科研项目结题报告

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,报 告 人,:,民用飞机故障预测与健康管理,关键技术研究结题报告,主 要 内 容,一、研究内容及预期成果形式,二、关键技术研究,三、模型实用性验证,四、所发表的论文,1,、总体思路,本项目的总体思路是以民航飞机的发动机系统为对象，将数据库技术、数据融合技术、信号处理技术和智能计算技术等结合起来，研究飞行器,PHM,的关键技术。主要思路是将粗糙集理论与神经网络进行集成，充分利用两者的优势，结合飞机发动机的故障模式、故障机理、故障数据，进行故障诊断研究。并在此基础上，提出应用于故障诊断的粗糙神经网络模型，结合具体飞机发动机故障案例，进行模型实用性验证。,一、研究内容及成果形式,1,、总体思路,拟解决的关键技术有：,对粗糙神经网络故障诊断模型进行研究；,完成粗糙神经网络对飞机发动机气路故障的诊断仿真。,一、研究内容及成果形式,2,、成果形式,给出两种的故障诊断和预测算法；,给出粗糙神经网络故障诊断模型。,研究成果主要以研究报告的形式提供。在重要学术期刊上发表,2-5,篇学术论文；对研究成果进行总结和鉴定。,一、研究内容及成果形式,1,、粗糙神经网络的体系结构,二、关键技术研究,学习样本集,形成决策表,数据预处理,条件属性值离散化,决策表约简,最简决策表,形成规则集,测试样本集,最小条件属性集的测试样本集,神经网络系统,最小条件属性集的学习样本集,神经网络输出结果,粗糙集输出结果,分析并输出结果,SOFM,和差别矩阵的方法,1,、粗糙神经网络的体系结构,（,1,）通过粗糙集方法减少信息表达的属性数量，减少构建人工神经网络系统的复杂性，同时也减少后继流程中信息作为网络输入时的特征值计算时间；,（,2,）通过粗糙集方法去掉冗余信息，使训练集简化，以便减少人工神经网络的训练时间；,（,3,）使用人工神经网络作为后置的信息识别系统，有较强的容错及抗干扰能力；,（,4,）由于粗糙集理论在简化知识表达的同时，也可以得出决策规则，因而也可以作为后续使用中的信息识别规则，将粗糙集方法得到的结果与人工神经网络方法得到的结果相比较，从而作进一步修正。,二、关键技术研究,2,、对,SOFM,和差别矩阵的属性离散化算法研究,注意到基于差别矩阵的约简算法中，要求决策矩阵中的单个元素的集合构成属性的核，但是在研究过程中发现有时不存在有单个元素的决策矩阵，那是否就不存在约简了呢？为此提出了基于,SOFM,网络和差别矩阵的离散化算法，这一算法能够好地求出核，从而为属性约简奠定基础。,二、关键技术研究,2,、对,SOFM,和差别矩阵的属性离散化算法研究,二、关键技术研究,再次离散化,属性离散化,计算差别矩阵,判断是否存在核,完成离散化,判断决策表是否相容,Y,N,Y,N,基于,SOFM,和差别矩阵的属性离散化算法流程图,2,、对,SOFM,和差别矩阵的属性离散化算法研究,从属性离散化上就着眼于解决差别矩阵约简算法中存在的问题，不仅能够获得离散化效果较优、机器处理时间较少的决策表，更重要的是为属性约简奠定了基础，使得决策表能够获得约简，而粗糙集的意义正是体现在约简上。,二、关键技术研究,3,、输出结果分析处理,二、关键技术研究,粗糙神经网络,故障诊断模型,输出结果为,0 i,输出结果为,i j,输出结果为,j j,将诊断数据存入训练样本数据库,最终输出结果为,i,最终输出结果为,i j,最终输出结果为,j,输出结果为,0 0,最终输出结果为,0,最终输出结果处理示意图,三、模型实用性验证,发动机训练样本数据,Date,Time,M,PA,TAT,TLA,FF,N1,N2,ITT,T2_5,P2_5,D,18.05.09,17.31.48,0.745,29100,-14.6,68.6,1456,86.26,92.77,724,15,9.7,0,19.05.09,11.16.56,0.726,26592,-16,67.7,1520,84.98,92.19,703,12.6,10.5,0,29.05.09,19.00.24,0.598,25590,-8.4,56.5,1192,79.91,91.09,675,16.8,9.4,1,29.05.09,29.05.09,0.731,25592,1.5,68,1644,87.41,95.29,758,32.1,10.9,1,06.06.09,18.44.40,0.726,26578,-6.1,67.7,1568,86.62,94.24,736,23.7,10.5,0,08.06.09,14.49.52,0.741,26598,8.6,75.3,1640,88.84,96.72,788,40.2,10.6,0,三、模型实用性验证,发动机测试样本数据,Date,Time,M,PA,TAT,TLA,FF,N1,N2,ITT,T2_5,P2_5,18.05.09,21.31.50,0.722,26602,-14.3,66.9,1504,84.85,92.46,705,14.2,10.4,19.05.09,14.56.06,0.727,27602,-16.5,67.3,1460,84.97,92.28,702,12.1,10.1,28.05.09,21.16.28,0.75,26598,5.7,71,1678,88.62,96.52,769,29,10.6,29.05.09,20.42.29,0.755,26576,-1.4,67.9,1672,87.44,95.45,774,26,10.5,09.06.09,09.10.13,0.643,23610,-3.8,61.3,1404,82.36,92.84,690,22.2,10.7,10.06.09,11.57.51,0.723,30090,-2,68.8,1425,87.41,94.9,745,22.5,8.9,+,三、模型实用性验证,条件属性,分类标示,分类区间,条件属性,分类标示,分类区间,M,1,类,0-0.7228),N1,2,类,0-85.9772),3,类,0.7228-0.7369),1,类,85.9772-87.0394),2,类,0.7369-,+,),3,类,97.0394-,+,),PA,2,类,0-26022),N2,3,类,0-93.1563),3,类,26022-28763),2,类,93.1563-94.9624),1,类,28763-,+,),1,类,94.9624-,+,),TAT,1,类,-,-8.3317),ITT,1,类,0716.6912),3,类,-8.331-1.5076),2,类,716.6912768.6272),2,类,-1.5076-,+,),3,类,768.6272-,+,),TLA,3,类,0-67.3316),T2_5,1,类,0-20.2042),2,类,67.3316-68.4263),3,类,20.2042-28.1581),1,类,68.4263-,+,),2,类,28.1581-,+,),FF,1,类,0-1463.2),P2_5,1,类,0-9.5274),3,类,1463.2-1580),2,类,9.5274-10.5884),2,类,1580-,+,),3,类,10.5884-,+,),三、模型实用性验证,约简后的决策表,对象,编号,样本,容量,M,FF,ITT,T2_5,D,对象,编号,样本,容量,M,FF,ITT,T2_5,D,1,1,2,1,2,1,0,11,1,2,1,3,1,1,2,1,3,3,1,1,0,12,1,2,1,3,2,1,3,1,3,1,2,3,0,13,1,1,1,1,1,1,4,1,1,3,1,3,0,14,1,3,2,2,2,1,5,1,1,2,1,2,0,15,1,1,3,3,2,1,6,2,3,3,2,3,0,16,1,2,2,3,1,1,7,1,2,2,2,2,0,17,1,1,2,1,3,1,8,1,1,1,1,3,0,18,1,3,3,3,3,1,9,1,2,1,1,1,0,19,1,2,2,2,3,1,10,1,2,2,3,2,0,三、模型实用性验证,规则集和规则参数表,编号,规则,SUPPORT,ACCURACY,COVERAGE,1,(FF,1)(ITT,2)(D,0),2,1,0.181,30,(ITT,3)(P2_5,3)(D,1),1,1,0.111,31,(M,2)(T2_5,3)(D,1),1,1,0.111,三、模型实用性验证,测试样本数据条件属性离散化表,编号,M,FF,ITT,T2_5,诊断,结果,真实,状态,编号,M,FF,ITT,T2_5,诊断,结果,真实,状态,1,1,3,1,1,0,0,9,2,2,3,3,1,1,2,3,1,1,1,0,0,10,2,1,3,3,1,1,3,3,3,2,1,0,0,11,3,3,2,1,0,0,4,1,1,1,3,0,0,12,3,3,2,3,0,0,5,1,3,2,2,0,0,13,1,3,1,3,0,0,6,3,1,1,1,0,0,14,3,1,2,1,0,0,7,2,1,1,1,0,0,15,1,1,1,3,0,0,8,2,2,3,2,0,1,16,3,1,2,3,0,0,三、模型实用性验证,Net1,两次训练收敛图,Net2,两次训练收敛图,三、模型实用性验证,两套神经网络比较表,网络,模型,输入层神,经元个数,隐含层神,经元个数,输出层神,经元个数,迭代,次数,Net1,10,30,1,77,、,66,Net2,4,12,1,34,、,23,三、模型实用性验证,诊断结果比较表,编号,真实状态,Net1,诊断结果,Net2,诊断结果,RS,诊断,结果,77,次,79,次,31,次,23,次,1,0,0.0004,0.0015,0,0,0,2,0,0,0.0001,0,0,0,3,0,0,0.0001,0,0,0,4,0,0,0,0,0,0,5,0,0.0011,0.0065,0,0.0002,0,6,0,0.0001,0.0006,0.0001,0,0,7,0,0.1593,0,0,0,0,8,1,0.0074,0.3838,0.9391,0.9924,0,9,1,0.7548,1.0000,0.9995,0.9975,1,10,1,0.9466,0.9977,0.9351,0.9899,1,11,0,0.0053,0.0139,0.0001,0,0,12,0,0.0134,0.0065,0,0,0,13,0,0,0,0,0,0,14,0,0.0001,0.0294,0.0008,0.0008,0,15,0,0,0.0001,0,0,0,16,0,0.0012,0.0001,0.0333,0.1092,0,诊断结果,93.7%,93.7%,100%,100%,93.7%,三、模型实用性验证,粗糙神经网络模型诊断结果表,测试样本编号,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,诊断率,真实状态,0,0,0,0,0,0,0,1,1,1,0,0,0,0,0,0,100%,粗糙神经网络,诊断结果,0,0,0,0,0,0,0,1,1,1,0,0,0,0,0,0,四、所发表的论文,第一步：粗糙集基础理论的研究,了解粗糙集理论的数学原理、应用范围以及计算方法；并结合在故障诊断中的应用，研究粗糙集在故障诊断中的实用性；重点研究粗糙集在数据处理方面的能力，为粗糙集理论与神经网络的结合奠定基础。,第二步：神经网络理论的研究,重点研究,BP,神经网络、,LVQ,神经网络、,RBF,神经网络在网络设计、模式识别、数据处理、故障诊断中的理论；同样，进行神经网络在故障诊断中实用性研究。,三、研究内容,第三步：粗糙集理论和神经网络的集成研究,这是本文的研究重点。虽然国内外学者提出过一些粗糙理论和神经网络的集成模型，并用来处理一些问题，但是集成模型还存在很多问题，并且面对飞机发动机这么一个特定的故障诊断对象，还没有成熟的集成模型能够处理。所以，从粗糙集理论和神经网络中找到一个合适的连接点，使之能够处理飞机发动机这么一个特定对象的故障诊断问题，使飞机发动机故障诊断效率提高、误诊率降低，是本论文的重点，也是一个难点。,三、研究内容,第四步：飞机发动机故障的研究,研究飞机发动机主要部件的故障模式、故障机理、故障耦合；收集并分析、整理飞机发动机故障数据。,三、研究内容,第五步：粗糙神经网络与飞机发动机具体部件结合的故障诊断研究,拟将粗糙神经网络应用于飞机发动机相关部件的故障诊断；验证粗糙神经网络在故障诊断中的实用性；提出基于粗糙神经网络的通用故障诊断算法。,三、研究内容,第六步：粗糙神经网络在故障诊断中的具体应用和改进,在验证了粗糙神经网络模型的故障诊断能力后，就该模型在故障诊断中可能存在的不足和缺陷，研究相应的改进方法。,三、研究内容,安排如下：,2008.12.1-2008.12.31,研究粗糙集理论,2009.1.3-2009.1.15,研究神经网络理论,2009.2.5-2009.3.5,研究粗糙集和神经网络的集成,2009.3.6-2009.3.20,研究相应仿真软件和编程方法,2009.3.21-2009.4.21,研究飞机发动机故障模式、机理,2009.4.22-2009.6.22,实际调研,2009.6.23-2009.7.7,构造基于粗糙神经网络的故障诊断模型,2009.7.8-2009.7.22,模型实用性验证,2009.7.23-2009.8.23,研究模型改进方法,2009.8.24-2009.10.24,论文写作、修改和定稿,四、确定论文的时间安排,恳请老师批评指正！,谢谢大家！,