搜索
报告人: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YNYN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[0i]输出结果为[ij]输出结果为[jj]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[ij]最终输出结果为[j]输出结果为[00]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DateTimeMPATATTLAFFN1N2ITTT2_5P2_5D18.05.0917.31.480.74529100-14.668.6145686.2692.77724159.7019.05.0911.16.560.72626592-1667.7152084.9892.1970312.610.5029.05.0919.00.240.59825590-8.456.5119279.9191.0967516.89.4129.05.0929.05.090.731255921.568164487.4195.2975832.110.9106.06.0918.44.400.72626578-6.167.7156886.6294.2473623.710.5008.06.0914.49.520.741265988.675.3164088.8496.7278840.210.60三、模型实用性验证发动机测试样本数据DateTimeMPATATTLAFFN1N2ITTT2_5P2_518.05.0921.31.500.72226602-14.366.9150484.8592.4670514.210.419.05.0914.56.060.72727602-16.567.3146084.9792.2870212.110.128.05.0921.16.280.75265985.771167888.6296.527692910.629.05.0920.42.290.75526576-1.467.9167287.4495.457742610.509.06.0909.10.130.64323610-3.861.3140482.3692.8469022.210.710.06.0911.57.510.72330090-268.8142587.4194.974522.58.9+∞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M1类[0-0.7228)N12类[0-85.9772)3类[0.7228-0.7369)1类[85.9772-87.0394)2类[0.7369-+∞)3类[97.0394-+∞)PA2类[0-26022)N23类[0-93.1563)3类[26022-28763)2类[93.1563-94.9624)1类[28763-+∞)1类[94.9624-+∞)TAT1类[-∞--8.3317)ITT1类[0—716.6912)3类[-8.331--1.5076)2类[716.6912—768.6272)2类[-1.5076-+∞)3类[768.6272-+∞)TLA3类[0-67.3316)T2_51类[0-20.2042)2类[67.3316-68.4263)3类[20.2042-28.1581)1类[68.4263-+∞)2类[28.1581-+∞)FF1类[0-1463.2)P2_51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MFFITTT2_5D对象编号样本容量MFFITTT2_5D11212101112131121331101212132131312301311111141131301413222151121201511332162332301612231171222201711213181111301813333191211101912223110122320三、模型实用性验证规则集和规则参数表编号规则SUPPORTACCURACYCOVERAGE1(FF,1)Λ(ITT,2)→(D,0)210.18130(ITT,3)Λ(P2_5,3)→(D,1)110.11131(M,2)Λ(T2_5,3)→(D,1)110.111三、模型实用性验证测试样本数据条件属性离散化表编号MFFITTT2_5诊断结果真实状态编号MFFITTT2_5诊断结果真实状态11311009223311231110010213311333210011332100411130012332300513220013131300631110014312100721110015111300822320116312300三、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Net11030177、66Net2412134、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100.00040.00150002000.00010003000.00010004000000500.00110.006500.00020600.00010.00060.000100700.15930000810.00740.38380.93910.99240910.75481.00000.99950.997511010.94660.99770.93510.989911100.00530.01390.0001001200.01340.0065000130000001400.00010.02940.00080.0008015000.00010001600.00120.00010.03330.10920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12345678910111213141516诊断率真实状态0000000111000000100%粗糙神经网络诊断结果0000000111000000四、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！