仪器仪表学报ChineseJournalofScientificInstrument光谱油样分析数据的神经网络多变量预测技术•周伽I陈"構京統空®I天大学理鼻院南京210016)珂审京畝空II天大学民紈学院南京210016)««针对非的受如油因索影啊的光谱油样分術数樂的住模MU词••利用人工神蛭网堵高度的并行分布式、联!E记忆能力习舗力和极豪的非钱性族射签力•蹇立多变■績91樓熨•同时•用遗传算法对网络餐数进行了优化•鍛后•利用繭组实际的航空发动机汕样光谱分祈数■对棋H进行了・i£・结果我明，提岀的神兜网络多变■预側棋型能有效解决实标的受多Ktr1f的油轉分何■•具有较強的工程实用价值和通用性.关■调楠禅分析多变*预■少等间舄施沽it传算法中图分类号0329F201文IK标识DiA代硏460.1540ArtificialNeuralNetworkMulti-variableForecastingModelforSpectralOilAnalysisDatauo3f(Co//e<eQJSccvce.NanjtngUnrversityofna),(Ccrf/cgcofCivilAviation•NanjingUwv^rntyofna)AbstractTheestablishingmodeloftheoilanalysisdatatim<byaddingoilfactor•isstudied・Astheartificialneuralnetwork(ng*associativememoryabilities*self-organization*self-learningailti-variablepredictingmodelbyback・propagationneuralnetworks(BPNN)isestablished・Inadditionthegeneticalgorithm(GA)isusedtooptimizeANNSparameters・Finally,twotimeseriesofaero-engineoilspectra)analysisdataareusedtoverifythismodel.Theresultshowsthatthismodelcaneffectivelysolvethepredictionproblemofoilanalysisdata.whichisaffectedbymulti-factorssuchasunequalintervalandaddingoil.Thenewmethodhasimportantengineeringapplicationvalue.anditisacommonmethodofforecastingcomplextimeseries.whichisaffectedbymulti-factors・1▲文于2004年12月牧到・JR27#第4期200«年4月KeywordsOilanalysisMulti-variableforecastingalgorithm<GA)1引E油样分析数据具有明显的非等间隔性.在机器的正常使用期故障率往往比较低•采样间陽比较大•而在损耗阶段故障率较髙，这时往往要堀短采样间隔•由于采样时间间隔的不同形成了非等间隔时何序列•另外,UnequalintervalAddoilBPneuralnetworkGenetic由于油样分析中，宾际采样时间的安排本身也具有非等间隔性•因此难以进行完全尊间隔采样.由此可见.非等间隔性具有昔建总义•等间隔时间序列只是其待殊情况.'同时•由于机番运行肘有消耗滑油和出璇滑油泄廉的悄况•因比需要不定期的进行加油/补油或换油.由于每次取样后的加油影响•油样分析所得到的磨损度梅产生变化.这样就#致了实标油祥分析数据将丧现出受加油因素的形响特征•口前•传统方法均不餐有效堆解决此类问H•传筑ARMAft1>11-对平稳的.零均ffL正U分布的■机序列的线性ffiffl.W此不适合进行非线性统什回归法进行非线性預测时需憂知道序列的菲an«®.fiin«阶次难于确定『灰色系统模帝相当于指数回归模熨•但是庄实际应用中•一个菲负序列的黑加生成序列未必有指数规律•》?加生成和議减还原的方法建蟆必将加大蟆型的浜菱•因此在实际应用中•要慎用灰色系貌法⑴•通常•当序列的匕峥呈折数两数递增或递峨时•灰色澳型GM(1.DM*相当高的将度•当系统发生转折或周期性变化时•其精度就变得相当差•灰色矗则-校正復型山尽管能殊补谀抉陷•但需要对原始序列进行平構•同时需要人工选取分段点•建模复杂•！!通用性较菱$神念网络方法是由于人工神直网堵典有ii近任童非线性两数和一定的泛化能力•庄预测领Q昼示岀了强大的生命力和巨大的发展淆力•相关研究均表明了神经网给较其他方法的优越性•尢其是金多变董預测技术中•神经网络技术更加显示了其突岀的优势•很据以上分析•精确预测就空发动机复杂WJ66势•必狈充分考虑多种因累(加油/补油或换油•非尊甸隔尊)•实施多变fit预聞方案，这里R在盘立神经网坊多变合解决非等间隔的受加油因索影响的油样分析效冊的建模和預测问駆•从而为航空发动机的視情维修提供更为可靠的决策依据.2多层前向神经网络的反向传播(backpropagation•BP)学习算法门BP算法将神经网络学习输入输出的映射问题转变成一...