基于LS-SVM的军用航空发电机寿命预测研究.pdf

《基于LS-SVM的军用航空发电机寿命预测研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2010年8月沈阳航空工业学院学报Aug．2010第27卷第4期JournalofShenyangInstituteofAeronauticalEngineeringV01．27No．4文章编号：1007—1385(2010)04—0063—04基于LS—SVM的军用航空发电机寿命预测研究王莹玉1崔建国1·2赵云2李威2(1．沈阳航空航天大学自动化学院辽宁沈阳110136；2．沈阳飞机设计研究所，辽宁沈阳110035)摘要：为解决航空发电机寿命有效预测的难题，以期实现视情维修，提升飞机的综合作战效能，提出一种基于LS—SVM(Leas

2、tSquaresSupportVect盯Machines)模型的航空发电机寿命预测方法。采用某型真实航空发电机，运用航空发电机专用寿命试验平台，对其进行加速寿命试验，获取输入转速、注油压力、负载、频率、电流、进油温度、出油温度、进口压力、出口压力等多种寿命相关参数，深入分析这些参数间的内在联系与寿命变化规律，设计LS—SVM寿命预测模型，并运用该寿命预测模型对航空发电机寿命表征参数进行预测。研究表明，所设计的LS—SVM寿命预测模型能较好实现对航空发电机的寿命预测效能，具有广阔的应用前景和较大的实际应用价值。关键词：LS—SVM；航空

3、发电机；寿命预测中图分类号：TP206+．3文献标识码：Adoi：10．3969／j．i鹧n．1007—1385．2010．04．015随着我国航空航天事业的发展，众多的新技术、新理念被加入到航空航天技术中，飞机供电系统是飞机的一个重要组成部分，它的作用是向飞机上所有用电设备连续地提供满足规定技术性能的电能。目前航空发电机的使用寿命都是根据实际经验由成品厂出厂时予以确定，且寿命时间的确定都偏于保守，使用时间到达规定的时间即“到寿”后，虽然实际寿命还剩余很多，还可以继续使用，但为保证飞机安全飞行，均一律更换，由此造成大量人力物力的浪费，

4、而且定期维修与事后维修也影响了战机的战斗力。因此，研究航空发电机寿命预测技术，彻底解决寿命难以预测问题，实现对航空发电机的维修由事后维修或定期维修向视情维修转变，既有利于提高维修水平和排故效率，也可降低发电机维护成本，减少资源的浪费，具有较高的经济利用价值。本课题在深入研究航空发电机寿命形成机理基础上，针对航空发电机的结构及其工作环境特点，运用LS—SVM预测模型对航空发电机寿命预测技术进行深入研收稿日期：20lO一∞一∞基金项目：航空科学基金资助项目(项目编号：ID20∞ZD54011)；辽宁省教育厅科研基金资助项目(项目编号：ID

5、2008544．)作者简介：王莹玉(1984一)。女，山东威海人，在读硕士，主要研究方向：复杂系统的综合健康管理。E—mail：YY—jade@yeah．net；崔建国(1963一)，男，辽宁沈阳人，教授，博士后，主要研究方向：飞行器健康诊断与预测及综合健康管理、信号检测与控制、可视化仿真技术与应用等，E—mail：gordon—cig@163．咖。究，取得了较好的预测效果。1LS—SVM寿命预测模型的建立LS—SVM是在支持向量机的基础上发展而来的，最初提出应用于分类问题，后来推广到回归问题。LS—SVM将最小二乘线性系统引入到支持

6、向量机中，采用与支持向量机不同的损失函数，用等式约束代替了不等式约束同时最小化误差的平方项，从而避免了解二次规划问题，使问题得到简化，运行效率明显提高。对于寿命预测问题，LS—SVM算法主要是根据区域中的给定训练样本求对系统输入、输出之间依赖关系的估计，使它能够对未知输出做出尽可能准确的预测，即确定该区域的映射函数，从而得到该区域中未知样本的取值。假设训练样本集S={(气，儿)Ii=l，2，⋯，Z}，气∈R4，Y；∈R，气是第i个输入向量，儿是相应于≈的输出向量，z为样本数目。大多数情况下，样本数据呈现非线性关系，所以采用非线性回归估

7、计。此时，回归估计函数为：Y=以菇)=<∞，咖(髫)>+b(1)其中，∞为权值向量，b为偏置。为估计未知系数03和b，构造泛函的极小化问题，公式如下：．1f(∞)=下1II∞02+c∑f伙气)一，，；，气)-i=l(2)沈阳航空工业学院学报第27卷在LS—SVM优化问题中，用误差平方e2代替松弛因子占；和色‘，并将不等式约束改为等式约束，得到LS—SVM回归问题对应的优化问题为ra⋯inJ(w，e)=了1忪o2+等∑e；2(3)■，o，f‘二蜀约束条件：Yl=埘’咖(茗‘)+b+巳，i=1，2，⋯，Z其中，目标函数的第一项对应于模型泛

8、化能力，而第二项代表了模型的精确性；非线性映射咖：彤_+R一。是核空间映射函数；误差变量ei∈R；b是偏差量；y是模型泛化能力和精度之间的一个可调参数，控制对误差的惩罚程度。引入拉格朗日乘子，则拉格朗日函数为：￡(t‘I