本发明专利技术涉及复杂装备部件送修技术领域,具体的说是一种能够有效提高航空发动机使用效率的设备部件性能与单元体维修级别关系挖掘方法,首先进行送修样本的扩充处理,其次选取在小样本问题条件下效果较好的支持向量机回归方法进行部件送修前性能、单元体维修级别和部件送修后性能之间映射关系的求解。由于部件一般由多个单元体组成,每个部件有多个维修级别,部件送修前性能、单元体维修级别与部件送修后性能之间的映射关系为多对一的映射关系,为了提高支持向量机回归的精度,使用混合核函数的方法对其进行优化,并使用粒子群算法对相关参数进行寻优处理。
【技术实现步骤摘要】
:本专利技术涉及复杂装备部件送修,具体的说是一种能够有效提高航空发动机使用效率的设备部件性能与单元体维修级别关系挖掘方法。
技术介绍
0、
技术介绍
:
1、由于航空发动机送修周期长、航空公司机队规模一般较小,航空发动机的送修样本一般较少。由于现实发动机维修工作范围一般是工程师人为制定,发动机送修样本中维修工作范围受到工程师个人偏好的影响,导致部分单元体在某些维修级别下的送修样本较少。为解决以上问题,应当根据航空发动机维修相关知识扩充发动机送修样本,进行基于知识的发动机送修样本扩充研究。通过样本扩充可以适当增加发动机的送修样本,但其依然是一个小样本的回归问题。针对该问题的特点,应采用在小样本回归问题表现较好的支持向量机回归方法进行研究。由于将多个核函数进行混合可以获得性能更好性能的核函数,开展基于混合核函数的支持向量机回归研究。
2、根据航空公司的相关文件,cfm56-5b发动机各个单元体在四种维修级别下能够恢复整机egtm值如表1所示。该文件是航空发动机维修厂维修航空发动机的参照文件,恢复整机egtm值是经验值,可以表征各个单元体在每种维修级别条件下对整机性能的影响强弱。从该表可知,某些单元体如n1和n2轴承在所有维修级别条件下,均不恢复整机egtm值,因此可认为该单元体的性能并不影响整机的性能。因此,可分析出只有风扇、低压压气机、高压压气机、低压涡轮、高压涡轮这五个部件的性能对整机性能有影响。
3、表1 cfm56-5b发动机单元体在各个维修级别条件下恢复整机egtm(℃)
4、</p>5、
技术实现思路
0、
技术实现思路
:
1、本专利技术针对航空发动机送修样本数量少的问题,采用知识与数据联合驱动的方法对送修样本进行扩充,并使用支持向量机回归的方法进行求解,从而可以高效解决航空发动机部件送修问题的设备部件性能与单元体维修级别关系挖掘方法。
2、本专利技术通过以下措施达到:
3、一种设备部件性能与单元体维修级别关系挖掘方法,其特征在于,包括以下步骤:
4、步骤1:进行样本扩充;
5、步骤2:建立基于混合核函数的支持向量机的函数模型:
6、在目标的线性函数两侧制造了一个“偏差带”,间距为ε,容忍偏差,对所有落入到偏差带内的样本不计入损失,只有落在偏差带边缘的支持向量才会对其函数模型产生影响,最后通过最小化总损失和最大化偏差带间隔来得到优化后的模型,在偏差带内的点,损失值记为0,为非支持向量,在偏差带边缘的点a和点b为边界支持向量,需要计算其损失值,位于偏差带外面的点c、点d、点e、点f和点g为非边界支持向量,可被认为为测量时的异常点,
7、由于svr的优化目标是最大化隔离带,同时也要最小化损失,以此来确定参数w和b,最大化隔离带即为而等价于最小化损失的代价函数可记为其中lε(z)如(1)所示。
8、
9、因此,此时svr的代价函数可表示为式(2),
10、
11、在实际实践中,往往难以确定合适的ε,确保大多数数据在偏差带中,因此引入松弛变量ξ,允许一部分样本在偏差带之外。即所有样本均满足式(3),
12、
13、设自变量xi=[ui,g′i]t,因变量为送修后性能,yi=gi。修后性能的估计值根据支持向量机回归的相关知识,修后性能的估计值可由式(4) 计算得出:
14、
15、其中κ(xi,xj)=φ(xi)tφ(xj)为核函数,选取合适的核函数,并求解出α、和b;
16、可由求解如式(5)所示的svr的对偶问题,来求解α和
17、
18、
19、
20、
21、上述过程需满足kkt条件,即要求
22、
23、从上述条件可以看出,当且仅当f(xi)-yi-∈-ξi=0时,αi能取非零值,当且仅当时,能取非零值,换言之,仅当样本(xi,yi)不落入∈间隔带中,相应的α和才能取非零值,
24、此外不能同时成立,因此α和中至少有一个为零,
25、由上式可以得出以下结论:对每个样本(xi,yi)不但都有(c-αi)ξi=0,而且αi(f(xi)-yi-∈-ξi)=0。于是,在得到αi后,若0<αi<c,则必有ξi=0,进而有式(7)。
26、
27、因此,在求解得到αi后,可计算多次后,取b的平均值。
28、支持向量机回归分析一般使用的核函数有线性核函数、多项式核函数以及高斯核函数。将两个核函数进行组合可得到混合核函数,使得混合核函数具有两种核函数的优点。但将两个核函数进行混合时需要满足mercer条件。多项式核函数(二阶)、高斯核函数和使用多项式核函数与高斯核函数的混合核函数的计算公式如式(8)、(9)、(10)所示:
29、k(x1,x2)=(γ1·x1·x2+cofe)2 (8)
30、k(x1,x2)=exp[-γ2||x1-x2||2] (9)
31、k(x1,x2)=λ·(γ1·x1·x2+cofe)2+(1-λ)·exp[-γ2||x1-x2||2] (10)
32、式中γ1——多项式核函数比例系数;
33、cofe——多项式核函数常数项系数;
34、γ2——高斯核函数比例系数;
35、λ——混合权重系数。
36、最终得到基于混合核函数的支持向量机的函数模型为:
37、
38、步骤3:为了提高支持向量机回归的精度,使用混合核函数的方法对其进行优化,并使用粒子群算法对相关参数进行寻优处理。
39、本专利技术步骤1中针对航空发动机送修样本数量少的问题,采用知识与数据联合驱动的方法对送修样本进行扩充。通过根据维修级别相关知识和添加误差扰动的方法
40、(1)根据维修级别相关知识进行扩充
41、根据某维修公司的相关数据与工程师的经验,所有单元体的目视检查与最小修理对于单元体的修后性能没有任何影响,因此在该两种维修级别条件下,部件送修后性能与送修前性能保持一致。
42、设部件a由单元体a、单元体b和单元体c组成。单元体a、单元体b和单元体c都有代号为1,2,3,4的4个维修级别,目视检查和最小修理分别为维修级别1和维修级别2,性能恢复和大修分别为维修级别3和维修级别4。若组成部件a的单元体a、单元体b和单元体c的维修级别分别为1、2和4,则部件a的维修级别记为[1,2,4]。由于所有单元体的目视检查与最小修理对于部件的修后性能没有任何影响,因此部件a的维修级别[1,2,4]与维修级别[1,1,4]、 [2,2,4]、[2,1,4]等价。因此,部件a在维修级别[1,2,4]条件下的送修后性能与部件a在维修级别[1,1,4]、[2,2,4]、[2,1,4]条件下的送修后性能相同。通过该种本文档来自技高网
...
【技术保护点】
1.一种设备部件性能与单元体维修级别关系挖掘方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种设备部件性能与单元体维修级别关系挖掘方法,其特征在于,步骤1中针对航空发动机送修样本数量少的问题,采用知识与数据联合驱动的方法对送修样本进行扩充。通过根据维修级别相关知识和添加误差扰动的方法
3.根据权利要求1所述的一种设备部件性能与单元体维修级别关系挖掘方法,其特征在于,步骤3中,假设在N维空间中,种群具有m个粒子,粒子的位置由{xi=(xi1,xi2,…,xiN),i=1,2,…,m}来表示,每个粒子的飞行速度由[vi=(vi1,vi2,…,viN),i=1,2,…,m]来计算得到。使用适应度函数来计算各个粒子的适应度值。计算得到每个粒子在迭代历史中的最优位置,记为个体最优值Pbest=(pi1,pi2,…,piN),以及所有粒子的当前最优位置即局部最优值Gbest=(g1,g2,…,gn),粒子的速度、位置更新公式如下:
【技术特征摘要】
1.一种设备部件性能与单元体维修级别关系挖掘方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种设备部件性能与单元体维修级别关系挖掘方法,其特征在于,步骤1中针对航空发动机送修样本数量少的问题,采用知识与数据联合驱动的方法对送修样本进行扩充。通过根据维修级别相关知识和添加误差扰动的方法
3.根据权利要求1所述的一种设备部件性能与单元体维修级别关系挖掘方法,其特征在于,步骤3中,假设在n维空间中,种...
【专利技术属性】
技术研发人员:付旭云,钟诗胜,白争锋,廖敏捷,蒋涛,赵华伟,于斌,
申请(专利权)人:哈尔滨工业大学威海,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。