合成一個時變函數(shù)作為預測模型的輸入(m表示該參數(shù)的嵌入維數(shù)),以第m+1個數(shù)據(jù)作為預測模型的相應期望輸出,構建248-m組樣本。使用前230-m組樣本進行GA-PNN 建模,用后18組樣本進行預測驗證,GA 參數(shù)的設置和基函數(shù)選取與上例相同。所有參數(shù)預測完畢后,將11個參數(shù)的預測結果進行合并,輸出18×11的預測性能矩陣。預測結果同樣表明,GA-PNN 模型能夠滿足工程中發(fā)動機性能監(jiān)控的需要。表3和表4所示分別為011號發(fā)動機各參數(shù)GA-PNN 模型的嵌入維數(shù)、最優(yōu)拓撲結構和預測結果分析。

        表3 GA-PNN模型最優(yōu)拓撲結構

        表4 基于GA-PNN模型預測結果分析

        3.2 發(fā)動機健康狀態(tài)的圖譜化預測

        將訓練數(shù)據(jù)和預測數(shù)據(jù)合并轉化為圖譜,可以從更大的時空范圍系統(tǒng)地審視發(fā)動機的健康狀態(tài)變化趨勢。圖3~圖4中,上部為實際樣本性能矩陣生成的圖譜(實際圖譜),中部為訓練數(shù)據(jù)和預測數(shù)據(jù)合并后生成的圖譜(預測圖譜),下部為圖例尺,圖例尺的刻度0%~100%表示對應參數(shù)的標準值由最小到最大依次改變。圖譜中橫軸表示數(shù)據(jù)編號,縱軸表示參與預測的參數(shù)編號。表5所示為各參數(shù)與色帶編號之間的對應關系。

        表5 參數(shù)與色帶編號之間的對應關系

        3.2.1 實例1

        圖3為112號發(fā)動機第3輪測試時,GA-PNN算法輸出的預測性能矩陣生成的圖譜。

        圖3中A 段圖譜波動較小,色彩變化相對流暢,系統(tǒng)此階段處于健康狀態(tài);B段圖譜呈現(xiàn)較大波動,色彩突變明顯,系統(tǒng)此階段處于快速衰退狀態(tài)。

        從圖3的驗證區(qū)可以看出,預測圖譜與實際圖譜對應的部位在時空分布上非常相似:色帶顏色變化、紋理結構走向大致趨同,色彩波動相對一致,表明預測數(shù)據(jù)與實際數(shù)據(jù)總體上比較吻合。根據(jù)式(5)計算預測圖譜與實際圖譜之間的相似度為0.983,說明預測圖譜具有較強的預報能力。

        在A 段圖譜中,該發(fā)排氣溫度、燃油流量、高低壓轉子轉速等參數(shù)對應的圖譜色帶波動趨勢在時間維度上總體保持一致,表明其變化均能反映發(fā)動機的性能衰退水平。然而,不同色帶的波動幅度在空間維度上并不完全同步,說明各個參數(shù)表征性能衰退趨勢的權重和靈敏度不盡相同,系統(tǒng)個別單元之間的協(xié)調(diào)性不夠理想。上述現(xiàn)象可能與該發(fā)燃油調(diào)節(jié)系統(tǒng)的延遲性、參數(shù)測量誤差、環(huán)境變量的影響以及某一參數(shù)對其他參數(shù)波動過程中的補償作用等因素有關。但就總體而言,圖譜色差過渡相對自然柔和,波動幅度處于可以容許的范圍,表明該時期發(fā)動機的健康狀態(tài)基本正常。

        而在B 段圖譜中,圖譜多條色帶條紋開始紊亂,色差過渡突然,特別是縱向之間出現(xiàn)較大幅度的波動,且扭力對應的色帶11一直偏小,說明該發(fā)整體平衡關系受到破壞,其內(nèi)在的秩序性、穩(wěn)定性變差,衰退趨勢加速,需要加強健康監(jiān)控,防止出現(xiàn)異常。期間,工程維修部門采取了一些防范該發(fā)動機性能繼續(xù)惡化的措施,但效果并不理想。在完成第163個飛行周期后,經(jīng)維修基地評估,對該發(fā)動機做出提前返廠的建議。需要指出的是,僅從色帶1來看,排氣溫度值并未出現(xiàn)較大幅度的波動和增加,說明如果完全依賴單一參數(shù),則有可能會得出不可靠的預測結論。

        3.2.2 實例2

        以圖4所示的011發(fā)動機的預測性能矩陣對應的圖譜為例。圖中圖譜色帶橫向過渡自然柔和,縱向之間協(xié)調(diào)性好,色彩變化整體比較平穩(wěn),表明系統(tǒng)處于健康狀態(tài)

        分析圖4可知,驗證區(qū)域除了個別數(shù)據(jù)點的顏色有小幅差別外,其余大部分對應的區(qū)域均保持一致,計算預測圖譜與實際圖譜之間的相似度為0.978,表明預測值與實際值的偏離度較小,預測圖譜能夠預報發(fā)動機的健康狀態(tài)。

        在時間分布上,除局部短暫的突變區(qū)域外,圖譜色帶的走向相對柔和平緩,反映了隨著時間的變化,相應的子系統(tǒng)性能變化溫和可控,尤其是色帶11的波動非常小,說明發(fā)動機的輸出扭力穩(wěn)定可靠,幾乎不受其他參數(shù)改變的影響;在空間分布上,部分色帶之間存在清晰的相關性(如第1、2條),說明這些參數(shù)之間本身具有同樣的相關性,也表明系統(tǒng)的各子單元之間協(xié)調(diào)性較好。圖譜整體波動性小,平穩(wěn)協(xié)調(diào),預示著該發(fā)動機未來一個時期依然呈現(xiàn)正常且緩慢衰退的趨勢,總體健康狀態(tài)良好。

        可見,預測圖譜能夠客觀、清晰、系統(tǒng)、并行地表達發(fā)動機健康狀態(tài)的演變趨勢及規(guī)律。當然,工程師可以根據(jù)實際分析的需要,靈活選取預測參數(shù),進而通過動態(tài)地調(diào)整預測圖譜中的色帶來改善圖譜預測的效果。

        4 結束語

        本文針對PNN用于航空發(fā)動機性能參數(shù)預測時結構難以設計、訓練易陷入極小值的缺陷,以及預測結果中隱含的健康信息難以清晰、快速識別的問題,提出一種基于GA-PNN算法的發(fā)動機健康狀態(tài)圖譜化預測方法。首先,采用相空間重構理論構造訓練樣本集并結合遺傳算法,優(yōu)化設計PNN 結構及初始權值和閾值,進而生成預測性能矩陣;其次,對預測性能矩陣中的元素加以著色處理,構造代表發(fā)動機健康狀態(tài)的預測圖譜。驗證結果表明:GA-PNN模型網(wǎng)絡結構合理可靠,有效地消除了網(wǎng)絡訓練中易陷入極小值的缺陷,模型的精確性、穩(wěn)定性和泛化性得到了明顯的提升;借助于預測圖譜,可以清晰、直觀、系統(tǒng)地展示發(fā)動機多個預測參數(shù)之間的非線性、耦合性關系及其時空分布全貌,快速挖掘預測性能矩陣中隱含的健康信息,提高了異常成分和模式的識別效率。該預測方法實現(xiàn)了從系統(tǒng)層面精準、高效、直觀地預測發(fā)動機健康狀態(tài)的目的,為發(fā)動機等復雜系統(tǒng)健康狀態(tài)的預測、監(jiān)控及決策提供了新的思路和手段。

        下一階段,將在完善發(fā)動機故障圖譜庫的基礎上,應用數(shù)字圖像匹配算法,深入研究基于圖譜的航空發(fā)動機典型故障模式預測方法。

        [1]LIN Jiewei,ZHANG Junhong,ZHANG Guichang,et al.Aero-engine blade fatigue analysis based on nonlinear continuum damage model using neural networks[J].Chinese Journal of Mechanical Engineering,2012,25(2):338-345.

        [2]TOBON-MEJIA D A,MEDJAHER K,ZERHOUNI N,et al.A data-driven failure prognostics method based on mixture of gaussians hidden markov models[J].IEEE Transactions of Reliability,2012,61(2):491-503.

        [3]ZHONG Shisheng,CUI Zhiquan,WANG Tichun.Prediction of engine gas path parameter deviation based on fractional aggregation process neural network[J].Computer Integrated Manufacturing Systems,2013,19(5):1071-1077(in Chinese).[鐘詩勝,崔智全,王體春.基于分式聚合過程神經(jīng)網(wǎng)絡的發(fā)動機氣路參數(shù)偏差值預測[J].計算機集成制造系統(tǒng),2013,19(5):1071-1077.]

        [4]GE Li,YIN Guisheng.Application of process neural network on consumer price index prediction[C]//Proceedings of International Conference on Affective Computing and Intelligent Interaction.Berlin,Germany:Springer-Verlag,2012:427-432.

        [5]DING Gang,F(xiàn)U Xuyun,ZHONG Shisheng.Aeroengine performance parameters prediction based on process neural network[J].Computer Integrated Manufacturing Systems,2011,17(1):198-207(in Chinese).[丁 剛,付旭云,鐘詩勝.基于過程神經(jīng)網(wǎng)絡的航空發(fā)動機性能參數(shù)預測[J].計算機集成制造系統(tǒng),2011,17(1):198-207.]

        [6]DING Gang,WANG Xiongwei,LEI Da.Aeroengine exhaust gas temperature prediction using process neural network with time-varying threshold functions[J].Applied Mechanics and Materials,2013,423-426:2341-2346.

        [7]LIU Zhiguo,CAI Zengjie,TAN Xiaoming.Forecasting research of aero-engine rotate speed signal based on ARMA model[J].Procedia Engineering,2011,15:115-121.

        [8]LIU Kaibo,GEBRAEEL N Z,SHI Jianjun.A data-level fusion model for developing composite health indices for degradation modeling and prognostic analysis[J].IEEE Transactions on Automation Science and Engineering,2013,10(3):652-664.

        [9]WANG Huawei,WU Haiqiao.Residual useful life prediction for aircraft engine based on information fusion[J].Journal of Aerospace Power,2012,27(12):2749-2755(in Chinese).[王華偉,吳海橋.基于信息融合的航空發(fā)動機剩余壽命預測[J].航空動力學報,2012,27(12):2749-2755.]

        [10]CAESARENDRA W,WIDODO A,THOM P H,et al.Combined probability approach and indirect data-driven method for bearing degradation prognostics[J].IEEE Transactions on Reliability,2011,60(1):14-20.

        [11]CHEN Diyi,DING Cong,MA Xiaoyi.Nonlinear dynamical analysis of hydro-turbine governing system with a surge tank[J].Applied Mathematical Modeling,2013,37(14/15):7611-7623.

        [12]DU Dangdang,JIA Xiaoliang.Health state monitoring for aero-engine based on dynamic standard color-picture[J].Computer Integrated Manufacturing Systems,2013,19(12):3068-3074(in Chinese).[杜黨黨,賈曉亮.基于動態(tài)標準彩色圖譜的航空發(fā)動機健康狀態(tài)監(jiān)控[J].計算機集成制造系統(tǒng),2013,19(12):3068-3074.]

        [13]LI Jiaqing,CHEN Jin,SHI Chongjiu.Fault diagnosis method based on acoustic holography[J].Journal of Mechanical Engineering,2009,45(5):34-38(in Chinese).[李加慶,陳進,史重九.基于聲全息的故障診斷方法[J].機械工程學報,2009,45(5):34-38.]

        [14]HAN Liqun.Artificial neural network theory,design and application[M].Beijing:Chemical Industry Press,2007(in Chinese).[韓力群.人工神經(jīng)網(wǎng)絡理論、設計及應用[M].北京:化學工業(yè)出版社,2007.]

        猜你喜歡
        權值圖譜閾值
        一種融合時間權值和用戶行為序列的電影推薦模型
        CONTENTS
        繪一張成長圖譜
        小波閾值去噪在深小孔鉆削聲發(fā)射信號處理中的應用
        基于自適應閾值和連通域的隧道裂縫提取
        比值遙感蝕變信息提取及閾值確定(插圖)
        河北遙感(2017年2期)2017-08-07 14:49:00
        補腎強身片UPLC指紋圖譜
        中成藥(2017年3期)2017-05-17 06:09:01
        基于權值動量的RBM加速學習算法研究
        自動化學報(2017年7期)2017-04-18 13:41:02
        室內(nèi)表面平均氡析出率閾值探討
        主動對接你思維的知識圖譜
        伊人久久大香线蕉av色婷婷| 在线观看免费日韩精品| 色窝窝无码一区二区三区| 一区二区三区在线 | 欧| 午夜tv视频免费国产区4| 免费啪啪av人妻一区二区| 免费久久久一本精品久久区| 国产精品久久久国产盗摄| 93精91精品国产综合久久香蕉| 日本亚洲一级中文字幕| 亚洲av综合色区一区二区| 国产激情久久久久久熟女老人av | 国产亚洲av片在线观看18女人 | 日日碰日日摸日日澡视频播放| 国产免码va在线观看免费| 三级4级全黄60分钟| 中文字幕日产人妻久久| 亚洲天堂av高清在线| 久久久亚洲欧洲日产国码aⅴ| 免费1级做爰片1000部视频| 精品2021露脸国产偷人在视频| 一区二区久久精品66国产精品| 成年人观看视频在线播放| 激情第一区仑乱| 无码一区久久久久久久绯色AV| 中国黄色偷拍视频二区| 日本熟妇美熟bbw| 国产欧美日韩视频一区二区三区| 亚洲一区二区成人在线视频| 亚洲一区二区三区2021| 精品国产一区av天美传媒 | 日本精品一区二区在线看| 日本av一级片免费看| 国产亚洲精品久久久ai换| 91产精品无码无套在线| 日本一区二区三区四区在线看| 一区二区国产av网站| 人妻无码αv中文字幕久久琪琪布 美女视频黄的全免费视频网站 | 亚洲国产长腿丝袜av天堂| 色婷婷久久免费网站| 国产精品国产自产拍高清|