[發(fā)明專利]基于數(shù)據(jù)驅(qū)動(dòng)的飛機(jī)液壓泵性能變化趨勢(shì)智能預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010017890.2
• 申請(qǐng)日: 2020-01-08
• 公開(kāi)（公告）號(hào): CN111241629B
• 公開(kāi)（公告）日: 2023-07-14
• 發(fā)明（設(shè)計(jì)）人: 崔建國(guó);李鵬程;崔霄;于明月;蔣麗英;趙雪瑩;劉利秋
• 申請(qǐng)（專利權(quán)）人: 沈陽(yáng)航空航天大學(xué)
• 主分類號(hào): G06F30/15
• 分類號(hào): G06F30/15;G06F30/27;G06F17/18;G06N3/0442;G06N3/045;G06N3/08
• 代理公司: 沈陽(yáng)東大知識(shí)產(chǎn)權(quán)代理有限公司 21109
• 代理人: 李在川

本發(fā)明提供一種基于數(shù)據(jù)驅(qū)動(dòng)的飛機(jī)液壓泵性能變化趨勢(shì)智能預(yù)測(cè)方法，涉及航空航天預(yù)測(cè)技術(shù)領(lǐng)域。本發(fā)明首先獲取飛機(jī)液壓泵的回油流量性能表征參數(shù)形成初始參數(shù)集合；將性能表征參數(shù)分解為D個(gè)趨勢(shì)項(xiàng)數(shù)據(jù)和D個(gè)細(xì)節(jié)項(xiàng)數(shù)據(jù)；然后將細(xì)節(jié)項(xiàng)數(shù)據(jù)歸一化得到參數(shù)數(shù)據(jù)集合；建立細(xì)節(jié)項(xiàng)訓(xùn)練數(shù)據(jù)集，并構(gòu)建細(xì)節(jié)項(xiàng)數(shù)據(jù)趨勢(shì)預(yù)測(cè)模型；對(duì)細(xì)節(jié)項(xiàng)數(shù)據(jù)進(jìn)行趨勢(shì)預(yù)測(cè)得到細(xì)節(jié)項(xiàng)趨勢(shì)預(yù)測(cè)結(jié)果；再建立ARIMA趨勢(shì)項(xiàng)預(yù)測(cè)模型；對(duì)趨勢(shì)項(xiàng)數(shù)據(jù)進(jìn)行預(yù)測(cè)；最后將趨勢(shì)項(xiàng)預(yù)測(cè)結(jié)果與細(xì)節(jié)項(xiàng)預(yù)測(cè)結(jié)果進(jìn)行了疊加，得到飛機(jī)液壓泵性能變化趨勢(shì)預(yù)測(cè)結(jié)果。本方法使預(yù)測(cè)精確性和實(shí)時(shí)性都高于單一模型，能夠?qū)崿F(xiàn)對(duì)液壓泵性能變化趨勢(shì)的預(yù)測(cè)，有一定的工程實(shí)際意義。

技術(shù)領(lǐng)域

本發(fā)明涉及航空航天預(yù)測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于數(shù)據(jù)驅(qū)動(dòng)的飛機(jī)液壓泵性能變化趨勢(shì)智能預(yù)測(cè)方法。

背景技術(shù)

飛機(jī)液壓系統(tǒng)是飛機(jī)上以油液為驅(qū)動(dòng)介質(zhì)、為飛機(jī)提供驅(qū)動(dòng)力的整套裝置。飛機(jī)液壓泵作為液壓系統(tǒng)動(dòng)力核心元件，在長(zhǎng)期高負(fù)載的狀態(tài)下，易出現(xiàn)由油液污染或油液泄露導(dǎo)致液壓系統(tǒng)性能出現(xiàn)急速下降甚至故障的情況。且由于飛機(jī)液壓泵內(nèi)部元件制造工藝精密，元件之間功能結(jié)構(gòu)聯(lián)系緊密、工作機(jī)理復(fù)雜，無(wú)法對(duì)其工作狀態(tài)和性能變化進(jìn)行直接監(jiān)測(cè)，故采用數(shù)據(jù)驅(qū)動(dòng)的分析手段成為了液壓系統(tǒng)故障預(yù)測(cè)診斷及趨勢(shì)變化分析的有效工具。采集能表征飛機(jī)液壓泵性能變化趨勢(shì)的有效參數(shù)，對(duì)飛機(jī)性能變化趨勢(shì)進(jìn)行分析，對(duì)飛機(jī)視情維修及事后保障都有重大的意義。

目前，在工程中應(yīng)用較為廣泛的性能趨勢(shì)分析方法中，多項(xiàng)式擬合法模型建立較簡(jiǎn)單，預(yù)測(cè)準(zhǔn)確度較低；人工神經(jīng)網(wǎng)絡(luò)對(duì)于數(shù)據(jù)量比較少的樣本信息的適用能力較弱，網(wǎng)絡(luò)結(jié)構(gòu)不易確定且冗余過(guò)大，模型的訓(xùn)練時(shí)間難以把控，實(shí)時(shí)性較差；支持向量機(jī)則容易因參數(shù)的優(yōu)化問(wèn)題無(wú)法輸出最優(yōu)解。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問(wèn)題是針對(duì)上述現(xiàn)有技術(shù)的不足，提供一種基于數(shù)據(jù)驅(qū)動(dòng)的飛機(jī)液壓泵性能變化趨勢(shì)智能預(yù)測(cè)方法，本方法將長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)和自回歸積分滑動(dòng)平均模型結(jié)合起來(lái)，使預(yù)測(cè)精確性和實(shí)時(shí)性都高于單一模型，能夠?qū)崿F(xiàn)對(duì)液壓泵性能變化趨勢(shì)的預(yù)測(cè)，有一定的工程實(shí)際意義。

為解決上述技術(shù)問(wèn)題，本發(fā)明所采取的技術(shù)方案是：

本發(fā)明提供一種基于數(shù)據(jù)驅(qū)動(dòng)的飛機(jī)液壓泵性能變化趨勢(shì)智能預(yù)測(cè)方法，包括如下步驟：

步驟1：獲取飛機(jī)液壓泵的回油流量性能表征參數(shù)，形成初始參數(shù)集合；

步驟2：采用線性分解公式對(duì)性能表征參數(shù)D個(gè)原始數(shù)據(jù)進(jìn)行分解，分別得到D個(gè)趨勢(shì)項(xiàng)數(shù)據(jù)和D個(gè)細(xì)節(jié)項(xiàng)數(shù)據(jù)；線性分解公式具體如下:

x_t2＝x_t-x_t1

其中：k為光滑系數(shù)，1≤k≤n，x_i為原始數(shù)據(jù)序列，x_t為x_i原始數(shù)據(jù)序列中的當(dāng)前值，t為數(shù)據(jù)序列號(hào)，n為序列號(hào)的最大值，x_t1為x_t分解后的趨勢(shì)項(xiàng)數(shù)據(jù)，x_t2為x_t分解后的細(xì)節(jié)項(xiàng)數(shù)據(jù)，i＝1,2,3,…n，1≤t≤n；

步驟3：細(xì)節(jié)項(xiàng)數(shù)據(jù)歸一化，形成參數(shù)數(shù)據(jù)集合；將細(xì)節(jié)項(xiàng)參數(shù)數(shù)據(jù)進(jìn)行歸一化處理，使得歸一化后的數(shù)據(jù)位于(-1,1)之間；

步驟4：對(duì)歸一化后的細(xì)節(jié)項(xiàng)數(shù)據(jù)進(jìn)行相空間重構(gòu)，得到細(xì)節(jié)項(xiàng)訓(xùn)練數(shù)據(jù)集；采用訓(xùn)練集數(shù)據(jù)構(gòu)建細(xì)節(jié)項(xiàng)趨勢(shì)預(yù)測(cè)模型，得到細(xì)節(jié)項(xiàng)數(shù)據(jù)趨勢(shì)預(yù)測(cè)模型；

步驟5：對(duì)細(xì)節(jié)項(xiàng)數(shù)據(jù)進(jìn)行趨勢(shì)預(yù)測(cè)，得到細(xì)節(jié)項(xiàng)趨勢(shì)預(yù)測(cè)結(jié)果；

步驟6：構(gòu)建自回歸積分滑動(dòng)平均趨勢(shì)預(yù)測(cè)模型，即ARIMA趨勢(shì)項(xiàng)預(yù)測(cè)模型；

步驟7：對(duì)趨勢(shì)項(xiàng)數(shù)據(jù)進(jìn)行預(yù)測(cè)；將后D-d個(gè)數(shù)據(jù)輸入到步驟6構(gòu)建的ARIMA趨勢(shì)項(xiàng)預(yù)測(cè)模型中，得到趨勢(shì)項(xiàng)預(yù)測(cè)結(jié)果；