论文部分内容阅读
摘 要：故障预测技术实现了飞机健康状况的实时监控，为飞机的安全运行提供保障。本文通过对飞机液压系统的测试数据进行建模和预测，分析出飞机运行状态，实现了飞机健康状态的实时预测，为飞机的健康运行提供保障。
关键词：故障预测;健康状况;液压系统
0 前言
故障预测实现了飞机健康状况的实时监控，通过传感器等元器件采集设备的相关参数，并通过对参数进行实时分析，结合设备状态，对设备的生产生活进行评估，根据评估的结果，及时有效地实现设备的合理化利用[1]。通过故障预测技术，能实现设备利用的最大化。
故障预测技术是故障诊断技术的提升，通过现有的实时的设备数据， 对比设备前某一个阶段的数据，能及时的预知某设备当前状况的好坏，实现设备的合理化监控，这既改变了设备的维修方式，又实现了设备的合理化利用，避免了传统维护方式造成的浪费，节约飞机维护的成本。传统维护以时间为依据，只要时间达到维护时间，即开展维护工作，造成了人员和设备的浪费。故障预测技术的运用，实现了设备维修方式的改变。
故障预测技术是建立在数字化集成化的基础上的技术，通过设备集成化系统的增多，传感器，数据采集器的合理化使用，为故障预测技术提供了有效的设备支持。每一个设备运行中都隐藏着很多的数字化信息，通过数字化信息能判断一个设备运行状况的状态[2][3]。
信息融合技术的提出，能很好地解决数据复杂不好选择的问题，通过数据融合，能将复杂的数据合理化，通过融合后的数据，对设备进行故障预测，能很好地实现设备状态的监控。融合后的数据既具有复杂数据的特性，又将复杂的数据合理信息化，将融合后的数据运用到现有的预测模式中，能很好地反映出设备运行的状态。
基于信息粒化故障预测技术是通过对实验数据进行信息粒化，并在模糊粒化的基础上实现基于融合方法的故障预测。
1 模糊信息粒化
模糊信息粒化是对现有设备能掌握信息的一种数据模糊化方式的表达，由于这些掌握的信息具有相似或共同的特征，通过对这些信息元素的合理化分析，就能在它们之间找到联系，比如说规律和功能等，这个寻找它们共同特征的过程就是实现信息的模糊粒化。
2 基于模糊粒化方法的故障预测技术
本文采用小波神经网络技术与模糊信息粒化后的数据相结合的方法。通过这样模式的结合，建立出基于模糊信息粒化的小波神经网络，通过这种预测方式对实验平台的采集的数据进行合理模糊化再预测。首先将实验测得的设备数据进行处理，形成模糊化集合，集合分为 Low 数据集合、R 数据集合、Up 数据集合[4][5]。
进行预测时，用前30组信息粒化的数据运用小波神经网络进行训练建模，再对剩下的信息粒化的数据进行预测性检验。最后，通过模糊信息粒化的小波神经网络预测技术与小波神经网络预测方式对比。
使用 Low 数据集合进行建模训练，并用建好的模型进行预测，预测的数据与实际数据进行对比，预测的结果如图1所示。通过对比分析，计算出预测误差量，如图2。 图1粒化后预测数据与小波预测数据对比图如图所示可以看出，数据模糊信息粒化后使用小波神经网络对数据进行预测分析，粒化后的预测能更好地反映出设备流量的变化趋势，同时，预测的误差量更小。
经分析计算，对 Low 数据集进行小波神经网络预测的均方误差为0.0102，预测出数据相对百分比为1.2545。
同理，运用小波神经网络预测方法对模糊信息粒化后得到的 R 数据集合进行模型训练和数据预测验证，得到数据的预测结果如图3所示，预测相对误差量如图4所示。
从图3和图4看出，数据模糊信息粒化后使用小波神经网络对数据进行预测分析，粒化后的预测能更好地反映出设备流量的变化趋势，同时，预测的误差量更小。经分析计算，得到对 R 数据集合进行小波神经网络预测的均方误差为0.0167，预测出数据的相对百分比为2.0764。
运用小波神经网络预测方法对模糊信息粒化后得到的 Up 数据集合进行模型训练和数据预测验证，得到数据的预测结果如图5所示，預测相对误差量如图6所示。
同样，经分析，从图5图6可得出，模糊粒化后的小波神经网络预测的效果更好。经分析计算，小波神经网络对粒化后 R 数据集进行预测，预测均方误差为0.0150，预测相对百分比为1.7623。
3 结论
通过小波神经网络预测模型和信息粒化后的小波神经网络对比可以发现，信息粒化后的数据预测技术能更好地反映出数据变化的趋势，进而能更好地预测出设备在不同阶段下的实时与此那个数据。相对单一的小波神经网路预测技术，模糊信息粒化后进行小波神经网络预测具有更明显的优势。
参考文献：
[1] 张宝珍. 国外综合诊断、预测与健康管理技术的发展及应用[J]. 计量机测量与控制，2008，16（5）：591-594.
[2] 潘泉， 于昕， 程咏梅， 等. 信息融合理论的基本方法与进展.[J] 自动化学报，2003，Vol29（4）：599-615.
[3] 曹立军， 杜秀菊， 秦俊奇， 等.复杂装备的故障预测技术[J]. 飞航导弹，2004（4）23-27.
[4] 赵鹏，龙江. 基于 AMESim 的齿轮泵内泄漏故障预测技术研究[J]. 西安航空学院学报，2016（5）：34-38.
[5] 王小川，史峰，郁磊等.MATLAB 神经网络43个案例分析[M].北京：北京航空航天大学出版社.2013.
作者简介：
赵鹏（1989—），男 ，硕士研究生，主要从事故障诊断与预测方向的研究. 基金项目：中国民用航空飞行学院青年基金项目（Q2018-76）.
关键词：故障预测;健康状况;液压系统
0 前言
故障预测实现了飞机健康状况的实时监控，通过传感器等元器件采集设备的相关参数，并通过对参数进行实时分析，结合设备状态，对设备的生产生活进行评估，根据评估的结果，及时有效地实现设备的合理化利用[1]。通过故障预测技术，能实现设备利用的最大化。
故障预测技术是故障诊断技术的提升，通过现有的实时的设备数据， 对比设备前某一个阶段的数据，能及时的预知某设备当前状况的好坏，实现设备的合理化监控，这既改变了设备的维修方式，又实现了设备的合理化利用，避免了传统维护方式造成的浪费，节约飞机维护的成本。传统维护以时间为依据，只要时间达到维护时间，即开展维护工作，造成了人员和设备的浪费。故障预测技术的运用，实现了设备维修方式的改变。
故障预测技术是建立在数字化集成化的基础上的技术，通过设备集成化系统的增多，传感器，数据采集器的合理化使用，为故障预测技术提供了有效的设备支持。每一个设备运行中都隐藏着很多的数字化信息，通过数字化信息能判断一个设备运行状况的状态[2][3]。
信息融合技术的提出，能很好地解决数据复杂不好选择的问题，通过数据融合，能将复杂的数据合理化，通过融合后的数据，对设备进行故障预测，能很好地实现设备状态的监控。融合后的数据既具有复杂数据的特性，又将复杂的数据合理信息化，将融合后的数据运用到现有的预测模式中，能很好地反映出设备运行的状态。
基于信息粒化故障预测技术是通过对实验数据进行信息粒化，并在模糊粒化的基础上实现基于融合方法的故障预测。
1 模糊信息粒化
模糊信息粒化是对现有设备能掌握信息的一种数据模糊化方式的表达，由于这些掌握的信息具有相似或共同的特征，通过对这些信息元素的合理化分析，就能在它们之间找到联系，比如说规律和功能等，这个寻找它们共同特征的过程就是实现信息的模糊粒化。
2 基于模糊粒化方法的故障预测技术
本文采用小波神经网络技术与模糊信息粒化后的数据相结合的方法。通过这样模式的结合，建立出基于模糊信息粒化的小波神经网络，通过这种预测方式对实验平台的采集的数据进行合理模糊化再预测。首先将实验测得的设备数据进行处理，形成模糊化集合，集合分为 Low 数据集合、R 数据集合、Up 数据集合[4][5]。
进行预测时，用前30组信息粒化的数据运用小波神经网络进行训练建模，再对剩下的信息粒化的数据进行预测性检验。最后，通过模糊信息粒化的小波神经网络预测技术与小波神经网络预测方式对比。
使用 Low 数据集合进行建模训练，并用建好的模型进行预测，预测的数据与实际数据进行对比，预测的结果如图1所示。通过对比分析，计算出预测误差量，如图2。 图1粒化后预测数据与小波预测数据对比图如图所示可以看出，数据模糊信息粒化后使用小波神经网络对数据进行预测分析，粒化后的预测能更好地反映出设备流量的变化趋势，同时，预测的误差量更小。
经分析计算，对 Low 数据集进行小波神经网络预测的均方误差为0.0102，预测出数据相对百分比为1.2545。
同理，运用小波神经网络预测方法对模糊信息粒化后得到的 R 数据集合进行模型训练和数据预测验证，得到数据的预测结果如图3所示，预测相对误差量如图4所示。
从图3和图4看出，数据模糊信息粒化后使用小波神经网络对数据进行预测分析，粒化后的预测能更好地反映出设备流量的变化趋势，同时，预测的误差量更小。经分析计算，得到对 R 数据集合进行小波神经网络预测的均方误差为0.0167，预测出数据的相对百分比为2.0764。
运用小波神经网络预测方法对模糊信息粒化后得到的 Up 数据集合进行模型训练和数据预测验证，得到数据的预测结果如图5所示，預测相对误差量如图6所示。
同样，经分析，从图5图6可得出，模糊粒化后的小波神经网络预测的效果更好。经分析计算，小波神经网络对粒化后 R 数据集进行预测，预测均方误差为0.0150，预测相对百分比为1.7623。
3 结论
通过小波神经网络预测模型和信息粒化后的小波神经网络对比可以发现，信息粒化后的数据预测技术能更好地反映出数据变化的趋势，进而能更好地预测出设备在不同阶段下的实时与此那个数据。相对单一的小波神经网路预测技术，模糊信息粒化后进行小波神经网络预测具有更明显的优势。
参考文献：
[1] 张宝珍. 国外综合诊断、预测与健康管理技术的发展及应用[J]. 计量机测量与控制，2008，16（5）：591-594.
[2] 潘泉， 于昕， 程咏梅， 等. 信息融合理论的基本方法与进展.[J] 自动化学报，2003，Vol29（4）：599-615.
[3] 曹立军， 杜秀菊， 秦俊奇， 等.复杂装备的故障预测技术[J]. 飞航导弹，2004（4）23-27.
[4] 赵鹏，龙江. 基于 AMESim 的齿轮泵内泄漏故障预测技术研究[J]. 西安航空学院学报，2016（5）：34-38.
[5] 王小川，史峰，郁磊等.MATLAB 神经网络43个案例分析[M].北京：北京航空航天大学出版社.2013.
作者简介：
赵鹏（1989—），男 ，硕士研究生，主要从事故障诊断与预测方向的研究. 基金项目：中国民用航空飞行学院青年基金项目（Q2018-76）.