航空发动机性能参数联合RBFPN和FAR预测

排气温度是最能反映航空发动机运行状态的性能参数之一.对连续飞行班次的起飞排气温度裕度(EGTM,Exhaust Gas Temperature Margin)参数进行预测分析,有助于判知航空发动机将来的工作性能,为预防和排除故障提供充分的时间和决策依据.在依据具有非线性、非平稳特征的起飞EGTM历史监测值序列构建预测模型时,基于奇异值分解滤波算法提出了一种联合径向基函数预测网络(RBFPN,Radial Basis Function Prediction Networks)和函数系数自回归模型(FAR,Functional-coefficient Auto Regressive model)的预测方案,充分发挥RBFPN和FAR在预测EGTM参数值变动趋势成分和随机成分的各自优势,使其互为补充,协同处理.实验结果表明该联合预测方案能够有效抑制RBFPN或FAR单独采用时所呈现出的不足,提高预测性能.     

基于"序列相对贴近度"的组合预测权值分配

在时间序列的组合预测权值分配问题上,为克服传统的均方误差倒数加权、熵权和最优化方法之不足,从预测值序列与评价样本序列间的贴近性出发,提出新方法综合衡量单一参与模型的适用性,并据此分配权值.详细给出了序列相对贴近度(SRND,Sequence Relative Nearness Degree)及与之相关的"序列趋势关联度"和"尺度区间熵"的概念,并提出基于SRND的权值分配方法.将SRND权值分配方法应用于航空发动机排气温度裕度参数时间序列的联合自回归滑动平均模型、函数系数自回归模型和径向基函数网络预测,有效地提高了预测准确度,获得优于均方误差倒数加权和熵权方法的组合性能,且运算量远小于最优化方法.