硕士学位论文答辩：基于数据挖掘的航空发动机磨损界限值制定方法研究

1、南京航空航天大学智能诊断与专家系统研究室 硕士学位论文答辩基于数据挖掘的航空发动机磨损界限值制定方法研究学生：张全德导师：陈 果 教授专业：载运工具运用工程2022/7/14南京航空航天大学智能诊断与专家系统研究室 2022/7/14目录基于weka平台发动机知识规则提取 总结与展望航空发动机滑油监控专家系统开发 发动机磨损数据界限值制定方法研究背景及现状分析南京航空航天大学智能诊断与专家系统研究室 第一部分研究背景与现状分析2022/7/14 航空发动机是一种典型的高速旋转机械，其结构极其复杂，工作在高温、高压、高速的恶劣条件下，容易发生各种机械故障，同时作为飞行器的“心脏”，航空发动机的健

2、康状况将直接影响飞行安全。发动机系统的故障占所有机械故障的60%人为因素机械事故因此，为了使航空发动机安全、高效、经济地运行，就必须了解发动机的运行状况，进一步掌握其磨损变化规律，对其关键部件的磨损情况实施状态监测与故障诊断 2022/7/14南京航空航天大学智能诊断与专家系统研究室 第一部分 航空发动机转子系统及传动系统中的齿轮和轴承磨损失效是航空发动机研制和使用过程中所出现的主要故障 。据某空军运输师对某发动机十年情况所作的统计，引起发动机空中停车率的37.5%及提前换发率的60%以上的原因是发动机轴承等零件的磨损类故障，其中尤以轴间轴承最为突出。滑油泵磨损 如何有效地监控航空发动机关键摩

3、擦副磨损的发生与发展过程，对于发动机试车过程中的故障排除、发动机使用寿命的评估、发动机设计的改进以及发动机使用过程中的故障诊断与预报等，均具有重要意义。 油样分析方法是航空发动机磨损故障诊断的有效手段；而界限值是故障诊断以及状态评估的关键一步。研究背景与现状分析1. 飞机发动机滑油磨损元素界限值制定方法不科学。 2022/7/14南京航空航天大学智能诊断与专家系统研究室 第一部分航空发动机磨损故障诊断滑油分析技术磁塞检查颗粒计数光谱分析铁谱分析发动机磨损数据数据挖掘特征融合专家系统界限值制定规则提取航空发动机状态评估研究背景与现状分析2022/7/14南京航空航天大学智能诊断与专家系统研究室

4、第一部分国外: 上世纪40年代，美国就已将光谱分析技术应用于铁路机车故障诊断； 1966年12月，美国限令三军都要对飞机发动机进行滑油状态监控； 1975年，美国国防部建立了三军联合油料分析机构JOAP；同时，运用线 性回归等方法，制定界限值，并划分A、N、K、T这四个等级。 国外采用油液分析技术对机械设备进行状态监控以及故障诊断；同时，利用线性回归等正态分布假设下的界限值制定方法，对旋转机械的界限值进行制定。国内: 闫辉等考虑到环境以及污染数据点等影响，对传统界限值计算方法改进； 高经纬等提出了基于比例模型的界限值制定方法进行故障诊断； 周平等提出了基于稳健回归的界限值制定方法，提高了对异常

5、数据点抗干 扰的能力； 孙金哲等提出了基于GM（0，N）模型的界限值制定方法，克服了传统方 法服从正态分布的局限性； 张永国等利用神经网络建立了动态界限值模型，并用故障数据进行验证。国内目前基本上是对传统界限值计算方法的改进以及动态界限值的研究，但对实际磨损数据分布的情况研究上较少。 研究背景与现状分析磨损元素界限值制定研究现状2022/7/14南京航空航天大学智能诊断与专家系统研究室 第一部分知识获取非自动知识获取方式自动知识获取方式知识工程师从信息源获取 知识规则将知识规则手动输入到知 识库中知识获取研究现状研究背景与现状分析无监督的学习方法来获取 知识自动挖掘知识，是一种高 级的知识获取

6、方法第一代专家系统 DENDRAL 第二代专家系统 MYCIN 机器学习方法 统计方法 神经网络方法 遗传算法 数据库方法 2022/7/14南京航空航天大学智能诊断与专家系统研究室 第一部分知识获取研究现状研究背景与现状分析国外: Iverson将孤立奇点技术和聚类分析技术应用于空间任务操作系统的健康监控，通过对空间数据的挖掘和知识发现，建立了异常检测模型，完善了故障知识库，有效提高了航天器的维修决策效率； 欧空局采用聚类算法、时序关联规则算法对航天器返回遥测数据进行数据挖掘以及知识获取，并将挖掘结果用于航天器的实时监控，性能分析与异常检测； Chiba K，Obayashi S等采用自组织

7、神经网络、泛函分析以及粗糙集理论等技术对火箭回扫助推翼的设计资料与文档进行数据挖掘，并且比较了三种数据挖掘的最终结果，构建了优化设计知识库，并根据挖掘结果对其可靠性和安全性进行分析。 2022/7/14南京航空航天大学智能诊断与专家系统研究室 第一部分知识获取研究现状研究背景与现状分析国内: 西安交通大学赵荣珍利用粗糙集理论对转子轴承系统的运行情况进行监测，建立了基于粗糙集理论的知识获取和发现诊断模型，对系统运行情况进行监测和诊断； 南京航空航天大学陈果等针对基于神经网络的专家系统中知识难以理解以及诊断能力差的问题，研究了一种基于功能性观点的神经网络知识获取方法，并用实际的航空发动机滑油光谱数

8、据验证了规则的有效性，并对其进行了合理的解释； 西安交通大学王小华等利用改进广义径向基人工神经网络算法与专家系统相结合，使得专家系统具有新知识获取能力，并且能够快速寻找故障发生的位置； 北京航空航天大学刘成瑞将扩展故障树分析法和基于规则的诊断系统相结合，建立了基于扩展故障树的运载火箭故障知识获取及表示方法，实现了从扩展故障树到诊断知识自动转换和规范化表示，解决了基于规则的专家系统知识获取难的问题。2022/7/14南京航空航天大学智能诊断与专家系统研究室 第一部分 目前，基于油液分析技术的航空发动机磨损故障诊断存在如下不足之处： 3. 磨损数据蕴含的知识规则无法自动提取。1. 飞机发动机滑油磨

9、损元素界限值制定方法不科学。 2.磨损元素界限值过多，故障诊断时分不清主次。 传统方法：仅基于正态分布假设下界限值制定方法传统方法：对光谱仪监测出的12种磨损元素进行界限值制定传统方法：磨损数据蕴含的知识规则根据自身经验以及发动机实际状态进行给定4.飞机滑油光谱诊断的诊断率、效率不高。传统方法：并无专门的界限值制定专家系统，无法保证故障诊断工作快速、稳定的进行研究背景与现状分析2022/7/14南京航空航天大学智能诊断与专家系统研究室 第一部分研究背景与现状分析研究了基于概率密度函数估计的界限值制定，解决了传统以正态分布假设为前提的方法弊端；利用特征融合的方法进行融合界限值的制定，避免了多特征

10、元素的界限值在进行故障时相互矛盾、顾此失彼的情况发生；开发了发动机磨损界限值制定系统软件，确保了磨损元素界限值制定的快速、准确以及高效。利用weka软件进行磨损数据知识规则的自动获取，实现了知识获取的自动化以及智能化；论文创新性南京航空航天大学智能诊断与专家系统研究室 2022/7/14空军装备研究院航空装备研究所项目：航空发动机磨损界限值制定系统，2015-2016 国家自然科学基金项目（NO：51675263）：基于监测数据和损伤力学的复杂工况下滚动轴承故障预测研究，2017-2020本论文课题主要来源：第一部分研究背景与现状分析南京航空航天大学智能诊断与专家系统研究室 2022/7/14

11、目录基于weka平台发动机知识规则提取 总结与展望航空发动机滑油监控专家系统开发 发动机磨损数据界限值制定方法研究背景及现状分析2022/7/14南京航空航天大学智能诊断与专家系统研究室 利用概率密度函数估计方法对数据样本的分布情况进行研究 采用模式识别方法对样本数据的概率密度函数的参数进行估计概率分布估计基于发动机油样数据服从正态分布的假设；根据数据的均值和标准差确定正常、警告和异常界限值 传统方法磨损界限值制定真实的概率分布本文研究了基于正态分布假设以及概率密度函数估计的磨损元素界限值制定方法，进而制定出相应的界限值第二部分航空发动机磨损数据界限值制定方法2022/7/14南京航空航天大学

12、智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法直方图法利用样本数据的频数直方图来表征航空发动机磨损状态的变化依据正常运转的发动机其磨损量是随着运行时间的增长呈线性变化线性回归法三线值法通过统计出样本数据的均值和方差来确定样本元素的界限值基于正态分布假设的磨损元素界限值制定方法2022/7/14南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法直方图法否是调整区间数更改置信度设置置信度划分样本区间K计算均值 、方差制定警告限及异常限卡方拟合优度检验正态性计算卡方值统计各区间频数（1）应用“卡方拟合优度检验法”检验统计数据的正态性，找到适合的概率

13、；（2）取不同的置信度以及区间数计算界限值，观察区间数以及约束数对其影响变化，从曲线的变化趋势，找到“突变点”置信度。方法创新点原理：直方图法通过统计出的样本数据频数直方图来表征航空发动机磨损状态变化。警告限= +2 警告限= +3 K=1.87（N-1）0.42022/7/14南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法三线值法三线值法，又叫控制图法、增长率法。它是通过统计出样本数据的均值和方差来确定样本元素的界限值。根据概率和统计学中的“小概率事件”理论，增长率法中的警告限和异常限定义为：式中， 是样本均值， 是样本方差，即2022/7/14南京航空航

14、天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法线性回归法对于正常运转的航空发动机，其磨损元素的磨损量是随着运行时间的增长近似呈线性变化，因此可近似认为磨损量y与耐磨寿命x呈线性关系，即 y=y0 x。是否计算y=ax+b中参数a，b计算回归精度S以及相关系数相关系数检验法检验显著性？输入发动机/滑油工作时间输出警告限以及异常限给定显著水平（1）线性回归法模拟实际航空发动机的磨损趋势，能够制定不同时间段的界限值；（2）采用相关系数检验法检验方程的显著性，验证线性方程是否符合实际、具有实用价值。方法创新点最小二乘法求解参数第二部分航空发动机磨损数据界限值制定方法2022/

15、7/14南京航空航天大学智能诊断与专家系统研究室 基于概率密度函数估计的磨损元素界限值制定方法 从大量的数据中估计出数据的概率密度函数，根据概率密度函数得到样本的概率分布，再统计出磨损元素的界限值 概率密度估计最大熵法k-近邻法 Parzen窗法求线性算子方程 的解。其中 ， 同时解必须满足以下两个条件：在线性算子方程中，分布函数 的表达式 未知，但是给出了一组样本 ，利用这些样本，构造经验分布函数。非参数估计方法，不需要已知数据的分布形式，直接利用学习方法估计数据分布2022/7/14南京航空航天大学智能诊断与专家系统研究室 基于最大熵法的概率密度函数估计第二部分航空发动机磨损数据界限值制定

16、方法 最大熵法的原理是通过信息论以一系列矩约束解决概率分布估计问题。最大熵原理在给定约束下通过最大化Shannon熵（S(p)）来求解概率分布，最大概率分布是在给定信息下的最无偏、最一致的概率分布。 考察具有概率 的离散随机变量 在归一化条件及m个矩约束下最大熵概率分布，即 s.t.这里， 为已知的定值。Shannon熵定义：采用拉格朗日乘子法解决约束条件下的极值问题，求解概率p。2022/7/14南京航空航天大学智能诊断与专家系统研究室 基于Parzen窗法的概率密度函数估计第二部分航空发动机磨损数据界限值制定方法Parzen窗法是一种利用已知样本点来估计总体概率密度分布的非参数估计方法，即

17、利用一定范围内各点密度的平均值来估计总体概率密度。通常，设x为d维空间中一点，选择的样本总数为N，为了估计x处的分布概率密度 ，以x为中心作一个超立方体VN，其边长为hN，则体积的表达式为 ，要计算落入超立方体VN的样本数kN，则需要构造一个函数使得 则落入超立方体内的样本数为 将式代入 的基本公式：得到概率密度函数的估计值为：2022/7/14南京航空航天大学智能诊断与专家系统研究室 基于K近邻法的概率密度函数估计第二部分航空发动机磨损数据界限值制定方法k近邻法的主要思想是作为数据函数的是样本的体积而不是样本数N。例如，要利用N个样本来估计 ，则首先可以为样本数N确定其某个函数 ，然后选定x

18、点周围的一个体积，并令其一直增长到捕获了 个样本为止，那么这些捕获的样本即为x的k个近邻。k近邻估计仍用基本公式并且满足以下条件：（1） （2） （3） 通常，可以令kN是关于N的某个函数，例如可以取 ，其中k1为使 的 任意大于零的常数。南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 效果验证仿真数据验证实际数据验证威布尔分布实际磨损数据F分布正态分布界限值制定方法效果验证南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与

19、专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 仿真数据验证正态分布数据南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 仿真数据验证（图形汇总） 直方图法 Parzen窗法 最大熵法 k近邻法经MATLAB检验服从置信度为95%的正态性检验，即认定统计的数据服从正态分布统计与估计值吻合效果较好统计与估计值拟合有一定偏差统计与估计值拟合有一定偏差本文应以直方图

20、法与Parzen窗法的界限值制定结果为准南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 仿真数据验证（结果汇总）方法直方图法三线值法Parzen窗法k近邻法最大熵法参数值无无h=1k=5区间10约束5警告限3.37853.19143.30053.46733.0818异常限3.97873.79113.89363.72683.6379因此，在选择合适的界限值时应以曲线实际的拟合效果为依据，进而确定合适的界限值界限值制定结果接近增长率法、K近邻法、

21、最大熵法与直方图法、Parzen窗法差距较大南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 仿真数据验证F分布数据数值样本序列/个分布特征：F分布数据的特征是在低数值区间，频数高；高数值区间，频数低。 南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 仿真数据验证（图形汇总） 直方图法 Par

22、zen窗法 最大熵法 k近邻法统计与估计值吻合效果较好统计与估计值吻合效果一般统计与估计值吻合效果一般基于正态性检验直方图法不适用于F分布数据南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 仿真数据验证（结果汇总）方法直方图法三线值法Parzen窗法k近邻法最大熵法参数值.h=1k=5区间10约束6警告限4.38713.89085.20959.06944.9792异常限5.67905.183510.801910.84588.0386无无曲线拟

23、合效果最好界限值制定结果合理正态分布假设下的界限值制定方法不合理曲线拟合效果不佳界限值制定结果不合理南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 仿真数据验证威布尔分布数据分布特征：机电类产品磨损失效数据分布的主要形式，即在低数值区间频数大，高数值区间频数低。南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断

24、与专家系统研究室 仿真数据验证（图形汇总） 直方图法 Parzen窗法 最大熵法 k近邻法统计与估计值吻合效果一般统计与估计值吻合效果较好基于正态性检验直方图法不适用于F分布数据统计与估计值吻合效果一般南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 仿真数据验证（结果汇总）方法直方图法三线值法Parzen窗法k近邻法最大熵法参数值无无h=1k=5区间10约束4警告限3.27253.52153.81264.81723.7856异常限4.1663

25、4.41445.43295.38975.2546曲线拟合效果最好界限值制定结果合理正态分布假设下的界限值制定方法不合理曲线拟合效果不佳界限值制定结果不合理南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 实际数据验证正态分布数据FeAlCuCrZnCdSiAgPbTiSnMg0.100.1000.15.90.10000.10.200.1000.150.10.1000.4000.100.10.13.40.100000.30.30.1000.17.

26、50.1000.20.10.500.600.60.16.8010.200.30.60.1000.10.328.20.21.90000.500.1000.34.203.30.40.90.10.10.10.500.40.222.70.14.100.11.10.500.40.40.40.312000.67.40.60.200.70.40.10.316.700.30.76.20.6某型飞机发动机滑油光谱磨损数据（部分原始数据）南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智

27、能诊断与专家系统研究室 某型飞机发动机滑油光谱磨损数据界限值结果元素FeAlCuCrZnCdSiAgPbTiSnMg警告限直方图法0.450.510.500.050.360.2513.720.212.040.322.221.00回归法0.670.520.690.570.650.639.710.621.370.581.100.48增长率法0.420.410.310.070.380.2111.530.191.680.231.670.69Parzen窗法0.480.530.340.060.530.2813.030.212.440.342.330.85k近邻法1.051.290.550.360.530

28、.2423.010.223.800.625.961.80最大熵法0.470.610.320.290.550.2511.960.241.680.241.510.80异常限直方图法0.590.670.640.080.490.3316.760.272.710.422.911.28回归法0.930.760.960.860.910.9112.350.901.860.861.580.62增长率法0.550.570.410.110.520.2914.580.262.330.332.380.93Parzen窗法1.161.520.850.421.130.4027.010.304.530.716.973.28k

29、近邻法1.171.520.840.431.100.3927.120.294.550.727.003.21最大熵法0.921.450.440.421.090.3826.140.302.930.422.652.87南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 概率密度函数曲线对比图概率密度警告限异常限数值数值概率密度异常限警告限Fe元素 （a）Parzen窗法 （b）最大熵法 （c）K近邻法概率密度警告限异常限数值概率密度警告限异常限数值概率密

30、度警告限异常限数值 Cu元素 （a）Parzen窗法 （b）最大熵法 （c）K近邻法概率密度数值警告限异常限Al元素 （a）Parzen窗法 （b）最大熵法 （c）K近邻法南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 概率密度函数曲线对比图数值概率密度警告限异常限概率密度警告限异常限数值数值概率密度警告限异常限数值概率密度警告限异常限数值概率密度异常限警告限概率密度警告限异常限数值 Ag元素（a）Parzen近邻法 （b）最大熵法 （c）K

31、近邻法南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 结论1、基于正态分布假设的界限值制定方法对不服从正态分布假设下的数据 并不适用。例如F分布以及威布尔分布等界限值制定结果。2、基于概率密度函数估计的界限值制定方法，其实际的界限值应以估计 值与统计值的实际拟合效果来确定。3、实际的航空发动机磨损数据元素界限值过多；因此，在进行故障诊断 诊断时应综合考虑多种元素的制定结果。南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专

32、家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 2022/7/14南京航空航天大学智能诊断与专家系统研究室 目录 本文针对航空飞机发动机磨损多特征元素，利用自组织神经网络构建基于多特征磨损元素的融合模型，借助最小匹配距离的思想进行特征融合，融合出一个距离特征量，通过融合值对航空发动机的状态进行评估。融合诊断 自组织神经网络界限值过多单一特征不能反映状态依靠单一元素容易造成误判融合值能反映发动机磨损状态南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界

33、限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 2022/7/14南京航空航天大学智能诊断与专家系统研究室 数据样本导入数据归一化SOM样本聚类得到正常样本计算最小匹配距离开始结束基于SOM磨损数据多特征融合正常样本SOM训练（1）SOM是无监督的学习算法，利用SOM聚类功能，能够从大量样本中提取出正常样本；（2）融合特征与磨损状态一致，能够反映航空发动机的实际磨损状态，便于对实际样本的状态进行划分。新方法创新点关键技术：利用SOM 的聚类功能，识别出正常样本。基于自组织神经网络的磨损数据多特征融合关键技术：最小匹配距离可以反映出待检测样本与正常样本的

34、距离，进而识别样本状态。南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 （a）神经网络结构图（b） 神经网络近邻神经元图基于自组织神经网络的磨损数据多特征融合12345678910111214151613红色数字：神经元序号白色数字：神经元上聚集的样本数颜色：代表神经元之间的距离，颜色越浅，距离越近。 序号神经元1神经元2神经元3神经元4样本个数/个1335313470样本数值区间0,10,10,10,0.75序号神经元5神经元6神经元7神经

35、元8样本个数/个8928130153样本数值区间0,10,0.60,0.80,0.9167序号神经元9神经元10神经元11神经元12样本个数/个1711511217样本数值区间0,0.82350,0.40,0.29410,0.6210序号神经元13神经元14神经元15神经元16样本个数/个1492455360样本数值区间0,10,0.66670,0.33780,0.4898南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 各神经元上样本数量及数

36、值统计表适合进行训练的正常样本南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 幅值样本序列/个幅值样本序列/个幅值样本序列/个幅值样本序列/个幅值样本序列/个幅值样本序列/个特征元素与融合值曲线对比幅值样本序列/个幅值样本序列/个幅值样本序列/个幅值样本序列/个样本序列/个幅值幅值样本序列/个结论：融合特征与单一特征趋势基本吻合，融合特征基本反映了飞机发动机磨损的趋势和规律。南京航空航天大学智能诊断与专家系统研究室 南京航空航天大学智能诊断与

37、专家系统研究室 第二部分航空发动机磨损数据界限值制定方法2022/7/142022/7/14南京航空航天大学智能诊断与专家系统研究室 概率密度估计方法界限值制定结果（a）Parzen窗法 （b）最大熵法 （c）K近邻法数值概率密度数值概率密度数值概率密度1、由统计值与估计值吻合效果可知，最大熵法的拟合效果最好。2、对融合值进行进行界限值制定，可以实现对原始数据的状态进行划分 的目的，进而对后面的规则提取提供状态划分。南京航空航天大学智能诊断与专家系统研究室 2022/7/14目录基于weka平台发动机知识规则提取 总结与展望航空发动机滑油监控专家系统开发 发动机磨损数据界限值制定方法研究背景及

38、现状分析南京航空航天大学智能诊断与专家系统研究室 第三部分基于weka平台航空发动机磨损知识规则提取Weka简介weka软件的初始化界面Weka全称为怀卡托智能分析环境（Waikato Environment for Knowledge Analysis），是由新西兰Waikato大学的研发团队开发的数据挖掘软件。它在内部集成了数据预处理、分类、回归、聚类、关联规则及可视化等功能，可在其基础上实现自己的数据挖掘算法。Explorer（开发者）界面Experimenter（实验者）界面Knowledge Flow（知识流）界面Simple CLI（命令行）界面2022/7/1412345678切

39、换不同挖掘任务的面板提供数据打开、保存以及编辑等功能数据筛选和变换，即数据预处理功能展示数据集的基本情况列出数据集的所有属性展示数据属性的摘要选中属性的直方图工具栏，查看挖掘过程是否出错南京航空航天大学智能诊断与专家系统研究室 第三部分基于weka平台航空发动机磨损知识规则提取2022/7/14FeAlCuCrZnCdSiAgPbTiSnMg状态0.100.1000.15.90.10000.110.200.1000.150.10.1000.41000.100.10.13.40.1000010.30.30.1000.17.50.1000.20.110.500.600.60.16.8010.200

40、.320.60.1000.10.328.20.21.900020.500.1000.34.203.30.40.90.120.10.10.500.40.222.70.14.100.11.120.500.40.40.40.312000.67.40.630.200.70.40.10.316.700.30.76.20.63用于航空发动机磨损数据知识规则自动提取的数据样本某型飞机发动机划分状态后的数据样本1正常状态；2警告状态；3异常状态（注：最大熵法划分状态）南京航空航天大学智能诊断与专家系统研究室 第三部分基于weka平台航空发动机磨损知识规则提取2022/7/14数据导入weka软件进行知识规则提

41、取南京航空航天大学智能诊断与专家系统研究室 第三部分基于weka平台航空发动机磨损知识规则提取2022/7/14全部元素weka软件的知识获取规则对测试样本的验证结果测试样本数识别数误识数拒识数识别率误识率拒识率1044651393062.39%37.61%0 规则提取结果规则号规则集R1IF（0.30.4 AND Pb2.9 AND Si10.5）THEN（类别：正常）R3IF（Ti0.3 AND Cd0.4 AND 2.30.5）THEN（类别：警告）R6IF（0.30.1）THEN（类别：警告）R7IF（Ti0.3 AND Cd0.4 AND Pd2.9）THEN（类别：警告）R8IF（

42、0.32.1）THEN（类别：警告）R9IF（Ti0.3 AND Cd0.4 AND Pb2.9 AND Si10.5）THEN（类别：警告）R10IF（Ti0.3 AND Cd0.4 AND Pb3.4）THEN（类别：警告）结论：（1）利用全部特征利用规则提取时，提取出的规则树形式比较复杂。（2）全部特征的识别率不高，这就意味着并不是所有特征都对航空发动机磨损故障诊断起着积极的意义。南京航空航天大学智能诊断与专家系统研究室 第三部分基于weka平台航空发动机磨损知识规则提取2022/7/14重要元素weka软件的知识获取规则1条件Al=0.4结论正常规则2条件0.4Al=0.8 且 Ag=0.1结论正常规则3条件Fe=0.2 且 0.4Al0.1结论正常规则4条件Fe0.2 且 0.4Al0.1结论警告规则5条件Al0.8结论警告测试样本数识别数误识数拒识数识别率误识率拒识率1044101727097.47%2.53%0结论：利用重要元素进行规则提取时，