English 
王华伟

教授 博士生导师

招生学科专业:
交通运输工程 -- 【招收博士、硕士研究生】 -- 民航学院
电子信息 -- 【招收博士、硕士研究生】 -- 民航学院
交通运输 -- 【招收博士、硕士研究生】 -- 民航学院

毕业院校:中国人民解放军国防科学技术大学

学历:国防科学技术大学

学位:博士学位

所在单位:民航学院

办公地点:民航学院办公楼1103房间

联系方式:15062211551

电子邮箱:

手机版

访问量:

最后更新时间:..

当前位置: 中文主页 >> 科学研究 >> 论文成果
基于多尺度排列熵和长短时记忆神经网络的航空发动机剩余寿命预测

点击次数:

所属单位:民航学院

发表刊物:交通运输工程学报

关键字:航空发动机;剩余寿命预测;性能退化;变点;长短时记忆神经网络;多尺度排列熵;

摘要:针对航空发动机性能退化失效的变点和多状态参数的时间序列预测,构建了基于多尺度排列熵算法和长短时记忆神经网络的剩余寿命预测模型;使用多尺度排列熵算法对时间序列进行变点分析,求解出性能退化过程中的突变点,得到了有故障征兆的性能退化起始点;构建了包含多变量的长短时记忆神经网络模型,将多个状态参数代入到模型中得到对应的剩余寿命;将变点后的航空发动机多状态参数和剩余寿命作为样本,代入到长短时记忆神经网络模型中进行多步和多变量的时间序列预测;通过综合航空发动机状态参数变点分析方法和时间序列预测模型,得到最终的剩余寿命预测结果。研究结果表明:多尺度排列熵算法能够及时监控各个状态参数的变化,当发现状态参数异常时,排列熵的值会发生跳变,从而有助于及时发现故障征兆;长短时记忆神经网络模型通过门控单元对长时间序列数据进行信息筛选,充分保留了有效信息用于时间序列预测;多变量长短时记忆神经网络能够对多状态参数进行同步分析,并且将状态参数直接与剩余寿命相对应,提高了模型效率;通过多尺度排列熵算法和长短时记忆神经网络模型的结合,能够考虑到航空发动机的多退化模式,得到更符合实际退化过程的剩余寿命预测结果;经过算例分析,提出方法的剩余寿命预测的均方根误差为5.3,与长短时记忆神经网络、反向传播神经网络和支持向量机相比,误差分别降低了63%、72%和78%。

ISSN号:1671-1637

是否译文:

发表时间:2019-10-15

合写作者:车畅畅,倪晓梅,付强

通讯作者:王华伟

版权所有©2018- 南京航空航天大学·信息化处(信息化技术中心)