基于小波神經網絡的航電系統故障預測與健康管理技術研究.pdf

1、隨著航空技術的發(fā)展，綜合航電系統的復雜度越來越高，發(fā)生故障的頻率及由此帶來的損失也越來越多，故障預測與健康管理（Prognostics and Health Management,PHM）作為實現航空器視情維修、自主式保障的新興技術，已成為新一代航電系統系統設計和使用的重要部分。
　　故障預測與健康管理是基于視情維修的一種全面狀態(tài)監(jiān)測、故障診斷、故障預測及健康管理技術。它是在有異常征兆時，就對故障的發(fā)展趨勢進行預測，確定系統的剩余

2、使用壽命和未來某時刻的健康狀況，并選擇在合適的時間內采取維修策略，預防系統完全故障，實現自主式保障，達到安全性、可靠性，降低使用和保障費用的目標。
　　本文針對航電PHM系統中狀態(tài)監(jiān)測、故障診斷及故障預測3個模塊，研究了多小波閾值去噪、小波包特征向量提取、小波神經網絡故障分類器及預測器等多項關鍵技術。具體研究內容如下：
　　1.多小波閾值去噪。研究了GHM多小波閾值去噪的步驟，仿真分析了四種典型閾值估計的去噪性能。針對多小波

3、閾值去噪中硬閾值和軟閾值函數的缺點，提出了一種改進的閾值函數，經過仿真分析，這種改進的閾值函數去噪性能優(yōu)于硬閾值函數和軟閾值函數，在輸入信噪比為12dB的情況下，利用改進的閾值函數去噪后的信噪比達到20.5867dB，去噪后信噪比提升了71.56％，最小均方誤差為0.3742。
　　2.小波包特征向量提取。將小波包分解的各頻段能量作為故障特征量，可以把微弱的早期故障分解到容易檢測到的故障特征空間中去，并為神經網絡的學習提供訓練樣本

4、。仿真了小波包、最優(yōu)小波包提取特征向量的過程，其中最優(yōu)小波包提取特征向量可以很大程度上改善“維數災”的問題。
　　3.健康評估。通過將小波包各層分解系數的殘差與預先設定的閾值比較，判定現時系統所處的是健康態(tài)還是異常態(tài)。
　　4.神經網絡故障分類器、性能預測器。研究了傳統小波神經網絡學習算法和改進的小波神經網絡學習算法，改進的算法通過增加動量項和自適應改變學習速率，很好的改善了傳統最速下降法收斂速度慢、易陷入極小點的缺陷，通過