船用燃?xì)廨啓C狀態(tài)趨勢預(yù)測算法分析

1、abstractgas turbine is an important part of the ship's power system. in order to protect the ship's safe navigation and perform tasks, we should monitoring and predict the state of the gas turbine. according to the results predicted, we can repair the gas turbine in advance to control fault

2、at an early stage. it do benefit to reduce maintenance costs and maintenance costs. this paper mainly predicts state parameter of gas turbine to achieve life prediction and forecasting task execution capabilities.this paper studies several commonly used predictive algorithms, and test and verify the

3、m. its basic theory and the derivation of the formula in-depth analysis, and thus prepared the program. the paper also analyzes the advantages and disadvantages of these predictive algorithms.secondly, in order to predict with greater accuracy, we use a combination of preferred and virtual predictab

4、le ideas, which are used to predict the state of gas turbine. so the paper verifies the operability and correctness of the combination of preferred and virtual predict, it is superior to direct prediction .the paper also sum up gas turbine failure mechanism. and this article describes some data prep

5、rocessing methods, and verify them.finally, based on the entire life-cycle gas turbine degradation data that appears, come to the actual gas turbine will be running pre-and post different degradation trends., so the paper uses sw test and skewness test to find the transition point. and these methods

6、 are feasible. then this paper proposed normal and t distribution interval prediction, and compared them to find normal distribution interval prediction is good. based on this, declining trend on the compressor efficiency is made predictions, to determine the left life of the compressor. in addition

7、, the paper according to the actual needs made a preliminary analysis about gas turbine capacity forecasts base on hrecession rate and speed related11keywords： forecast ； gas turbine； status trends； life目錄摘要iabstractii第1章緒論11.1課題背景及意義11.2預(yù)測算法的發(fā)展情況31.2.1預(yù)測算法的簡單介紹31.2.2預(yù)測需要考慮的幾點41.3船用燃?xì)廨啓C預(yù)測的特點51.4木文主要

8、研究內(nèi)容6第2章 預(yù)測算法的理論研究72.1引言72.2時間序列模型72.2.1移動平均法72.2.2指數(shù)平滑法102.2.3自適應(yīng)濾波法122.3最小二乘法132.3.1線性趨勢132.3.2二次曲線趨勢152.4灰色模型162.5木章小結(jié)21第3章狀態(tài)趨勢預(yù)測223.1引言223.2預(yù)測任務(wù)223.3燃?xì)廨啓C的失效機理與失效模式233.3.1失效機理233.3.2失效模式243.4狀態(tài)趨勢分析253.5數(shù)據(jù)預(yù)處理與趨勢檢驗293.5.1野點剔除293.5.2數(shù)據(jù)的平滑處理313.5.3趨勢檢驗323.6虛擬預(yù)測與組合優(yōu)選353.6.1精度確定353.6.2虛擬預(yù)測363.6.3組合優(yōu)選法3

9、73.7燃機狀態(tài)參數(shù)趨勢預(yù)測383.8本章小結(jié)42第4章壽命預(yù)測434.1引言434.2 壽命預(yù)測的特點434.3轉(zhuǎn)折點檢驗444.3.1 sw 檢驗444.3.2偏度檢驗454.3.3轉(zhuǎn)折點檢驗的仿真驗證464.4預(yù)測區(qū)間474.4.1線性回歸模型的預(yù)測區(qū)間474.4.2非線性預(yù)測模型的預(yù)測區(qū)間504.5剩余壽命預(yù)測524.6任務(wù)執(zhí)行能力的初步分析554.6.1 任務(wù)模式分析564.6.2任務(wù)執(zhí)行能力預(yù)測564.7本章小結(jié)59結(jié)論與展望60參考文獻61攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文64哈爾濱工業(yè)大學(xué)學(xué)位論文原創(chuàng)性聲明和使用權(quán)限65致謝66第1章緒論1.1課題背景及意義隨著國際形勢的變化以及我國對

10、能源和資源的需求的增加，國家領(lǐng)土完整 和海上能源資源的安全運輸顯得格外重要。為確保我國安全穩(wěn)定的發(fā)展環(huán)境， 需要我們提高海軍的實力，而海軍的作戰(zhàn)單位最重要的便是艦船，因此要求我 們研究人員對艦船的安全性做出保障。對于艦船來說動力推進系統(tǒng)是非常重要 的，它相當(dāng)于人體的心臟，運行需要的可靠性非常高。并且海洋的環(huán)境惡劣， 對于船舶的影響非常大，所以能夠準(zhǔn)確預(yù)測艦船性能顯得格外重要。目前，燃 氣輪機是新型軍艦動力系統(tǒng)的重要組成部分，但是燃?xì)廨啓C技術(shù)不是很成熟， 安全性不能長期保證，所以需要我們對其性能進行可靠地預(yù)測，判斷什么時候 應(yīng)該維修，什么時候應(yīng)該替換零部件，這些都是非常有意義的事情。當(dāng)然增加 維

11、修次數(shù)雖然可以保證艦船的可靠性，但是這樣維修成本大大提高，所以我們 要盡可能的判斷好燃?xì)廨啓C的狀態(tài)預(yù)測將要進入的狀態(tài)做到合理維修，既保證 安全又節(jié)約成木。燃?xì)廨啓C的狀態(tài)預(yù)測是指從表針燃?xì)廨啓C狀態(tài)的性能參數(shù)以及振動參數(shù)的 變化規(guī)律岀發(fā)，通過研究和分析歷史數(shù)據(jù)，發(fā)掘燃?xì)廨啓C各個狀態(tài)參數(shù)可能岀 現(xiàn)的變化趨勢，并對其未來可能出現(xiàn)的變化規(guī)律進行預(yù)測。燃?xì)廨啓C的性能衰退參數(shù)可以反映著燃?xì)廨啓C的性能衰退情況。燃?xì)廨啓C 性能衰退就是其性能參數(shù)有下降或上升的趨勢小刀。所以，艦船維護人員必須 根據(jù)燃?xì)廨啓C的性能的衰退情況制定合理的維修計劃，綜合考慮艦船的任務(wù)模 式剖面，確定維修部件與維修程度，以滿足艦船任務(wù)的執(zhí)行

12、度，以及安全性和 經(jīng)濟性。燃?xì)廨啓C的狀態(tài)變化如圖1j所示。圖11燃機狀態(tài)趨勢 圖燃?xì)廨啓C的狀態(tài)趨勢預(yù)測是燃汽輪機故障診斷和評估中不可缺少的一部分 內(nèi)容，工作人員可以根據(jù)由傳感器得到的歷史數(shù)據(jù)來判斷燃機是否有故障，故 障發(fā)展到什么程度。燃機的狀態(tài)趨勢預(yù)測除了對故障診斷有幫助，還可以用于 壽命預(yù)測和任務(wù)執(zhí)行能力的預(yù)測。預(yù)測的結(jié)果可以用于故障診斷，為故障診斷提供判斷故障的依據(jù)。如果預(yù) 測的狀態(tài)參數(shù)變化不合理，正好符合某種故障參數(shù)所對應(yīng)的參數(shù)所反映的變化 規(guī)律，那么可以初步斷定，就是這種故障發(fā)生了，從而進行有重點有目的的故 障診斷。參數(shù)預(yù)測的結(jié)果也可以用來壽命預(yù)測，每種參數(shù)都有自己的危險閾值，對 燃?xì)?/p>

13、輪機進行參數(shù)的預(yù)測可以判斷什么時候到達(dá)閾值，從而預(yù)測壽命。比如燃 氣輪機的壓氣機壽命可以用壓氣機效率來反映，通過預(yù)測壓氣機的效率衰退曲 線，可以得到剩余壽命。某型燃機壓氣機效率衰退曲線如圖12所示。當(dāng)效率 的變化量降低某一值時，視為壽命極限。蘭令.工進厶<灤圖12壓氣機效率衰退曲線預(yù)測的結(jié)果還可以用于艦船任務(wù)執(zhí)行能力的預(yù)測。由于艦船的任務(wù)模式的 不同，進而要求燃?xì)廨啓C在不同工況下運行，這樣燃?xì)廨啓C的衰退速率也將會 不同，所以我們可以研究不同工況下衰退速率之間的關(guān)系，進而對燃機在不同 任務(wù)模式下的任務(wù)執(zhí)行能力做岀預(yù)測。船用燃?xì)廨啓C的工作環(huán)境條件極差，會出現(xiàn)腐蝕磨損等現(xiàn)象。艦船使用 的燃?xì)廨?/p>

14、機工況的變化頻率較快，而且由于海洋的惡劣環(huán)境，海水的腐蝕與污 染會使燃?xì)廨啓C的性能隨著時間的變化退化的越來越快。對燃?xì)廨啓C的預(yù)測按變化規(guī)律可分為線性趨勢變化規(guī)律和非線性趨勢變化 規(guī)律，線性趨勢變化規(guī)律適合于發(fā)生衰退的初期，變化幅度較小。非線性趨勢 變化規(guī)律適合于衰退發(fā)牛了一段時間，衰退趨勢明顯變大，設(shè)備的性能急速下 滑。12預(yù)測算法的發(fā)展情況121預(yù)測算法的簡單介紹預(yù)測算法一直以來都是國內(nèi)外專家重要的研究內(nèi)容之一，以前都是對數(shù)學(xué) 方法的改進，近年來隨著人工智能的發(fā)展，出現(xiàn)了神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的預(yù)測 算法，這些算法是一些全新的預(yù)測方法，目前還不是太成熟。而傳統(tǒng)的一些數(shù) 學(xué)方法由于建模簡單，技術(shù)成

15、熟，而且經(jīng)過改良可以很好的進行趨勢預(yù)測。針對燃?xì)廨啓C的衰退趨勢，可以采用的預(yù)測算法有：趨勢圖分析法、最小 二乘預(yù)測模型、灰色預(yù)測模型、時間序列預(yù)測模型、神經(jīng)網(wǎng)絡(luò)預(yù)測模型以及支 持向量機算法模型等。1）趨勢圖分析法：該方法簡單易行，由設(shè)備的歷史數(shù)據(jù)畫出趨勢圖，通 過直觀的圖分析來判斷燃?xì)廨啓C的運行狀態(tài)。該方法的缺點是不夠精確，需要船員素質(zhì)高。該方法 可以為專業(yè)人員的預(yù)測做輔助。此外趨勢不可能一成不變，如果發(fā)生變化，如 按此方法會導(dǎo)致錯估形勢。2）人工神經(jīng)網(wǎng)絡(luò)預(yù)測法最近一些年神經(jīng)網(wǎng)絡(luò)應(yīng)用于各個領(lǐng)域，在預(yù)測領(lǐng) 域也有一定的發(fā)展，神經(jīng)網(wǎng)絡(luò)預(yù)測技術(shù)在非線性預(yù)測領(lǐng)域有很強的能力，但是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，訓(xùn)練

16、 效率不高，bp神經(jīng)網(wǎng)絡(luò)在實際應(yīng)用中存在訓(xùn)練學(xué)習(xí)率的確定問題和網(wǎng)絡(luò)的訓(xùn) 練容易陷入局部最小，因此，目前采用神經(jīng)網(wǎng)絡(luò)進行預(yù)測需要引入相應(yīng)方法來 避免上述兩點不足。3）支持向量機的方法：支持向量機的預(yù)測算法是一種基于統(tǒng)計的學(xué)習(xí)理 論。對非線性預(yù)測有很好的適應(yīng)性。該方法和人工神經(jīng)網(wǎng)絡(luò)模型類似方法較為復(fù)雜，在實際應(yīng)用過程中 耗費大量的機器內(nèi)存，不適合在艦船上使用。4）最小二乘冋歸模型：冋歸模型是最普通最簡單的方法，對燃?xì)廨啓C的 緩變故障引起的退化趨勢有很好的描述效果。回歸模型分為線性回歸模型和非線性回歸模型。線性回歸 模型對于燃?xì)廨啓C初期所產(chǎn)生的衰退趨勢有很高的精度，非線性模型主要針對 燃?xì)廨啓C衰退趨

17、勢變化很快以后的描述。回歸模型對燃?xì)廨啓C的衰退趨勢進行 建模，然后按照此規(guī)律進行外推?；貧w模型的理論非常成熟，計算簡單，在進 行預(yù)測吋占用機器內(nèi)存很小，適合艦船使用。5）吋間序列算法模型：時間序列算法模型是最為常規(guī)的一種算法，主體來說時間序列算法有兩個 大類：時間序列平滑預(yù)測法和arima時間序列算法時間序列平滑預(yù)測算法主要是依據(jù)平滑數(shù)據(jù)的思想，建立數(shù)據(jù)的外推模 型，根據(jù)歷史數(shù)據(jù)得岀模型的確定參數(shù)，對數(shù)據(jù)做外推。6）灰色模型灰色模型是使用少量歷史數(shù)據(jù)，建立預(yù)測模型的預(yù)測方法。 它與前面所講的預(yù)測不同的地方是，灰色模型的預(yù)測算法不是對原始數(shù)據(jù)進行擬合預(yù)測，而 是對原始數(shù)據(jù)進行累加或者累減使之成為

18、新的時間序列，然后對生成的新數(shù)列 進行建模預(yù)測?；疑Ｐ偷奶攸c是可以弱化時間序列的隨機性，使用的歷史數(shù) 據(jù)較少】。預(yù)測的示意圖如圖13所示。圖13預(yù)測示意圖122預(yù)測需要考慮的幾點上面描述了各種預(yù)測算法的特點，但是預(yù)測是基于模型假設(shè)的條件下采用 數(shù)學(xué)的方法進行預(yù)測的，并且預(yù)測的數(shù)據(jù)變化規(guī)律是很復(fù)雜的，含有很多未知 的因素在里面，所以在實際應(yīng)用中一般不是采取單一的方法進行預(yù)測，而是采 用幾種算法加權(quán)平均或者從中篩選擬合度較好的算法，該方法稱之為組合優(yōu)選 法。組合優(yōu)選法更符合實際操作，因為沒有一種算法是始終優(yōu)于其它算法的 【12|o關(guān)于預(yù)測區(qū)間，上面的方法是對數(shù)據(jù)進行點預(yù)測，預(yù)測的結(jié)果是一個確定

19、的數(shù)值，但是考慮到點預(yù)測不可能百分百正確，可以依據(jù)統(tǒng)計理論對誤差進行 統(tǒng)計得到一個合理的預(yù)測區(qū)間，這樣使結(jié)果更符合實際需要，因為工作人員需 要依據(jù)預(yù)測的結(jié)果來確定將要進行的操作，為確保安全性他們需要知道預(yù)測參 數(shù)的上下界。這就需要把區(qū)間預(yù)測考慮進來。預(yù)測的好壞與歷史數(shù)據(jù)的擬合精度有關(guān)，但是擬合精度最高并不代表預(yù)測 的精度最高。一般來說我們使用各種不同的預(yù)測算法進行歷史數(shù)據(jù)擬合，從中 選取最高精度的預(yù)測算法作為最終使用的預(yù)測算法，提高預(yù)測的精度。但還是 有可能對未來的數(shù)據(jù)預(yù)測不是處于最佳狀態(tài)，所以我們應(yīng)該考慮把歷史數(shù)據(jù)分 為兩部分前一部分按照原來的思想進行擬合預(yù)測，然后用后一部分的數(shù)據(jù)判斷 預(yù)測

20、精度，然后再通過調(diào)整前面所建立的模型參數(shù)來確定最終的預(yù)測模型。也 可以當(dāng)作對預(yù)測結(jié)果的精度預(yù)估計。其核心思想如圖14所示。, 過去 未來i i1歷史擬合 ;虛擬預(yù)測真正預(yù)測ii時間圖14虛擬預(yù)測示意圖歷史數(shù)據(jù)的規(guī)律不可能是一成不變的，燃?xì)廨啓C在早期所表現(xiàn)出來的是線 性衰退規(guī)律，當(dāng)衰退發(fā)展到一定時期出現(xiàn)非線性規(guī)律，所以針對燃?xì)廨啓C的衰 退規(guī)律我們應(yīng)該考慮對其衰退規(guī)律的轉(zhuǎn)折點進行識別，然后對轉(zhuǎn)折點后的數(shù)據(jù) 進行建模預(yù)測。轉(zhuǎn)折點可以通過顯著性水平檢驗進行識別，顯著性水平檢驗一 般采用shapio-wilk(s-w)檢驗，偏度識別也是一個很好的方法。1.3船用燃?xì)廨啓C預(yù)測的特點艦船所用的燃?xì)廨啓C在運行

21、過程中，要承受強腐蝕性，多變的外界環(huán)境以 及惡劣的天氣影響，加上燃機的結(jié)構(gòu)復(fù)雜使之與常規(guī)陸地機械設(shè)備有不同的地 方。1) 突發(fā)性突發(fā)性的故障發(fā)展時間很短，如外物沖擊，如不采取措施將 會造成非常嚴(yán)重的后果。2）隨機性燃?xì)廨啓C是由壓氣機、燃燒室、渦輪構(gòu)成的一套復(fù)雜的系統(tǒng)， 還有一系列燃機運行的保障系統(tǒng)。由成千上萬的小零件構(gòu)成。這些零件相互獨立又聯(lián)系緊 密。這導(dǎo)致故障的產(chǎn)生具有隨機性。3）相關(guān)性本文所研究的燃?xì)廨啓C是三軸燃?xì)廨啓C。此燃機的高壓壓氣 機與高壓渦輪共用一個轉(zhuǎn)子，低壓渦輪與低壓壓氣機共用一個轉(zhuǎn)子。當(dāng)壓氣機發(fā)生喘振的時 候自然也會引起渦輪的振動加大。4）不確定性由于海上環(huán)境復(fù)雜，艦船的工況多

22、變，還有就是傳感器自 身的問題，所以這些因素導(dǎo)致了預(yù)測的不確定性。從船用燃機的故障特點可以看岀，對船 用燃機的預(yù)測有很多問題存在。這樣就導(dǎo)致了燃機的可預(yù)測性問題?？深A(yù)測否有著激烈的爭論。對于船用燃 氣輪機的預(yù)測是根據(jù)燃?xì)廨啓C的歷史數(shù)據(jù)對數(shù)據(jù)進行規(guī)律的重演，這種做法在 一定程度上是可行的，是基于緩變故障的吋間序列的預(yù)測。在一定的尺度內(nèi)是 可以對燃?xì)廨啓C的未來狀態(tài)做預(yù)測的。1.4本文主要研究內(nèi)容本文主要是對燃?xì)廨啓C基于組合優(yōu)選一虛擬預(yù)測的思想進行狀態(tài)趨勢的預(yù) 測，并有狀態(tài)趨勢的預(yù)測推廣到壽命預(yù)測和任務(wù)執(zhí)行能力的預(yù)測。第一章講了該論文的背景意義的介紹，以及預(yù)測算法的發(fā)展情況，并對燃 機狀態(tài)預(yù)測的特點

23、做了總結(jié)。第二章對各種預(yù)測算法進行理論與仿真的研究，分析了各種預(yù)測算法的優(yōu) 點和缺點，和各種預(yù)測算法適用的數(shù)據(jù)類型。第三章對燃?xì)廨啓C的預(yù)測任務(wù)做了總結(jié)。然后對燃?xì)廨啓C的失效機理與失 效模式進行分析，得到失效模式所對應(yīng)的燃機特性參數(shù)的變化規(guī)律。歸納總結(jié) 燃?xì)廨啓C常見的狀態(tài)趨勢，并對其基于組合優(yōu)選一虛擬預(yù)測的思想進行預(yù)測。第四章通過對轉(zhuǎn)折點的檢驗和預(yù)測的區(qū)間估計，以壓氣機的效率衰退趨勢為 例，對效率的衰退趨勢作出預(yù)測得到預(yù)測的區(qū)間估計，并由此得到壓氣機的 壽命。然后把艦船的任務(wù)模式轉(zhuǎn)換到對燃機的要求上，以艦船上一次返航的數(shù) 據(jù)對燃機的壓氣機的效率做岀不同任務(wù)模式下的預(yù)測，作為判斷任務(wù)執(zhí)行能力 的依

24、據(jù)。第2章預(yù)測算法的理論研究2.1引言近些年來出現(xiàn)了很多預(yù)測算法，它們有各自的特點。本章將著重介紹各種 算法的思想以及特點。常用的算法有吋間序列算法，冋歸模型算法，灰色模 型，arima模型算法。時間序列算法包含了移動平均法、指數(shù)平滑法、自適 應(yīng)濾波法、趨勢外推法。回歸模型算法包含了線性和非線性回歸算法?；疑?型用的是gm(1,1)模型。2.2時間序列模型吋間序列是一組數(shù)列，自變量是吋間，應(yīng)變量是歷史數(shù)據(jù)。如果時間序列 的趨勢沒有突變性，并口 /很小，那么我們可以認(rèn)為未來的數(shù)據(jù)也會照此延 拓下去，就可以進行預(yù)測。2.2.1移動平均法移動平均法是隨著歷史數(shù)據(jù)的前進，計算前n項時間序列的平均數(shù)，

25、用 以反映時間序列的長期趨勢。移動平均法也可以用來平滑數(shù)據(jù)，消除野點對建 模的影響，既可以當(dāng)預(yù)測算法使用，也可以當(dāng)作數(shù)據(jù)預(yù)處理的方法。移動平均法包含有簡單移動平均法，加權(quán)移動平均法，趨勢移動平均法 等。2.2.1.1簡單移動平均法當(dāng)數(shù)據(jù)維持在一定的水平狀態(tài)時，可以使用簡單移動平均法建立預(yù)測模 型。設(shè)時間序列為，)，為,令n<t。簡單移動法計算公式為：=馬(% +治+幵-柏)i1 /=(”1+ x_n)+uyt_n)n,n 1=+ (必一乳川(2-1)n可用上式建立預(yù)測公式如下：人1乳+】=77(x + x-n+j(2-2)n其標(biāo)準(zhǔn)誤差為：c 匸n+i （2-3） v t-n該方法適合于趨

26、勢變化不大，對于線性變化趨勢，有明顯的滯后性。 2.2.1.2加權(quán)移動平均法由于越接近預(yù)測點的數(shù)據(jù)對未來數(shù)據(jù)的影響越大，所以提出了加權(quán)移動平 均法，賦予距離預(yù)測點較近的數(shù)據(jù)較大的權(quán)值，距離預(yù)測點較遠(yuǎn)的數(shù)據(jù)較小的 權(quán)值，所以得到預(yù)測公式為：二嗎刃+ %兒1+必兒曲（2-4）vv； + vv, + .+ “顯然，簡單移動平均法是各項權(quán)值為的力口權(quán)移動平均法。在加權(quán)移動 平均法中，權(quán)值大小的選擇遵循近期權(quán)值大，遠(yuǎn)期權(quán)值小的原則，具體應(yīng)該多大一般根據(jù)經(jīng)驗選擇，也可進行對比分析決定。這種方法不適 合自動計算，人為參與太人。2.2.1.3趨勢移動平均法上述的兩種方法適合歷史數(shù)據(jù)較穩(wěn)定的時候，但是當(dāng)數(shù)據(jù)出現(xiàn)

27、發(fā)展趨勢 時，我們就不能使用了。趨勢移動平均法是對數(shù)據(jù)進行一次平均后,在進行一次平均。具體理論推(1) (1) 加)=甌+氣j導(dǎo)如下:(1) (1)(2-5) m -mtnm +in假設(shè)時間序列是線性趨勢，則預(yù)測模型可以表示為:兒+加=4+切加（2-6）其中t為當(dāng)前時間，m是預(yù)測步數(shù)。由上式可得：x = 4x-1 = x-b,yt2 = yt 一 2切yt-n+r - x (n-)bt 所以(2-7)+ yr-n+lx+(x切)+久一(21)切n- .(2-8)因此"2(1)x -=n-2 ®(2-9)也就有n-l. =b(2-10)所以2 (2-11)類似(2-9)的推導(dǎo)

28、得到m(v)-m =_b(2-12)由(2-9)和(2-12)得到it2 1fa =2ml-m2(2-13)十=二ma/2)下面是一組仿真線性趨勢數(shù)據(jù)，對潮趨勢移動平均法進行預(yù)測，結(jié)果如 圖2-1所示，橫坐標(biāo)為時間，縱坐標(biāo)為無量綱量。紅線為真實數(shù)據(jù)，藍(lán)線為預(yù) 測數(shù)據(jù)。歷史數(shù)據(jù)有20個點。圖2-1歷史數(shù)據(jù)與預(yù)測數(shù)據(jù)散點圖從圖2-1可以看出趨勢移動平均法可以外推到第1000個點，誤差最大為7.3%,可以對線性趨勢做預(yù)測。預(yù)測到1000個點的誤差還不到10%,說明如 果趨勢不改變，趨勢移動平均法有非常好的預(yù)測效果。我們定義誤差超過10% 為預(yù)測不準(zhǔn)確。經(jīng)過測試當(dāng)預(yù)測點數(shù)為50000時，預(yù)測的最大誤差

29、為9.9%, 所以趨勢移動平均法的最大預(yù)測能力可以當(dāng)作50000個點。2.2.2指數(shù)平滑法指數(shù)平滑法分為一次指數(shù)平滑法、二次指數(shù)平滑法和三次指數(shù)平滑法等。2.2.2.1 一次指數(shù)平滑法一次指數(shù)平滑法遞推公式如下：(i)(1)(1)(1)& = oc x + (1 - a )s一二 sh + a (x - sj(2-14)如下推導(dǎo)可以更直觀的了解指數(shù)平滑法：xtj tt/-ir-2s二 ay+(l-a)ay +(1 - a)s =a>(, (l-a)yy (2-15)ac(l)y；+i = s,(2-16)以公式(216)進行預(yù)測，稱之為一次指數(shù)平滑法。也可寫成如下形式：y/+i

30、=ax+(l-a)j;(2-17)從公式2.16中可看出，后一個預(yù)測值是在前一個預(yù)測值的基礎(chǔ)上修正得 到的。a的大小決定了修正幅度的大小，a的大小由對比預(yù)測的結(jié)果精度和經(jīng) 驗決定。2.2.2.2二次指數(shù)平滑法 一次指數(shù)平滑法所對應(yīng)的是簡單移動平均法，對于線性趨勢數(shù)據(jù)效果不 好，所以由一次指數(shù)平滑法衍生出了二次指數(shù)平滑法，具體的計算公式如下所s1 =ay +(l-a)s*(2-18)ttt-y =ot£+(la)sj(2-19)a =2sl-s2(2-20),a (s*-52)l二次指數(shù)平滑法進行預(yù)測，結(jié)果如下而是一組仿真線性趨勢數(shù)據(jù)，對黛謝圖22所示，橫坐標(biāo)為時間，縱坐標(biāo)為無量綱量。

31、紅線為真實數(shù)據(jù)，藍(lán)線為預(yù)測數(shù)據(jù)。歷史數(shù)據(jù)點數(shù)為20。圖22歷史數(shù)據(jù)與預(yù)測數(shù)據(jù)散點圖從圖2-2可以看出二次指數(shù)平滑法可以外推到第1000個點，誤差最大為 5.9%,可以對線性趨勢做預(yù)測。預(yù)測到1000個點的誤差還不到10%,說明如 果趨勢不改變，二次指數(shù)平滑法有非常好的預(yù)測效果。我們定義誤差超過10% 為預(yù)測不準(zhǔn)確。經(jīng)過測試當(dāng)預(yù)測點數(shù)為65000時，預(yù)測的最大誤差為10, 所以二次指數(shù)平滑法的最大預(yù)測能力可以當(dāng)作65000個點。2.2.2.3三次指數(shù)平滑法三次指數(shù)平滑法計算公式如下：(2-21)(2-22)y -a +bm + c tn2f+m t ttf5(,)=ay +(1a)s i ttf

32、-1qsf)=as,)+ (l-a)s 嫁®)= as +(1-a)s 岀i /-ia =3s一 3s+ s(2-23)b = 么1(6-5ot)s -2(5-4a)s + (4-3a)s '2(1-a)2'11_ a?c2s,)+ s；3)i t 4】a丿圖2-3是一纟a二次函數(shù)數(shù)據(jù)的趨勢圖，用三次指數(shù)平滑法進行預(yù)測，結(jié)果 如下，橫坐標(biāo)為時間，縱坐標(biāo)為無量綱量。紅線為真實數(shù)據(jù)，藍(lán)線為預(yù)測數(shù) 據(jù)。歷史數(shù)據(jù)點數(shù)為100o圖2-3歷史數(shù)據(jù)與預(yù)測數(shù)據(jù)散點圖從圖2-3可以看出三次指數(shù)平滑法可以外推到第1000個點，誤差最大為 4.9%,可以對二次函數(shù)趨勢做預(yù)測。預(yù)測到1000

33、個點的誤差還不到10%,說 明如果趨勢不改變，三次指數(shù)平滑法有非常好的預(yù)測效果。我們定義誤差超過 10%為預(yù)測不準(zhǔn)確。經(jīng)過測試當(dāng)預(yù)測點數(shù)為75000時，預(yù)測的最大誤差為 10.3%,所以三次指數(shù)平滑法法的最大預(yù)測能力可以當(dāng)作75000個點。2.2.3自適應(yīng)濾波法自適應(yīng)濾波法和移動平均法、指數(shù)平滑法類似，也是基于加權(quán)平均的思想 進行預(yù)測，首先要用一組給定的權(quán)值進行預(yù)測，然后計算預(yù)測誤差，再調(diào)整權(quán) 值以減小誤差，這樣不停的重復(fù)，直到找到一組最佳視為權(quán)值。自適應(yīng)濾波法的基本預(yù)測公式為an力+i =叫刃+ %兒】+叫刀川+】二工鴨仏+1(2-24)權(quán)值調(diào)整公式為'w；二叱 + 2 絹(2-25

34、)式中，心1,2,n,/二n,n + 1,/。數(shù)據(jù)的長度。叱為調(diào)整前的第，個 權(quán)值。氣為調(diào)整后的第i個權(quán)值。£是學(xué)習(xí)常數(shù)。勺為第/ + 1期的預(yù)測誤差。自拮應(yīng)濾波法技術(shù)簡單，參數(shù)可以根據(jù)需要進2亍調(diào)整選擇。并且該方法把全部數(shù)據(jù)都應(yīng)用到預(yù)測算法中，對權(quán)值進行不停的改變尋優(yōu)，使預(yù)測更為準(zhǔn)確118o圖2-4是一組線性數(shù)據(jù)采用自適應(yīng)濾波法得到的結(jié)果。橫坐標(biāo)為吋間，縱 坐標(biāo)為無量綱量。*歷史數(shù)擄 o預(yù)測數(shù)據(jù)5550454035a 3025201510t/s圖24歷史數(shù)據(jù)與預(yù)測數(shù)據(jù)散點圖 同樣自適應(yīng)濾波法也有缺點，計算量大計算時間長，容易不收斂，只適合 近期預(yù)測。2.3最小二乘法把歷史數(shù)據(jù)的散點

35、圖畫出可以初步估計歷史數(shù)據(jù)的趨勢類型，然后可以假 定一個數(shù)學(xué)模型，而利用此數(shù)學(xué)模型需要知道模型的參數(shù)，一般采用最小二乘 法。2.3.1線性趨勢如果歷史數(shù)據(jù)的一階增量(y-x.j比較接近，大小為b,那么可以判斷該 趨勢為線性趨勢?？梢杂镁€性趨勢函數(shù)y = a+bt來描述該組數(shù)據(jù)的長期發(fā)展趨 勢。x為吋間序列的應(yīng)變量，t為自變量，對x做預(yù)測，事實上就是對數(shù)據(jù)進 行擬合，這樣問題轉(zhuǎn)變?yōu)橐粋€線性回歸的問題。y . y .j為使離差q二(y-t)2=(y-a-bt)2最小，分別對a, b求偏導(dǎo)數(shù)，并i=li=l令其為零，可以得到工()-a-爼)=0 /=1(2-26)解該方程組得£ 工(一廠)

36、(工一力v工()2(2-27)i a = y-btii其中= t , y= y o-zz _ -z znn這樣就可以得到模型參數(shù)a, b的估計值q, b,并利用其建立預(yù)測模型 y = a+ht進行預(yù)測。圖2-5是最小二乘對線性趨勢進行預(yù)測的結(jié)果，紅線為真實數(shù)據(jù)，藍(lán)線為 預(yù)測數(shù)據(jù)。歷史數(shù)據(jù)點數(shù)為20。圖25歷史數(shù)據(jù)與預(yù)測數(shù)據(jù)散點圖從圖25可以看出最小二乘法可以外推到第1000個點，誤差最大為 5.1%,可以對線性趨勢做預(yù)測。預(yù)測到1000個點的誤差述不到10%,說明如 果趨勢不改變，最小二乘法有非常好的預(yù)測效果。我們定義誤差超過10%為預(yù) 測不準(zhǔn)確。經(jīng)過測試當(dāng)預(yù)測點數(shù)為72000時，預(yù)測的最大誤

37、差為9.8%,所以 最小二乘法的最大預(yù)測能力可以當(dāng)作72000個點。2.3.2二次曲線趨勢當(dāng)歷史數(shù)據(jù)的二階增量（x-加）-（兒廠九）基本不變?yōu)?c,或者歷史數(shù) 據(jù)的散點圖呈現(xiàn)出二次增長模式，我們可以建立y二q + 加 + 夕來描述時間序列 的發(fā)展趨勢。與線性回歸模型類似，先建立離差的表達(dá)式x i i 疋 i i iq= （y-t)2 =a-btget2)2哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文對其求關(guān)于a, b, c的偏導(dǎo)數(shù)，并令其為零得i n _2工(y ua-bt -ct2) = 0(kiii i-2 (y ja-bt ct")t =0-2 (y a-bt -ct2)t2 =0、/=in

38、ni=z=1(2-29)解之得nx = na + c 工 t- i=n3 =b d、/=lz=lz=lj x 広 i x 2 i i t y - t cy人_qlji丿一1乓 1tf ti(“也4 - d f=li/=,丿"=(2-30)(2-31)這樣就可以得到模型參數(shù)a,b,c的估計值0,0并利用其建立預(yù)測模型y = abt-ct進行預(yù)測。圖26是最小二乘對二次函數(shù)趨勢進行預(yù)測的結(jié)果。紅線為真實數(shù)據(jù)，藍(lán) 線為預(yù)測數(shù)據(jù)。歷史數(shù)據(jù)為100個。圖26歷史數(shù)據(jù)與預(yù)測數(shù)據(jù)散點圖從圖2-6可以看岀最小二乘法可以外推到第1000個點，誤差最大為 3.5%,可以對二次函數(shù)趨勢做預(yù)測。預(yù)測到100

39、0個點的誤差還不到10%,說 明如果趨勢不改變，最小二乘法有非常好的預(yù)測效果。我們定義誤差超過10% 為預(yù)測不準(zhǔn)確。經(jīng)過測試當(dāng)預(yù)測點數(shù)為85000時，預(yù)測的最大誤差為9.9%, 所以最小二乘法的最大預(yù)測能力可以當(dāng)作85000個點。2.4灰色模型時間序列會受到各種外來因素的影響，這種特點很適合灰色預(yù)測模型，所 以可以使用gm（1, 1）來建立預(yù)測模1922】?；疑Ｐ蛯τ谮厔莶幻黠@的數(shù)據(jù)也 有很好的預(yù)測結(jié)果。信息全部知道的系統(tǒng)是白色系統(tǒng)。全部不知道的則為黑色系統(tǒng)。部分已知 部分未知稱為灰色系統(tǒng)。l23-26jo常用的灰色預(yù)測有五種1）數(shù)列預(yù)測2）災(zāi)變與異常值預(yù)測3）季節(jié)災(zāi)變與異常值預(yù)測4）拓?fù)漕A(yù)

40、測5) 系統(tǒng)預(yù)測本文的灰色模型用于數(shù)列預(yù)測， 設(shè)原始數(shù)列為x(0)=x(0)(l),x(0)(2),.sx(0)(n)經(jīng)一次累加后得d)=d)(l),兀(2),d)(n)設(shè)兀滿足一階常'微分方程佇+仮二其屮。是常數(shù)，稱z為發(fā)展灰 dt數(shù)。u是控制灰數(shù)。此方程滿足初始條件當(dāng)f"時)=*)(/)的解為0 0(2-32)#】)()= *(f )-_ul oa時間間隔相等的值(注意到r()=l)則為 心(2-33)?；?1)=兀-上嚴(yán)+上aa灰色建模的途徑是一次累加生成新的序列，再通過最小二乘法來估計常數(shù) a與比，由于兀是初始值,將兀(2),兀(3),.#w帶入微分方程。這樣就 用差

41、分代替了微分，a/ = (r + l)-/ = l,可得心二心(2)=兀-兀(1)=兀(。)(2)ar類似地有心=嚴(yán),，心的=*)(“),于是有artx(0)(2) + or(l)=u #°) + 卅)(3)= 1寫成如下形式兀(。)(2)=-兀(2),1+?！?) = _兀a(2-35)(2-36)(2-37)(2-38)x(，u+d是預(yù)報原始數(shù)列均值:原始數(shù)列方差:殘差的均值:x = £yx(o)(jt)s嚴(yán)工*o)(q xe =丄e伙)n_、2殘差的方差:后驗差比值:k=2， &-兀+兀12一！無(3) +無1b= 21 工(n) + d)(/v 1)12則(

42、235)式的矩陣形式為y = bu則上式的最小二乘估計為八八|u= =(btby btyu把估計值&與代入(234)式得方程入*)伙+ 1) =嚴(yán)(1)_刀嚴(yán)+ "tt_a a當(dāng)k = ,2“.n 時，丘伙+ 1)是擬合值，當(dāng)in時,值。然后進行累減運算還原，當(dāng),n 時，就可得原始序列嚴(yán))的擬合值伙+ 1),當(dāng)k>n時可得原始序列嚴(yán)的預(yù)測值灰色模型的精度檢驗公式如下：殘差:e伙)=少伙)-訃伙)相對殘差:e(k) = x(0) (k) - x(0) (k) / x(0) (*)小誤差概率：p = p|£（/:）-f| <0.67455,灰色模型精度等級如

43、下表所示：表2-1灰色模型精度等級表精度等級pc好>0.95<0.35合格>0.80<0.45勉強>0.70<0.50不合格<0.70>0.65綜上所述建模步驟如下：1）計算累加數(shù)列兀；2）建立矩陣b,y；3）求逆矩陣（b；4）根據(jù)u = （bbf bry求估計值6和；5）計算擬合值的x（,）（z）,然后減運算還原；6）精度檢驗與預(yù)測圖27、圖28、圖29分別是灰色模型對線性趨勢，二次趨勢，指數(shù)趨勢 進行預(yù)測的結(jié)果，橫坐標(biāo)為時間，縱坐標(biāo)為無量綱量。紅線為歷史數(shù)據(jù)，藍(lán)線 為預(yù)測數(shù)據(jù)。線性趨勢，歷史數(shù)據(jù)點數(shù)為100。圖27歷史數(shù)據(jù)與預(yù)測數(shù)據(jù)散點圖二次

44、函數(shù)趨勢，歷史數(shù)據(jù)點數(shù)為100。圖2-8歷史數(shù)據(jù)與預(yù)測數(shù)據(jù)散點圖指數(shù)函數(shù)趨勢，歷史數(shù)據(jù)點數(shù)為100。圖29歷史數(shù)據(jù)與預(yù)測數(shù)據(jù)散點圖由圖27可以看出灰色模型，預(yù)測的時間較短，由于算法自身限制，預(yù)測 時間越長，預(yù)測數(shù)據(jù)會比真實數(shù)據(jù)偏大。所以文中用了 100個數(shù)據(jù)，預(yù)測出 60個數(shù)據(jù)時，誤差已經(jīng)達(dá)到10%o由圖28可以看出灰色模型，預(yù)測的時間較短，由于算法自身限制，預(yù)測 時間越長，預(yù)測數(shù)據(jù)會比真實數(shù)據(jù)偏大。所以文中用了 100個數(shù)據(jù)，預(yù)測出120個數(shù)據(jù)時，誤差已經(jīng)達(dá)到11%。由圖28可以看出灰色模型，預(yù)測的吋間較短，由于算法自身限制，預(yù)測 時間越長，預(yù)測數(shù)據(jù)會比真實數(shù)據(jù)偏大。所以文中用了 100個數(shù)

45、據(jù)，預(yù)測出 100個數(shù)據(jù)時，誤差已經(jīng)達(dá)到10.5%o灰色模型有良好的適應(yīng)能力，無論什么 趨勢也都可以做預(yù)測，更適合非線性趨勢。但是沒有預(yù)測算法是萬能的，他的這一特點決定了他不能做長期預(yù) 測，從預(yù)測算法上看，灰色模型是把數(shù)據(jù)擬合為指數(shù)趨勢，可以通過調(diào)整參數(shù) 去適合曲線的趨勢，由于指數(shù)函數(shù)的特點在長期變化時增長率會有很大的變 化，決定了它不適合長期預(yù)測，指數(shù)函數(shù)的增長率前期和后期的不同也決定了 灰色模型有很強的適應(yīng)能力。通過對最常用的兒種預(yù)測算法做了理論與仿真的研究，得到計算簡單實用 的幾種預(yù)測算法，同時對算法的適合的數(shù)據(jù)類型做了總結(jié)。結(jié)果如下表所示：表22預(yù)測算法優(yōu)缺點對照表方法最小二乘法時間序

46、列灰色模型數(shù)據(jù)量優(yōu)點很直觀，方便使用簡單實用，遞推能力強要求少，不需要先驗知識缺點需要先驗知識需要先驗知識，數(shù)據(jù)量要求多不適合長期預(yù)測2.5本章小結(jié)本章通過對各種預(yù)測算法進行理論與仿真的研究，得到以下幾點：1）對于直線趨勢可以采用的方法有：趨勢移動平均法、二次指數(shù)平滑 法、灰色模型、最小二乘法。2）對于二次趨勢可以使用的方法有：三次指數(shù)平滑法、灰色模型、最 小二乘法。3）對于指數(shù)趨勢可以使用的方法有：灰色模型、最小二乘法。4）灰色模型的適應(yīng)能力最強，需要的數(shù)據(jù)少，但是由于預(yù)測算法的局 限性，長期預(yù)測的精度耍下降。第3章狀態(tài)趨勢預(yù)測3.1引言燃?xì)廨啓C的故障分為突變故障和緩變的故障，緩變故障是故障

47、由原發(fā)性故 障到一定危害的系統(tǒng)性故障是一個漸變的過程，突變故障是突然發(fā)牛的故障， 事先沒有任何預(yù)兆。以振動為例，當(dāng)前的振動的幅值與過去的振動幅值有一定 的關(guān)系，所以我們可以進行預(yù)測。但是由于影響振動的原因有很多，振動的機 理又十分復(fù)雜，所以預(yù)測是不可能完全準(zhǔn)確的，這樣我們只能做最優(yōu)預(yù)測，即 讓預(yù)測的精度達(dá)到一定的要求。為了達(dá)到最優(yōu)預(yù)測我們采用組合優(yōu)選法。要進行預(yù)測還得解決一些問題，比如精度問題、趨勢檢驗與數(shù)據(jù)預(yù)處理問 題。本章將對這些問題進行探討，為預(yù)測進行前期準(zhǔn)備。3.2預(yù)測任務(wù)燃?xì)廨啓C的狀態(tài)預(yù)測任務(wù)如圖3-1所示，當(dāng)燃?xì)廨啓C的工作參數(shù)在正常范 圍內(nèi)的時候，需要進行參數(shù)的趨勢預(yù)測，分析參數(shù)的

48、趨勢變化，發(fā)展速度，預(yù) 測未來的發(fā)展趨勢。另一方面，當(dāng)燃?xì)廨啓C的工作參數(shù)不在正常范圍內(nèi)的時 候，由于艦船出海不能及時維修或者是備件不足，也需要在故障模式的情況下 進行參數(shù)預(yù)測，以利于分析故障的發(fā)展趨勢，判斷部件的狀態(tài)是否能達(dá)到任務(wù) 要求。圖3-1為趨勢預(yù)測的流程示意圖。判斷機組當(dāng)前的工作模式測故障發(fā)展凰勢 丿圖3-1趨勢預(yù)測流程示意圖無論燃?xì)廨啓C的的是否有故障是否處于異常工作狀態(tài)，預(yù)測所需要進行的 內(nèi)容都必須包括以下幾點勿。1）多個特征參數(shù)預(yù)測燃?xì)廨啓C是由很多部件組成的，它的運行狀態(tài)是 由多個參數(shù)進行評估的。比如說，振動烈度、一倍頻、通頻幅值、滑油中各元素成分的含量、壓氣機效 率、喘振裕度、排

49、氣溫度、空氣質(zhì)量流量等。所以對燃?xì)廨啓C的預(yù)測因?qū)Χ鄠€ 參數(shù)進行預(yù)測。2）多個吋間間隔預(yù)測 燃?xì)廨啓C有很多部件組成，不同的部件的損壞速 度不一樣，有的部件每次出海就得換，而有的部件則可以使用一年以上。對于衰退趨勢較快的部件故 障，我們需要進行短時間間隔的趨勢預(yù)測；而對于較長時間才能看出衰退規(guī)律 的部件，我們則需要進行時間間隔較長的預(yù)測。所以參數(shù)預(yù)測因根據(jù)部件不同 和衰退規(guī)律不同采取對應(yīng)的時間間隔進行預(yù)測。根據(jù)需要可分為短時間間隔 （一小時）、中時間間隔（一天）和長時間間隔（一個月）等。3）多步預(yù)測對燃?xì)廨啓C進行趨勢預(yù)測，是想要知道燃?xì)廨啓C未來的一段時間的趨勢變 化，所以得對參數(shù)進行多步預(yù)測。3.

50、3燃?xì)廨啓C的失效機理與失效模式3.3.1失效機理受惡劣的工作環(huán)境的影響，燃?xì)廨啓C的性能會發(fā)生衰退。具體原因有：侵 蝕、環(huán)境沖擊、腐蝕、損傷、材料脆化、蠕變、熱疲勞、高循環(huán)疲勞、氧化等 |28|o1）熱疲勞旋轉(zhuǎn)機械裝備容易疲勞，加上燃?xì)廨啓C在高溫中運行，所以會產(chǎn)生熱疲勞。熱機械疲勞會使燃機的零部件產(chǎn)生裂紋并擴展。渦輪的葉片很容易產(chǎn)生這 種情況。2）高周循環(huán)疲勞高周循環(huán)疲勞是指燃?xì)廨啓C承受的應(yīng)力交變次數(shù)在1（）6以上，發(fā)牛疲勞失 效的問題v 渦輪的葉片和壓縮機葉片容易產(chǎn)生這種情況。3）損傷此種失效分為內(nèi)損傷和外損傷。外損傷是指燃機的工作環(huán)境不 好，會受到外來物體的碰撞和干擾。內(nèi)損傷是指內(nèi)部小零件的

51、脫落造成的損傷。損傷又會 產(chǎn)生應(yīng)力集中，從而引發(fā)新的失效模式。4）腐蝕腐蝕是船用燃?xì)廨啓C最大的特點，海上的環(huán)境極其惡劣，海 水的腐蝕性強，另外燃?xì)廨啓C的工作溫度又很高，加快了腐蝕。熱腐蝕故障極為嚴(yán)重，它 會使燃?xì)廨啓C的燃燒室內(nèi)部的涂層遭到破壞。3.3.2失效模式3.3.2.1高低壓壓氣機船用燃?xì)廨啓C的壓氣機的工作原理復(fù)雜，有限元模型模擬效果不好，同時 葉片與機匣的縫隙很小，精度極高，所以壓氣機很容易發(fā)牛故障，極易損壞。 表3-1為壓氣機各零件的常見失效模式與特征表現(xiàn)。表31壓氣機失效模式與特征邯件矢效模式特征轉(zhuǎn)于、葉片、高周疲勞，腐蝕，結(jié)垢效率下降，引起喘振齒車侖，軸磨損腐蝕或廿裂密封件損壞固

52、定螺栓疲勞、磨損效率下降，滑油系統(tǒng)的元素含量升高效率下降機匣振動增加3.3.2.2燃燒室燃燒室在燃機的運行過程中時刻經(jīng)受著高溫高壓氣體以及振動，高溫高壓 的氣體從燃燒室沖出，進入渦輪，并且渦輪的葉片乂極為昂貴，一旦燃燒室產(chǎn) 生碎片將會造成很嚴(yán)重的后果“。表3-2為燃燒室各部分的失效模式與特征。表3-2燃燒室失效模式與特征部件戸命杖、|=?矢效t臭貳特征內(nèi)ill:戶nr* "夂噴油嘴損壞，隔蝕積垢，碳化出口溫廈下降噴油速率下降，出口溫度下降3.3.2.3 渦輪渦輪部件常遭受蠕變，腐蝕，侵蝕和氧化，從而影響渦輪葉片間隙，產(chǎn)生 葉片裂紋表33列出了渦輪的失效模式與特征表現(xiàn)。表3-3渦輪失效

53、模式與特征部件失效r臭試特征腐蝕，結(jié)垢效率卜降，排氣溫度廿咼固定螺栓疲勞、磨損機匣振動增加效率下降，滑油系統(tǒng)的元素齒輪，軸磨損腐蝕或開裂含量升高密封件損壞效率下降3.4狀態(tài)趨勢分析研究燃?xì)廨啓C的衰退趨勢規(guī)律是進行燃?xì)廨啓C狀態(tài)趨勢預(yù)測的基礎(chǔ)。同時 這也有利于制定維修對策，對制定科學(xué)的維修體制也是很有幫助的。燃?xì)廨啓C 在使用過程中，其性能狀態(tài)會伴隨著時間逐步衰退，如圖3-2所示。一般來說 在故障發(fā)牛之前會有一些表現(xiàn)形式，那就是潛在故障l32jo圖3-2性能衰退圖圖3-2中p點表示狀態(tài)已經(jīng)衰退到一定的程度，是潛在故障，可能是軸承等 零部件的損傷。當(dāng)狀態(tài)衰退到f點時，說明故障由潛在故障發(fā)展為功能故障。

54、 也就是說某部件已經(jīng)到了損壞的程度。p-f的間隔是潛在故障發(fā)展到功能故 障的時間，該時間可能是兒秒也可能是兒個j1,不同故障的的該時間間隔差別 比較大。突發(fā)故障的吋間間隔就比較短。比較長的吋間間隔代表我們將有更多 的時間去解決的方案，在艦船出海時，才更有保障。典型的燃?xì)廨啓C狀態(tài)變化 趨勢有以下幾種：1）平穩(wěn)的隨機波動燃?xì)廨啓C在運行過程中沒有故障發(fā)生也沒有劣化趨勢，那么燃?xì)廨啓C的性 能特征參數(shù)只在小范圍內(nèi)隨機波動，是一種最常見的變化類型。它的數(shù)學(xué)形式 可以表示為公式(31)。從圖3-3可以看出平穩(wěn)隨機波動的類型。y(r) = q)+ /?(t)(3-1)2) 上升趨勢如果燃?xì)廨啓C的機械性能出現(xiàn)緩慢的劣化或者是有某些潛在故障出