Rolls-Royce发动机基线挖掘方法

• 论文 •

Rolls-Royce发动机基线挖掘方法

钟诗胜，崔智全，付旭云

1.哈尔滨工业大学机电工程学院，黑龙江哈尔滨150001；2.哈尔滨工业大学（威海汽车工程学院，山东威海264209

出版日期:2010-10-15 发布日期:2010-10-25

Baseline mining method of RR's engine

ZHONG Shi-sheng, CUI Zhing-quan, FU Xu-yun

1.School of Mechatronics, Harbin Institute of Technology, Harbin 150001, China;2.School of Auto Engineering, Harbin Institute of Technology at Weihai, Weihai 264209, China

Online:2010-10-15 Published:2010-10-25

摘要/Abstract

摘要： 采用基于核函数的多元非线性回归分析方法,对Rolls-Royce公司的发动机基线方程进行了求解，建立了标准化过程中的核函数和性能参数的偏差值模型。把厂家系统计算出的偏差值作为目标值，其他相关参数的测量值作为输入，采用高斯牛顿迭代法对该多元非线性方程组进行回归分析，能够迅速收敛，准确地求解出模型未知系数，经整理可得出准确的基线方程。通过比较自主基线求解的偏差值与厂家系统求解的偏差值可知，采用上述基线挖掘方法得到的基线方程模型精度能够满足实际应用的要求。

关键词: 基线, 回归分析, 核函数, 偏差值, 高斯迭代法, 故障诊断, 航空发动机

Abstract: The nonlinear multiple regression analysis based on kernel function was used to solve the baseline equation of Rolls-Royce's (RR's) engine. The standard kernel function was established and then the deviation model of performance parameters was established. The deviation calculated by factory system was used as target value, and other relevant parameters of the measured values as input, the unknown coefficient could quickly converge and be solved by Gauss-Newton iterative method in nonlinear multiple regression analysis, and the accurate baseline was obtained by ordering the equation. The accurate engine baseline function obtained by the proposed method could satisfy practical application requirements.

Key words: baseline, regression analysis, kernel function, deviation, Gauss-Newton iterative method, fault diagnosis, aeroengine

中图分类号:

钟诗胜，崔智全+，付旭云. Rolls-Royce发动机基线挖掘方法[J]. .

ZHONG Shi-sheng, CUI Zhing-quan+, FU Xu-yun. Baseline mining method of RR's engine[J]. .

[1]	肖甜丽,马义中,林成龙. 面向质量设计的Kriging组合建模技术[J]. 计算机集成制造系统, 2021, 27(7): 2023-2034.
[2]	赵文浩,邢香园,王治,万峰,吴剑锋,陈瑞启. 基于知识挖掘的航天产品装配工时定额和管理系统[J]. 计算机集成制造系统, 2021, 27(6): 1594-1604.
[3]	付松,钟诗胜,林琳,张永健. 基于迁移学习的民航发动机小样本故障诊断[J]. 计算机集成制造系统, 2021, 27(12): 3450-3461.
[4]	张玉金,黄博,廖文和. 面向场景的航空发动机基于模型的系统工程设计[J]. 计算机集成制造系统, 2021, 27(11): 3093-3102.
[5]	王欢,张春,张宁,陈耀华. 具有强泛化性的高铁逆变器开路故障诊断算法[J]. 计算机集成制造系统, 2021, 27(11): 3236-3246.
[6]	徐彦伟,蔡薇薇,颉潭成,陈立海,刘明明. 变工况下基于信息融合的地铁牵引电机轴承故障智能诊断[J]. 计算机集成制造系统, 2021, 27(11): 3247-3258.
[7]	孙晨,文龙,李新宇,高亮,丛建臣. 基于自动机器学习的不平衡故障诊断方法[J]. 计算机集成制造系统, 2021, 27(10): 2837-2847.
[8]	刘鹏程,孙林夫,张常有,王波. 基于交互注意力机制网络模型的故障文本分类[J]. 计算机集成制造系统, 2021, 27(1): 73-90.
[9]	彭成,贺婧,唐朝晖,陈青,桂卫华. 基于双维度EKNN的滚动轴承早期故障分类算法[J]. 计算机集成制造系统, 2021, 27(1): 91-102.
[10]	张文龙,胡天亮,王艳洁,魏永利. 云/边缘协同的轴承故障诊断方法[J]. 计算机集成制造系统, 2020, 26(第3): 589-599.
[11]	刘华一,鄢萍,周强,辛洋,张自凯,潘吉财. 基于语义网的机床故障诊断知识扩展方法[J]. 计算机集成制造系统, 2020, 26(第3): 609-622.
[12]	张卫贞1,曾建潮2,石慧1,董增寿1. 基于核密度估计的实时剩余寿命预测[J]. 计算机集成制造系统, 2020, 26(7): 1794-1801.
[13]	辜振谱,刘晓波,韩子东,洪连环. 基于改进密度峰值聚类的航空发动机故障诊断[J]. 计算机集成制造系统, 2020, 26(5期): 1211-1217.
[14]	张珊珊,李方义,贾秀杰,周丽蓉,刘浩华,张传伟,孔琳. 面向变速箱磨损状态评估的灰靶模型优化[J]. 计算机集成制造系统, 2019, 25(第9): 2159-2166.
[15]	赵宏宇,沈江,安邦. 基于代价敏感方法的智能制造故障诊断[J]. 计算机集成制造系统, 2019, 25(第9): 2180-2187.