如何提高航空发动机推力衰减的短期预测精度详细研究资料分析

　　为了提高航空发动机推力衰减的短期预测精度，提出了基于ARIMA和BP神经网络的组合模型。阐述了ARIMA-BP组合模型的预测步骤，建立了发动机推力衰减的预测模型。利用ARIMA模型预测推力整体变化趋势，利用BP神经网络预测非线性剩余变化量，进而完成对发动机推力的预测分析。并与ARIMA模型预测结果进行对比。结果表明：组合模型短期预测精度较高，为确保发动机试车安全提供可靠的方法，具有一定的工程应用意义。

　　在航空发动机研制中，都会按要求开展可靠性累积试车、全寿命试车等试验。这些试验一般长达几百小时。在试车过程中，因杂质和污垢、叶顶间隙增大、旋转部件长时间工作在高温高压恶劣的环境中以及叶片表面粗糙度增加等原因导致部件性能衰退，从而引起发动机性能衰减，主要表现为发动机推力下降和耗油率增加。在不采取任何维修措施的情况下，发动机性能衰退程度会进一步加重，甚至产生更为严重的后果。为保证发动机试验安全，可根据已有的试验数据对发动机的技术状态进行预测分析，进一步降低风险。

　　针对发动机性能预测，目前比较成熟的方法是线性回归、时间序列预测等传统解析方法以及近年来出现的神经网络、支持向量机等人工智能算法。传统预测方法理论成熟，能够给出预测公式，计算速度快，适合做线性问题的短期预报，但对非线性问题存在局限性。神经网络用于非线性预测获得了较成功的应用，对非线性问题具有较好的预测，但发动机训练样本数量一般较少，数据非线性程度高，单一的BP神经网络模型预测精度不高，而且神经网络模型存在一些不可避免的缺陷（如容易陷入局部最小、过拟合等） 。通过可知，发动机性能衰减预测技术的研究，大都以发动机推力、排气温度或者反映发动机性能的综合指标参数进行预测。

　　考虑到推力是直接反映发动机性能衰退的最直接参数，本文以发动机推力作为性能状态衰减分析的预测参数，以某航空发动机累积试车试验数据为样本，针对发动机试车数据特点，发动机推力衰减过程存在线性趋势变化成分和非线性剩余量两种成分，结合两种算法的不同特点，建立ARIMA-BP组合分析模型，以此来预测发动机推力变化趋势。同时将预测结果与ARIMA模型的预测结果进行比较。结果表明，组合模型的预测精度有所提高，对发动机试车安全具有一定的参考意义。