如何提高航空發動機推力衰減的短期預測精度詳細研究資料分析

　　為了提高航空發動機推力衰減的短期預測精度，提出了基于ARIMA和BP神經網絡的組合模型。闡述了ARIMA-BP組合模型的預測步驟，建立了發動機推力衰減的預測模型。利用ARIMA模型預測推力整體變化趨勢，利用BP神經網絡預測非線性剩余變化量，進而完成對發動機推力的預測分析。并與ARIMA模型預測結果進行對比。結果表明：組合模型短期預測精度較高，為確保發動機試車安全提供可靠的方法，具有一定的工程應用意義。

　　在航空發動機研制中，都會按要求開展可靠性累積試車、全壽命試車等試驗。這些試驗一般長達幾百小時。在試車過程中，因雜質和污垢、葉頂間隙增大、旋轉部件長時間工作在高溫高壓惡劣的環境中以及葉片表面粗糙度增加等原因導致部件性能衰退，從而引起發動機性能衰減，主要表現為發動機推力下降和耗油率增加。在不采取任何維修措施的情況下，發動機性能衰退程度會進一步加重，甚至產生更為嚴重的后果。為保證發動機試驗安全，可根據已有的試驗數據對發動機的技術狀態進行預測分析，進一步降低風險。

　　針對發動機性能預測，目前比較成熟的方法是線性回歸、時間序列預測等傳統解析方法以及近年來出現的神經網絡、支持向量機等人工智能算法。傳統預測方法理論成熟，能夠給出預測公式，計算速度快，適合做線性問題的短期預報，但對非線性問題存在局限性。神經網絡用于非線性預測獲得了較成功的應用，對非線性問題具有較好的預測，但發動機訓練樣本數量一般較少，數據非線性程度高，單一的BP神經網絡模型預測精度不高，而且神經網絡模型存在一些不可避免的缺陷（如容易陷入局部最小、過擬合等） 。通過可知，發動機性能衰減預測技術的研究，大都以發動機推力、排氣溫度或者反映發動機性能的綜合指標參數進行預測。

　　考慮到推力是直接反映發動機性能衰退的最直接參數，本文以發動機推力作為性能狀態衰減分析的預測參數，以某航空發動機累積試車試驗數據為樣本，針對發動機試車數據特點，發動機推力衰減過程存在線性趨勢變化成分和非線性剩余量兩種成分，結合兩種算法的不同特點，建立ARIMA-BP組合分析模型，以此來預測發動機推力變化趨勢。同時將預測結果與ARIMA模型的預測結果進行比較。結果表明，組合模型的預測精度有所提高，對發動機試車安全具有一定的參考意義。