基于簇特征加权的航空发动机状态监视方法
航空发动机状态趋势监控方法
航空发动机状态趋势监控方法航空发动机是飞机的核心部件，其发动机状态对于飞机的运行非常重要。
为了有效的监控发动机状态，避免因为状态异常而带来的安全问题和飞行延误，越来越多的航空公司采用了状态趋势监控方法。
本文将介绍航空发动机状态趋势监控方法。
状态趋势监控方法是通过对航空发动机的大量参数数据进行采集、分析和处理等一系列操作，得到发动机的状态特点、发展趋势、飞行限制条件等信息，实现对航空发动机状态的实时监控、故障诊断和预测维护等功能。
状态趋势监控方法主要包括以下步骤：1.参数采集：通过各种传感器采集航空发动机的各种参数数据，包括运行时间、转速、温度、压力、燃油流量、氧气含量等。
2.数据分析：对采集到的数据进行分析，从中提取出有价值的数据，如温度升高、压力波动等。
3.模型建立：对分析得到的数据建立数学模型，通过这些模型来预测发动机状态和性能。
4.状态评估：根据模型预测的结果和历史数据进行发动机状态评估和判断，提出相应的维护措施和建议。
5.维护决策：根据评估和判断结果，制定相应的维护计划和维修决策。
1.提高飞行安全性。
通过状态趋势监控方法，可以实时监控航空发动机状态，预测可能出现的故障，并采取相应的措施进行维修，避免故障导致的安全问题。
2.提高发动机使用寿命。
状态趋势监控方法可以通过对发动机进行实时监测，及时发现问题并进行处置，从而可以有效地延长发动机的使用寿命。
状态趋势监控方法在航空工业中被广泛应用。
航空公司可以通过这种方法及时发现发动机故障，预测出故障的发生时间和位置，从而提早制订维修计划，并采取必要的措施，降低故障对飞行安全和航班正常运营的影响。
此外，监控系统还可以通过对数据的持续收集和处理，对发动机进行持续的评估和修复，以保持高水平的性能、可靠性和寿命。
在提高飞行安全性、减少飞行延误和降低维护成本方面，航空发动机状态趋势监控方法具有不可替代的作用。
综上所述，航空发动机状态趋势监控方法是航空安全、运营效率和维护成本的重要组成部分，其在航空工业中的应用前景非常广阔，有望成为未来航空行业发展的一个重要趋势。
航空发动机状态趋势监控方法
航空发动机状态趋势监控方法航空发动机是飞机最重要的组成部分之一，因此对其状态进行监控和维护是航空安全的重要环节。
为了实现航空发动机的状态趋势监控，可以采取以下方法：1. 数据采集：通过传感器和监测设备采集航空发动机的关键参数，包括燃油消耗、温度、转速、压力等，同时还可以采集发动机振动、声音等非实时数据。
2. 数据预处理：对采集的数据进行预处理，包括去除异常值、补充缺失值、数据清洗等步骤，确保数据的准确性和完整性。
3. 特征提取：从原始数据中提取有用的特征，例如平均值、标准差、频谱分布等，以便后续的状态评估和分析。
4. 状态评估：根据历史数据和预期的状态模型，对航空发动机当前的状态进行评估。
可以使用统计学方法、机器学习算法等技术进行状态预测和分类，来判断航空发动机是否处于正常运行状态。
5. 趋势分析：根据状态评估的结果，对航空发动机的状态趋势进行分析。
可以通过对比当前状态和历史状态的差异，推测出可能的故障发生趋势，进而提前采取相应的维修和保养措施。
6. 报警与应对：当航空发动机状态异常或趋势不稳定时，及时发出报警信号，并采取相应的应对措施。
可以通过界面显示、声音报警、通信联动等方式，及时通知飞行员和维护人员，确保航班安全。
7. 数据存储和分析：将采集的数据和分析结果进行存储，并进行后续的数据分析和挖掘。
通过对大量数据的分析和比对，可以发现发动机状态的变化规律和异常模式，为航空发动机的维护和改进提供科学依据。
航空发动机状态趋势监控方法涉及数据采集、数据预处理、特征提取、状态评估、趋势分析、报警与应对以及数据存储和分析等多个环节。
通过科学的数据分析和状态监控，可以及时发现航空发动机的异常状态并采取相应措施，提高航空安全水平。
航空发动机叶片类零件三维重建与缺陷检测关键技术研究
航空发动机叶片类零件三维重建与缺陷检测关键技术研究随着航空工业的快速发展，航空发动机作为航空器的核心部件，其安全性和可靠性对飞机的飞行安全至关重要。
航空发动机叶片作为航空发动机的重要组成部分，其质量和性能直接影响着发动机的工作效率和寿命。
因此，对航空发动机叶片的三维重建与缺陷检测关键技术的研究具有重要的意义。
航空发动机叶片类零件的三维重建是指通过使用计算机辅助设计与制造（CAD/CAM）技术，将实际叶片的形状、结构和尺寸等信息转化为数字化的三维模型。
这种技术可以准确地重建叶片的几何形状和内部结构，为进一步的设计和分析工作提供基础数据。
在叶片的三维重建过程中，常用的方法包括激光扫描、光栅投影和摄像等技术。
这些方法可以快速、高精度地获取叶片的表面形状和内部结构，并将其转化为数字化的三维模型。
航空发动机叶片的缺陷检测是指通过使用无损检测技术，对叶片进行全面、准确地缺陷检测。
叶片缺陷可能包括裂纹、气孔、杂质等。
这些缺陷会严重影响叶片的工作性能和安全性。
因此，及时发现和修复叶片的缺陷对于保证发动机的正常运行至关重要。
常用的叶片缺陷检测方法包括超声波检测、磁粉检测和红外热像检测等技术。
这些方法可以快速、准确地检测叶片的缺陷，并提供有效的修复方案。
航空发动机叶片类零件的三维重建与缺陷检测是航空发动机研发和制造过程中的核心技术之一。
通过对叶片的三维重建和缺陷检测，可以提高叶片的设计和制造质量，保证发动机的工作效率和寿命。
同时，这些技术还可以为叶片的维修和修复提供有力的支持，减少航空发动机的维护成本和停机时间。
综上所述，航空发动机叶片类零件的三维重建与缺陷检测关键技术的研究对于提高航空发动机的工作效率和寿命具有重要的意义。
通过对叶片的三维重建和缺陷检测，可以提高发动机的设计和制造质量，并保证其安全性和可靠性。
因此，进一步研究和应用这些关键技术，将会对航空工业的发展做出重要的贡献。
航空发动机振动环境谱统计归纳方法及振动试验台复现
第 50 卷第 2 期2024 年 4 月Vol. 50 No. 2Apr. 2024航空发动机Aeroengine航空发动机振动环境谱统计归纳方法及振动试验台复现房剑锋（中国飞行试验研究院，西安 710089）摘要：为满足航空发动机及机载产品研制过程贴近使用环境的振动考核试验需求，需根据发动机实测振动数据给出振动考核试验所需的输入谱图。
依据GJB/Z 126-99中给出的环境测量数据归纳方法，建立了发动机实测振动环境谱统计归纳方法并通过程序实现。
利用发动机多架次实测试飞振动数据统计归纳得到发动机测点位置的振动实测谱。
基于能量等效及信号频域特征分布一致原则，将归纳得到的实测谱转化为可用于振动台输入的振动环境谱，并在振动台上进行了振动信号的复现试验。
结果表明：振动台输出信号与发动机实测振动信号频域分布特征一致，在统计频率带宽范围内振动总量最大相差5.7%，证明了转化方法是合理的，为航空发动机机载设备贴近使用环境的振动考核试验方法提供了真实的输入谱图。
关键词：振动数据；统计归纳；环境谱；振动试验台；复现；航空发动机中图分类号：V216.2+1；V231.92文献标识码：A doi：10.13477/ki.aeroengine.2024.02.022 Aeroengine Vibration Environment Spectrum Statistical Induction and Reproductionon Vibration Testing TableFANG Jian-feng（Chinese Flight Test Establishment，Xi’an 710089，China）Abstract：To meet the requirements of conducting vibration assessment tests under conditions close to the operating environment for the development of aeroengine and airborne products, it is necessary to provide the input spectrum required for the vibration assessment test based on the measured engine vibration data. Based on the induction method of environment measurement data provided in GJB/Z 126-99, a statistical induction method for vibration environment spectra measured engine vibration data was established and implemented through a program. The measured vibration spectra at engine measuring positions were obtained by statistical induction according to vibra⁃tion data from multiple actual test flights. Based on the principle of energy equivalence and consistent distribution of signal frequency domain characteristics, the spectra obtained using the induction method were converted into vibration environment spectra which can be used as the input for the vibration testing tables, and experiments for vibration signal reproduction were conducted on vibration testing tables. The results show that the frequency domain distribution characteristics of the output signal of the vibration testing table are consistent with that of the measured engine vibration signal. The maximum difference in the overall vibration within the statistical frequency bandwidth is 5.7%, which proves the rationality of the conversion method and the capability of providing real input spectra for vibration assessment tests of aeroengine airborne equipment under conditions close to the service environment.Key words：vibration data; statistical induction; environment spectrum; vibration testing table; reproduction; aeroengine0 引言在航空发动机试飞过程中振动信号的测量具有重要意义，一方面可用于发动机整机振动特性的确定，定位发动机整机振动故障[1]，70%以上的故障都以振动的形式表现出来；另一方面可通过试飞测试数据获取发动机的整机振动环境，为机载设备振动考核试验提供真实的试飞数据谱图。
航空发动机状态趋势监控方法
航空发动机状态趋势监控方法航空发动机是飞机的重要组成部分，其状态的变化直接影响飞机的安全和性能。
航空发动机状态趋势监控方法的研究对于飞机运行和维护具有重要意义。
航空发动机状态趋势监控方法是通过对航空发动机工作参数的监测和分析，来判断发动机的健康状况和趋势变化。
这种方法可以提前发现发动机的问题并采取相应的维修措施，从而避免发生事故。
1. 数据采集和存储：航空发动机的监测数据需要进行实时采集和存储，以便后续的分析和判断。
传感器和数据采集设备可以记录发动机的各种参数，如温度、压力、转速等。
2. 数据预处理：采集到的原始数据可能存在噪声和异常值，需要进行预处理去除这些干扰。
还需要对数据进行处理和转换，以方便后续的分析和建模。
3. 特征提取：根据航空发动机的工作特点和故障模式，选择适当的特征来描述发动机的状态和性能。
常见的特征包括振动频率、平均温度、压力脉动等。
4. 故障诊断：通过监测发动机的状态特征和一些故障指标，结合故障模式库和故障诊断算法，对发动机的故障进行诊断和预测。
常见的故障算法包括支持向量机、神经网络、贝叶斯网络等。
1. 大数据处理：航空发动机产生的数据量非常大，如何高效地处理和存储这些数据是一个挑战。
还需要在大数据中进行有意义的特征提取和故障诊断。
2. 多源数据融合：航空发动机的监控数据来自多个传感器和设备，这些数据需要进行融合和整合，才能得到全面和准确的状态分析结果。
3. 故障预测和预警：通过航空发动机状态的分析和趋势预测，可以提前发现潜在的故障，并预警相关人员。
如何准确地进行故障预测和预警是一个挑战。
4. 实时性要求：航空发动机状态的监控需要具备实时性，以及及时响应和处理故障的能力。
监控方法需要在保证准确性的具备高实时性和响应能力。
航空发动机状态趋势监控方法
航空发动机状态趋势监控方法航空发动机状态趋势监控是航空领域关键技术之一，对于确保航空发动机的安全运行具有重要意义。
本文将介绍航空发动机状态趋势监控方法。
1. 数据采集：首先需要采集航空发动机的各种状态参数，如温度、压力、转速、振动等。
可以通过传感器获取这些参数，并将其实时传输到监控系统中。
还可以采集航空发动机的历史数据，用于后续的状态趋势分析。
2. 数据处理：将采集到的数据进行处理，包括数据清洗、数据融合、数据压缩等。
清洗数据可以排除异常值，保证数据的准确性。
融合数据可以将不同传感器采集到的数据进行整合，得到更全面的状态信息。
压缩数据可以减少存储空间和传输带宽的占用。
3. 数据特征提取：通过对处理后的数据进行特征提取，可以得到更具代表性的状态特征。
常用的方法包括统计特征提取、频域特征提取和时域特征提取等。
统计特征提取可以得到均值、方差、标准差等统计量，用于描述数据的分布情况。
频域特征提取可以得到频率分量的能量分布，用于分析振动信号的频谱特征。
时域特征提取可以得到信号的波形特征，如峰值、波峰间距等。
4. 状态趋势分析：基于提取到的特征，可以对航空发动机的状态趋势进行分析。
可以通过构建模型、使用机器学习算法等方法，对数据进行分类和预测。
可以使用支持向量机、神经网络等算法，对发动机的工作状态进行分类识别。
还可以使用回归分析等方法，预测发动机未来的状态变化。
5. 结果展示：将分析得到的状态趋势结果进行展示，以便工程师或操作人员进行判断和决策。
可以使用图表、报表等方式，直观地展示发动机的状态变化情况。
还可以设置警报机制，通过阈值比较等方法，及时发现异常情况，并采取相应的措施。
航空发动机状态趋势监控方法可以有效地监测和预测发动机的运行状态，提高飞机的安全性和可靠性。
在未来，随着航空领域的技术进步，这些方法将进一步完善和应用。
基于SVM理论的航空发动机飞行数据可视化建模
基于SVM理论的航空发动机飞行数据可视化建模引言随着航空业的发展，飞机发动机的性能和可靠性需求越来越高。
为了确保飞机的安全和正常运行，航空公司和发动机制造商需要对发动机的飞行数据进行分析，以及时识别可能出现的问题并做出相应的维护和保养。
利用支持向量机（SVM）理论对航空发动机的飞行数据进行可视化建模，可以为飞机维护和性能检测提供重要的参考和辅助信息。
一、支持向量机（SVM）理论介绍支持向量机（Support Vector Machine，SVM）是一种监督学习的算法，用于进行模式识别、分类和回归分析。
SVM的基本原理是通过找到能够有效划分不同类别数据的超平面，从而实现对数据的分类。
在SVM中，选择最优的超平面是建立在最大化间隔的基础上，这样能够使得分类的错误最小化。
SVM具有很强的泛化能力和鲁棒性，对于高维空间数据处理效果显著，因此在数据挖掘、模式识别等领域被广泛应用。
在航空领域，SVM可以应用于飞行数据的分类、故障诊断和模式识别等方面，对提升飞机性能和安全具有重要意义。
二、航空发动机飞行数据可视化建模1. 数据采集航空发动机的飞行数据包括多个参数，如转速、温度、流量等，这些数据可以通过传感器实时采集得到。
还可以获取到飞机的实际飞行数据，包括飞行高度、速度、气压等信息。
这些数据反映了发动机在不同工况下的性能表现，对于发动机的健康状况和故障诊断具有重要意义。
2. 数据预处理在进行可视化建模之前，需要对采集得到的大量飞行数据进行预处理，包括数据清洗、缺失值处理、异常值处理等。
对数据进行归一化处理，以便使得不同参数的数据在相同的尺度上。
这样可以有效提高模型的训练效果，同时降低建模过程中的复杂度。
3. 模型建立利用SVM算法对预处理后的飞行数据进行建模，以实现对发动机的性能状态分析和故障诊断。
SVM通过最大化间隔的方式寻找超平面，从而实现不同工况下的飞行数据分类和故障识别。
通过不断调整模型参数，可以使得模型对飞行数据的表征更加准确和可靠。
航空安全风险分析和飞行技术评估问题
航空安全风险分析和飞行技术评估问题摘要：飞行安全是民航运输业赖以生存和发展的基础，在飞行品质监控具体研究和应用方面，目前我国民航业内的研究主要分为两个方面。
本文旨在研究航空安全风险分析和飞行技术评估问题。
首先对数据进行预处理，采用归一化变量处理方法。
然后，建立相关分析模型。
之后提出了一种飞行状态深度聚类网络(FSDCN)模型来挖掘隐含在原始飞行参数中的潜在失控风险信息。
对于提出多层 LSTM 加权模型来完成实时自动化预警机制，最后一个是 sigmoid 激活函数的全连接层。
最终，多层 LSTM 加权模型除了预测了未来是否会发生异常外，计算出预测结果的 F1 值为 0.816，大大提高了传统 LSTM 模型的精确率。
关键词：航空安全风险分析；飞行技术评估；LSTM 预测一、研究背景航空安全大数据主要包括快速存取记录器(Quick Access Recorder，QAR)数据，该数据主要记录飞机在飞行过程中的各项飞行参数；在飞行品质监控（Flight OperationalQuality Assurance，FOQA）中，QAR 中超出人为设定限制值的数据记为超限数据。
在飞行品质监控具体研究和应用方面，目前我国民航业内的研究主要分为两个方面，一是针对超限事件的研究、分析和应用；二是对非超限数据的统计分析和应用。
对于超限事件的研究，一般是通过规定飞行参数的集中区域设置超限阈值，将超出阈值部分的行记录找出来，进行重点分析，防范潜在隐患造成严重飞行事故。
二、模型建立与求解为了检验 ILA + GAN 的有效性，选取了 3 种学习成就(Pass、Fail、withdraw)对应的 22 个学习行为时序序列作为训练集。
同时，选取三种临近最优算法进行对比实验，分别是:将原始行为与递归神经网络(OB + RNN)相结合，(2)基于总频率行为和递归神经网络(TF + RNN)的预警算法，(3)基于 LSTM-Autoencoder 和注意机制(LA + AM)的预警算法。
航空发动机状态趋势监控方法
航空发动机状态趋势监控方法
航空发动机状态趋势监控方法是为了保障飞机的安全和性能而设计的一种技术手段。
航空发动机是飞机的心脏，其状态的健康程度直接关系到飞机的飞行安全和经济效益。
1. 数据采集：通过安装在发动机上的传感器，实时采集发动机运行的各种参数数据，如温度、压力、转速等。
这些数据将作为监控发动机状态的依据。
2. 数据分析：采集到的数据通过数据处理和分析算法进行处理，提取有用信息。
可
以使用统计方法、信号处理方法、模型预测方法等进行数据分析，以识别和预测发动机的
异常状态。
3. 建立状态模型：通过分析大量历史数据和实时数据，建立发动机状态的模型。
这
个模型可以描述不同状态下的发动机工作特性，包括正常、健康、故障等。
4. 故障检测与诊断：通过与建立的模型进行比对，可以及时检测到发动机的故障和
异常状态。
对于故障状态的诊断，可以通过模型提供的预测能力进行故障原因的定位和诊断。
5. 趋势分析：通过对历史数据和实时数据的分析，可以得到发动机状态的趋势信息，包括运行时间、寿命剩余预测、性能变化等。
通过对这些趋势信息的监测，可以及时发现
发动机的潜在问题，进行预防性维护。
6. 报警与通知：当发动机状态超出安全范围或发生异常时，系统会发出报警信号或
通知相关人员。
这样可以及时采取措施，避免发动机故障对飞行安全造成影响。
航空发动机状态趋势监控方法的应用可以提高发动机的可靠性和可用性，降低飞机故
障率和维护成本，提高航班正常运营率和经济效益。
基于樽海鞘群优化网络模型的计量装置状态识别方法
第１３卷㊀第１１期Ｖｏｌ．１３Ｎｏ．１１㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年１１月㊀Ｎｏｖ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）１１－０２１５－０５中图分类号：ＴＭ９３３文献标志码：Ａ基于樽海鞘群优化网络模型的计量装置状态识别方法郑克刚，袁安荣，雷㊀乾，张天旭，吴世强，冯小兵（国网重庆市电力公司铜梁供电分公司，重庆４０２５６０）摘㊀要：为提升用电信息采集系统客户服务部门的数据分析能力，提升客户服务精益化管理水平，针对计量装置状态远程识别准确率低的问题，提出了一种基于樽海鞘群优化网络模型的计量装置状态识别方法㊂该模型首先利用小波分解对样本集曲线类特征数据进行分解，并获取状态影响因子，然后利用ＬＳＴＭ长短期记忆网络进行计量装置状态分类，并计算损失函数后进行反馈调参，最后采用樽海鞘群算法优化ＬＳＴＭ网络的调参过程，待损失函数低于阈值后，固定参数输出模型㊂实验表明，樽海鞘群算法寻优调参可降低模型参数调参时间，并提高了分类算法的精准度㊂关键词：电能计量装置；小波分解；ＬＳＴＭ；樽海鞘群算法；状态识别ＳｔａｔｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｏｆｍｅｔｅｒｉｎｇｄｅｖｉｃｅｂａｓｅｄｏｎｓａｌｐｓｏｐｔｉｍａｌｎｅｔｗｏｒｋｍｏｄｅｌＺＨＥＮＧＫｅｇａｎｇ，ＹＵＡＮＡｎｒｏｎｇ，ＬＥＩＱｉａｎ，ＺＨＡＮＧＴｉａｎｘｕ，ＷＵＳｈｉｑｉａｎｇ，ＦＥＮＧＸｉａｏｂｉｎｇ（ＴｏｎｇｌｉａｎｇＰｏｗｅｒＳｕｐｐｌｙＢｒａｎｃｈ，ＳｔａｔｅＧｒｉｄＣｈｏｎｇｑｉｎｇＥｌｅｃｔｒｉｃＰｏｗｅｒＣｏｍｐａｎｙ，Ｃｈｏｎｇｑｉｎｇ４０２５６０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｄａｔａａｎａｌｙｓｉｓａｂｉｌｉｔｙｏｆｔｈｅｃｕｓｔｏｍｅｒｓｅｒｖｉｃｅｄｅｐａｒｔｍｅｎｔｏｆｔｈｅｅｌｅｃｔｒｉｃｉｔｙｃｏｎｓｕｍｐｔｉｏｎｉｎｆｏｒｍａｔｉｏｎａｃｑｕｉｓｉｔｉｏｎｓｙｓｔｅｍａｎｄｉｍｐｒｏｖｅｔｈｅｌｅａｎｍａｎａｇｅｍｅｎｔｌｅｖｅｌｏｆｃｕｓｔｏｍｅｒｓｅｒｖｉｃｅ，ａｍｅａｓｕｒｅｍｅｎｔｄｅｖｉｃｅｓｔａｔｅｂａｓｅｄｏｎｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｎｅｔｗｏｒｋｍｏｄｅｌｏｆｔｈｅｓａｌｐｓｇｒｏｕｐｉｓｐｒｏｐｏｓｅｄｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｌｏｗａｃｃｕｒａｃｙｏｆｒｅｍｏｔｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｔｈｅｓｔａｔｅｏｆｔｈｅｍｅｔｅｒｉｎｇｄｅｖｉｃｅ．Ｔｈｅｍｏｄｅｌｆｉｒｓｔｕｓｅｓｗａｖｅｌｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎｔｏｄｅｃｏｍｐｏｓｅｔｈｅｃｕｒｖｅ－ｌｉｋｅｃｈａｒａｃｔｅｒｉｓｔｉｃｄａｔａｏｆｔｈｅｓａｍｐｌｅｓｅｔ，ａｎｄｏｂｔａｉｎｓｔｈｅｓｔａｔｅｉｎｆｌｕｅｎｃｅｆａｃｔｏｒ，ｔｈｅｎｕｓｅｓｔｈｅＬＳＴＭｌｏｎｇｓｈｏｒｔ－ｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋｔｏｃｌａｓｓｉｆｙｔｈｅｓｔａｔｅｏｆｔｈｅｍｅｔｅｒｉｎｇｄｅｖｉｃｅ，ａｎｄｃａｌｃｕｌａｔｅｓｔｈｅｌｏｓｓｆｕｎｃｔｉｏｎｆｏｒｆｅｅｄｂａｃｋａｄｊｕｓｔｍｅｎｔ．ＴｈｅａｌｇｏｒｉｔｈｍｏｐｔｉｍｉｚｅｓｔｈｅｐａｒａｍｅｔｅｒａｄｊｕｓｔｍｅｎｔｐｒｏｃｅｓｓｏｆｔｈｅＬＳＴＭｎｅｔｗｏｒｋ．Ａｆｔｅｒｔｈｅｌｏｓｓｆｕｎｃｔｉｏｎｉｓｌｏｗｅｒｔｈａｎｔｈｅｔｈｒｅｓｈｏｌｄ，ｔｈｅｆｉｘｅｄｐａｒａｍｅｔｅｒｓａｒｅｏｕｔｐｕｔｔｏｔｈｅｍｏｄｅｌ．Ｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅｏｐｔｉｍｉｚａｔｉｏｎａｎｄｔｕｎｉｎｇｏｆｔｈｅｓａｌｐｓｓｗａｒｍａｌｇｏｒｉｔｈｍｃａｎｒｅｄｕｃｅｔｈｅｔｉｍｅｆｏｒｐａｒａｍｅｔｅｒｔｕｎｉｎｇｏｆｔｈｅｍｏｄｅｌｐａｒａｍｅｔｅｒｓａｎｄｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｌｇｏｒｉｔｈｍ．Ｋｅｙｗｏｒｄｓ：ｅｌｅｃｔｒｉｃｅｎｅｒｇｙｍｅｔｅｒｉｎｇｄｅｖｉｃｅ；ｗａｖｅｌｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎ；ＬＳＴＭ；ｓａｌｐｇｒｏｕｐａｌｇｏｒｉｔｈｍ；ｓｔａｔｕｓｒｅｃｏｇｎｉｔｉｏｎ通讯作者：郑克刚（１９７８－），学士，男，助理工程师，主要研究方向：计量采集㊁项目管理㊂Ｅｍａｉｌ：６２６９３１２２９＠ｑｑ．ｃｏｍ收稿日期：２０２２－１１－２８０㊀引㊀言近些年，随着互联网和信息化的迅速发展，电力行业也逐渐推进智能化管理［１－２］，各电力公司和供电企业不断提升自身的客户服务精益化管理水平㊂电能计量装置作为关键性的电力企业和用户结算的仪表工具，其运行状态的正常与否会关系到计量结果的准确性和可靠性，并继而影响到后续相关电力业务的开展㊂在传统的电能计量装置的检测工作中，主要是由人工巡检完成，人工成本高且效率低；而随着用电信息采集系统建设，当前系统内已积累了海量计量装置监测数据，且计量装置异常样本也达到了一定的体量，故可开展远程线上异常识别［３］，对计量装置状态进行识别㊂从而可有效解决人工巡检的不及时性和不准确性，节约时间和人工成本㊂当前，部分研究机构及专家已开展该方面的研究工作，如文献［４］采用支持向量机构建数据和任务并行化的故障诊断模型，实现对电能计量装置运行异常特征㊁故障状态的在线实时监测㊂文献［５］基于电能表㊁电压互感器和电流互感器的历史故障㊁运行环境等数据，组建不同的评价指标，将模糊分析法与层次分析法相结合㊁对计量装置的运行状态进行评估㊂文献［６］使用营销系统数据和计量生产调度平台数据等参数，对电能表进行不同影响因素下的基础测试，并以此建立评估模型对电能表进行状态评估㊂虽然上述方法均在一定程度上实现了计量装置的远程运行状态监测［７］，但由于未结合时序数据加以分析，导致监测效果并不理想㊂针对上述问题，本文提出了基于樽海鞘群优化调参的计量装置状态识别模型㊂１㊀整体过程描述为了及时准确识别在电能计量装置的运行状态，本文构建了基于樽海鞘群优化网络模型的计量装置状态识别方法㊂模型整体流程如图１所示㊂用电信息采集系统数据库计量装置状态样本集状态特征数据序列与调整因子基于损失函数进行反馈调参反馈优化优化后的参数固定参数，输出计量装置状态识别模型准确率是否达到阈值输出计是装置状态识别模型6.采用验证集对模型进行验证5.当损失函数低于阈值时4.利用樽海鞘群算法优化模型调参过程3.采用L S T M 构建计量装置状态识别模型2.采用小波分解曲线特征数据1.获取电能计量装置状态的样本数据是否图１㊀系统结构框图Ｆｉｇ．１㊀Ｓｔｒｕｃｔｕｒｅｄｉａｇｒａｍｏｆｔｈｅｓｙｓｔｅｍ㊀㊀本文首先利用小波分解对样本集的数据进行分解，然后对分解出的高低频数据特征作为计量装置状态的关联时序特征，分析其与运行年限㊁生产厂家㊁状态数据㊁运行环境等影响因素间的相关性，构建相应的运行年限㊁生产厂家和运行环境调整因子㊂将小波分解后的状态关联时序特征与调整因子作为长短期记忆网络输入，而后利用长短期记忆网络（ＬＳＴＭ）进行计量装置状态分类，输出分类结果，基于输出结果与真实结果构建交叉熵损失函数，并根据损失函数进行反馈调参，再采用樽海鞘群算法优化模型的调参过程，以提升调参速度与识别精准性㊂２㊀基于樽海鞘群优化调参的计量装置状态识别模型㊀㊀本文针对电能计量装置包含的电能表㊁电压互感器㊁电流互感器进行远程运行状态监测，异常状态主要针对远程数据可表征的电能表计量异常㊁电能表损坏㊁互感器损坏［８］㊂通过用电信息采集系统的数据库获取涉及电能计量装置状态的样本数据，加以汇总整理后进行数据预处理，构建计量装置状态样本集，然后按照７０％㊁２０％和１０％比例分为训练样本集㊁验证样本集和测试样本集㊂电能计量装置状态数据的主要特征包括电压㊁电流㊁用电量㊁相位㊁开关量㊁运行时间㊁运行环境数据等㊂２．１㊀基于小波分解的特征提取与分析针对上述样本集数据的电压㊁电流㊁用电量等曲线特征，采用小波分解［９］算法中的ｗａｖｅｄｅｃ函数将特征数据进行Ｄ层小波分解，获取小波分解系数矩阵Ｃ和矩阵内系数的个数Ｌ：［Ｃ，Ｌ］＝ｗａｖｅｄｅｃ（Ａ，Ｍ，＇ｓｙｍ４＇）（１）㊀㊀其中，Ａ为输入的特征数据；Ｍ为分解层数；Ｃ为小波分解系数；ｓｙｍ４表示小波变换方式；Ｌ为小波分解系数的个数，即矩阵内系数的个数㊂如经过３层小波分解后，共包含４个高低频特征，分别是：１个低频近似特征值和３个高频细节特征值㊂根据分解出的数据特征结合计量装置样本状态㊁运行年限㊁生产厂家㊁状态数据㊁运行环境等与计量装置样本状态的相关性，构建相应的运行年限㊁生产厂家和运行环境调整因子Ｋ㊂２．２㊀构建计量装置状态识别模型本次电能计量装置的运行状态分为正常状态㊁注意状态和异常状态㊂采用ＬＳＴＭ算法构建计量装置状态识别模型，将小波分解后的状态特征数据序列与调整因子Ｋ作为长短期记忆网络的输入，根据ＬＳＴＭ算法中门控装置的３个控制门（输入门㊁遗忘门和输出门）来实现对输入样本集数据的识别和计量装置状态的判别㊂３个控制门控㊁记忆信息及输出判别的数据处理过程可阐释分述如下㊂（１）更新忘记门输出为：ｆ（ｔ）＝σ（Ｗｆｈ（ｔ－１）＋Ｕｆｘ（ｔ）＋ｂｆ）（２）㊀㊀更新输入门２部分输出为：ｉ（ｔ）＝σ（Ｗｉｈ（ｔ－１）＋Ｕｉｘ（ｔ）＋ｂｉ）（３）ａ（ｔ）＝ｔａｎｈ（Ｗａｈ（ｔ－１）＋Ｕａｘ（ｔ）＋ｂａ）（４）㊀㊀（２）记忆信息状态为：Ｃ（ｔ）＝Ｃ（ｔ－１）☉ｆ（ｔ）＋ｉ（ｔ）☉ａ（ｔ）（５）㊀㊀（３）更新输出门输出为：ｏ（ｔ）＝σ（Ｗｏｈ（ｔ－１）＋Ｕｏｘ（ｔ）＋ｂｏ）（６）ｈ（ｔ）＝ｏ（ｔ）☉ｔａｎｈ（Ｃ（ｔ））（７）㊀㊀更新当前样本的计量装置状态判别预测输出为：ｙ（ｔ）＝σ（Ｖｈ（ｔ）＋ｃ）（８）㊀㊀其中，Ｗｆ㊁Ｗｉ㊁Ｗａ㊁Ｗｏ与Ｕｆ㊁Ｕｉ㊁Ｕａ㊁Ｕｏ分别为输６１２智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀入的隐藏层和输入样本的权重参数；ｔ－１为上一神经单元；ｔ为当前ＬＳＴＭ神经单元；ｂｆ㊁ｂｉ㊁ｂａ㊁ｂｏ为偏移量参数㊂将Ｓｏｆｔｍａｘ函数作为ＬＳＴＭ神经单元网络训练的最后一层，在经过门控装置的训练后会输出样本状态类别预测概率值，再利用多分类交叉熵损失函数计算出样本数据的期望输出预测概率值和实际输出概率的误差㊁即损失，Ｓｏｆｔｍａｘ函数定义如下：Ｓｏｆｔｍａｘ（ｙｉ）＝ｅｙｉðＣｃ＝１ｅｙｃ（９）㊀㊀其中，ｙｉ为样本计量装置状态判别的预测输出值，Ｃ为分类的类别个数㊂基于输出结果与真实结果构建交叉熵损失函数，交叉熵损失函数定义如下：Ｈ（Ｐ，Ｔ）＝－ðＣ１ｐｌｏｇ（Ｔ）（１０）㊀㊀其中，Ｐ为样本的实际状态类别；Ｔ为模型的判别输出；Ｃ为分类的类别个数，这里，Ｔ＝［ｓｏｆｔｍａｘ（ｙ１），ｓｏｆｔｍａｘ（ｙ２）， ，ｓｏｆｔｍａｘ（ｙｉ＝ｎ）］㊂根据损失函数构建梯度反馈函数进行调参，采用樽海鞘群算法［１０］提升ＬＳＴＭ网络的调参速度与精准性㊂樽海鞘群算法（ｓａｌｐｓｗａｒｍａｌｇｏｒｉｔｈｍ，ＳＳＡ）对一个Ｄ维空间进行寻优搜索，樽海鞘种群的个体数为Ｎ，樽海鞘种群的位置向量可由矩阵Ｘ表示：Ｘ＝ｘ１１ｘ２１ ｘＮ１ｘ１２ｘ２２ ｘＮ２︙︙ ︙ｘ１Ｄｘ２Ｄ ｘＮＤéëêêêêêêùûúúúúúú（１１）㊀㊀食物的位置是所有樽海鞘个体的目标位置，樽海鞘个体领导者的位置根据食物的位置进行更新，其位置更新公式为：ｘ１ｄ＝Ｆｄ＋ｃ１（（ｕｂｄ－ｌｂｄ）ｃ２＋ｌｂｄ），ｃ３ȡ０．５Ｆｄ－ｃ１（（ｕｂｄ－ｌｂｄ）ｃ２＋ｌｂｄ），ｃ３＜０．５{（１２）其中，ｘ１ｄ为樽海鞘种群领导者位置向量的第ｄ维度的分量；Ｆｄ为第ｄ维空间食物的位置；ｕｂｄ，ｌｂｄ分别表示第ｄ维空间樽海鞘个体位置的上限值和下限值，二者均为向量㊂ｃ２，ｃ３为区间［０，１］上的随机数；ｃ２决定当前搜索的步长；ｃ３决定第ｄ维空间当前搜索的方向；ｃ１为樽海鞘群算法中的收敛因子，其定义如下：ｃ１＝２ｅ－（４ｌＬ）２（１３）㊀㊀其中，ｌ为当前迭代次数，Ｌ为最大迭代次数㊂ｃ１在搜索前期值较大，便于全局寻优，迅速确定全局最优点；在搜索后期值变小，起到局部开发的作用㊂ｃ１起到平衡全局探索和局部开发的作用，是樽海鞘群算法中最重要的参数㊂樽海鞘种群追随者的位置移动规律，在求解过程中的时间就是迭代过程，设每次迭代过程中的时间ｔ＝１，每次迭代的初速度ｖ０＝０，表示为：ｘｊｄ（ｌ）＝１２［ｘｊｄ（ｌ－１）＋ｘｊ－１ｄ（ｌ）］（１４）㊀㊀式（１２）和式（１４）描述了整个樽海鞘群体内部的移动机制㊂利用樽海鞘群算法寻找计量装置状态识别模型的最优参数的流程如下：（１）初始化参数㊂根据搜索空间每一维的上界与下界，初始化一个规模为ＤˑＮ的樽海鞘群，Ｄ表示参数个数，ｄɪ［１，２， ，Ｄ］，在每一维空间中分别生成包含Ｎ个个体的随机种群Ｘ，根据樽海鞘群算法，计算每个解ｘｊ（ｊ＝１，２， ，Ｎ）的初始适应度，适应度为模型识别类别判别概率的提升，即参数θｄ为ｘｉ时，相比于当前θｄ值，其Ｓｏｆｔｍａｘ（ｙｘｊｉ）概率值提升，则说明其适应度提升，二进制向量转化为：ｘｊ＝１，㊀ΔＳｏｆｔｍａｘ（ｙｘｊｉ）＞００，㊀其他{（１５）㊀㊀因此，只有对应于１的ｘｊ被取出来表示适应度满足条件，作为备选领导者的参数㊂（２）选定目标位置㊂由于实际调参过程中不知道目标参数的位置，因此，将樽海鞘群按照适应度值进行排序，排在首位的适应度最优的樽海鞘的位置设为当前目标位置㊂（３）选定领导者与追随者㊂选定目标位置后，群体中剩余Ｎ－１个樽海鞘，按照樽海鞘群体的排序，将二进制向量为１的樽海鞘视为领导者，其余樽海鞘视为追随者㊂（４）位置更新㊂先根据式（１２）更新领导者的位置，再根据式（１４）更新追随者的位置㊂（５）计算适应度㊂计算更新后的ΔＳｏｆｔｍａｘ（ｙｘｊｉ）的适应度㊂将更新后的每个解的适应度值与当前目标的适应度值进行比较，若更新后解的适应度值优于当前目标，则以适应度值更优的解的位置作为新的目标位置㊂（６）重复步骤（３） （５），直至达到一定迭代次数或适应度值达到终止门限㊁满足终止条件后，输出当前的解的位置作为目标的估计位置，即返回全局最优解㊂损失函数低于设定阈值后，固定参数，输出计量７１２第１１期郑克刚，等：基于樽海鞘群优化网络模型的计量装置状态识别方法装置状态识别模型，采用验证集对该模型进行验证，验证准确率与召回率达到设定阈值后，输出模型，否则继续进行反馈优化㊂３㊀实验结果与分析实验部分选取测试样本集的数据对该模型的有效性进行测试㊂在本文所提模型中输入测试集中的样本数据，记录其准确率和召回率，同时，将本文算法与ＳＶＭ㊁逻辑回归㊁贝叶斯和ＢＰ神经网络四种算法进行识别性能的对比㊂在测试中，主要采用准确率㊁精确率和召回率三个指标来衡量，各指标定义具体如下㊂（１）准确率ＡＣＣ（ａｃｃｕｒａｃｙ），计算公式为：ＡＣＣ＝ＴＰ＋ＴＮＴＰ＋ＴＮ＋ＦＰ＋ＦＮ（１６）㊀㊀（２）精确率Ｐ（ｐｒｅｃｉｓｉｏｎ）㊂计算公式为：Ｐ＝ＴＰＴＰ＋ＦＰ（１７）㊀㊀（３）召回率Ｒ（ｒｅｃａｌｌ）㊂计算公式为：Ｒ＝ＴＰＴＰ＋ＦＮ（１８）㊀㊀其中，ＴＰ㊁ＴＮ㊁ＦＰ㊁ＦＮ表示的含义见表１㊂表１㊀参数含义Ｔａｂ．１㊀Ｐａｒａｍｅｔｅｒｓｍｅａｎｉｎｇ预测真预测假实际真ＴＰＴＮ实际假ＦＰＦＮ㊀㊀本文所提方法与其他４种算法的性能对比结果见表２㊂表２㊀算法性能对比Ｔａｂ．２㊀Ｐｅｒｆｏｒｍａｎｃｅｃｏｍｐａｒｉｓｏｎｏｆａｌｇｏｒｉｔｈｍ％方法准确率召回率本文方法９３．０５８９．６３ＳＶＭ８２．３６８１．２８逻辑回归８４．１８８３．０７贝叶斯８３．７５８２．４６ＢＰ神经网络８５．１９８４．５３㊀㊀此实验分别对比了各种算法识别的准确率和召回率，可以看到，其他４类算法虽也表现出不错的识别性能，但是本文所提方法的准确率和召回率具有明显的优势㊂实验结果表明，本文采用长短期记忆网络构建计量装置状态识别模型，有效提升了状态识别的准确率和召回率㊂㊀㊀消融实验分别对３组测试数据进行测试，控制变量是采用樽海鞘群算法和不采用樽海鞘群算法，精确度实验结果和时间对比实验结果分别如图２和图３所示㊂其中，时间对比实验是基于当前训练完成后的模型，以测试样本集作为二次训练样本集，将其识别准确度作为目标函数进行二次调参，对比传统反馈调参方式，本文所提的樽海鞘群调参可在更短的时间内完成参数寻优过程，且由精确度对比数据可看出，樽海鞘群调参可基于全局探索跳出一定的局部最优，从而有效提高了模型的识别性能㊂从实验结果图可以看到，３组数据都表现出了同一种趋势，即采用樽海鞘群算法的模型具有更高的精确度和更快的调参速度，上述均表明本文所提计量装置状态识别模型具有良好的性能㊂采用樽海鞘群算法不采用樽海鞘群算法9290888684828090.35%85.68%89.92%84.72%91.05%86.17%精度/%测试数据1测试数据2测试数据3图２㊀精度对比图Ｆｉｇ．２㊀Ａｃｃｕｒａｃｙｃｏｍｐａｒｉｓｏｎｃｈａｒｔ采用樽海鞘群算法不采用樽海鞘群算法10080604020测试数据1测试数据2测试数据3823678347530时间单位/(耗比例%）图３㊀参数调整时间对比图Ｆｉｇ．３㊀Ｒｅｃｏｇｎｉｔｉｏｎｔｉｍｅｃｏｍｐａｒｉｓｏｎｃｈａｒｔ４㊀结束语文中提出了一种基于樽海鞘群优化网络调参的计量装置状态识别模型，首先采用小波分解算法进行曲线特征分解，并构建多因素的影响因子，随后采用ＬＳＴＭ算法构建状态识别模型，基于时序记忆的异常状态识别提高了计量装置状态的识别准确率，并利用樽海鞘群算法提高了模型的调参速度，从而提升了整个异常识别方法的识别效率和准确率，模型具有极高的可用性和可靠性㊂本文计量装置状态识别模型的提出，有效增强了供电公司客户服务部门的数据分析能力，提升了客户服务精益化管理水平㊂８１２智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀参考文献［１］程瑛颖，杨华潇，肖冀，等．电能计量装置运行误差分析及状态评价方法研究［Ｊ］．电工电能新技术，２０１４，３３（５）：７６－８０．［２］刘春雨，刘自发，罗群，等．电能计量装置健康度的综合评估与趋势预测方法［Ｊ］．电力系统保护与控制，２０１８，４６（２４）：４７－５３．［３］朱东花．关于电力计量装置异常原因及监测方法的探讨［Ｊ］．电子测试，２０１８（１３）：１０５－１０６．［４］王艳芹，王松，李大兴，等．一种关口电能计量装置智能故障诊断及预警技术［Ｊ］．电力科学与技术学报，２０１９，３４（３）：１０１－１０７．［５］ＺＨＡＮＧＤｉｎｇｑｕ，ＬＩＮＧｕｏｙｉｎｇ，ＳＯＮＧＱｉａｎｇ．Ａｐｐｌｉｃａｔｉｏｎｏｆｓｔａｔｅｅｖａｌｕａｔｉｏｎｏｆｅｌｅｃｔｒｉｃｅｎｅｒｇｙｍｅｔｅｒｉｄｅｖｉｃｅ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆ２０１７１３ｔｈＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＥｌｅｃｔｒｏｎｉｃＭｅａｓｕｒｅｍｅｎｔ＆Ｉｎｓｔｒｕｍｅｎｔｓ（ＩＣＥＭＩ）．ＩｎｓｔｉｔｕｔｅｏｆＥｌｅｃｔｒｉｃａｌａｎｄＥｌｅｃｔｒｏｎｉｃｓＥｎｇｉｎｅｅｒｓ．Ｙａｎｇｚｈｏｕ，Ｃｈｉｎａ：ＩＥＥＥ，２０１７：５４２－５４７．［６］ＣＨＥＮＸｉａｎｇｑｕｎ，ＨＵＡＮＧＲｕｉ，ＳＨＥＮＬｉｍａｎ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｏｐｅｒａｔｉｏｎａｓｓｅｓｓｍｅｎｔｍｅｔｈｏｄｆｏｒｅｎｅｒｇｙｍｅｔｅｒ［Ｃ］／／ＩＯＰＣｏｎｆｅｒｅｎｃｅＳｅｒｉｅｓ：ＥａｒｔｈａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅ．Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ：ＩＯＰ，２０１８，１２８：０１２０５２．［７］刘会生．电能计量装置异常接线自动校验系统［Ｄ］．太原：太原理工大学，２００８．［８］张英，秦涛，程昱舒．一种新的数字电能表校验仪设计［Ｊ］．现代电子技术，２０１４（１３）：９９－１０１．［９］张振中，郭傅傲，刘大明，等．基于最大互信息系数和小波分解的多模型集成短期负荷预测［Ｊ］．计算机应用与软件，２０２１，３８（５）：８２－８７．［１０］陈连兴，牟永敏．一种改进的樽海鞘群算法［Ｊ］．计算机应用研究，２０２１，３８（６）：１６４８－１６５２．９１２第１１期郑克刚，等：基于樽海鞘群优化网络模型的计量装置状态识别方法。
基于神经网络的航空发动机状态预测
基于神经网络的航空发动机状态预测一、引言航空发动机是飞机的动力源，对于航空工业来说十分重要；发动机的状态，如寿命和可靠性等，直接影响着飞机的正常运行和维护保养成本。
因此，发动机状态预测技术的研究具有重要的现实意义。
传统的基于物理模型的状态预测方法需要解决较为复杂的数学方程组，受到先验知识的限制，因此预测结果不够准确。
而基于神经网络的状态预测方法则可以避免这些问题，具有更高的预测精度和更好的泛化能力。
本文主要探讨基于神经网络的航空发动机状态预测技术。
二、神经网络概述神经网络是模拟生物神经元网络的工具，以计算并行处理和存储信息。
神经网络有上百种模型，但是它们都包含了相同的基本构造要素，即神经元、连接和层次结构。
神经元是神经网络的核心，它是人工建立的基于生物神经元的模型，接收神经网络的输入，经过一些处理过程后将输出信号发送给其他神经元。
连接是神经元之间传送信息的通道，它们具有不同的权值，权值的不同决定了信号的传递强弱。
每个神经网络都有一个或多个层，当神经元被组合成层时，每个层接受其他层的信息并进行处理。
神经网络的学习方式和生物神经网络相同，通过改变神经元之间的连接权值来学习、识别和分类数据。
神经网络的学习分为监督学习、非监督学习和强化学习三种方式。
三、发动机状态预测基础发动机状态预测是通过收集和分析发动机运行数据来预测发动机运行状态，并根据预测结果采取相应的维护策略，降低运营成本和维修费用。
常见的发动机状态参数包括振动、震动、油耗、温度、压力等。
在发动机状态预测和诊断方面，传统的方法主要基于物理模型或基于经验模型，但这些方法在解决非线性和复杂问题方面存在局限性。
人们也试图使用统计学和机器学习技术解决这些问题。
四、基于神经网络的发动机状态预测神经网络的强大特性是对非线性问题进行建模和预测，可以更准确和有效地预测复杂系统的运行状态。
神经网络方法首先收集到大量的训练数据集，然后使用神经网络对数据进行训练，以建立输入和输出之间的映射关系。
航空发动机状态趋势监控方法
航空发动机状态趋势监控方法
航空发动机状态趋势监控方法是指通过对航空发动机的数据进行分析和监测，以发现
和预测发动机可能存在的异常状态或故障，并及时采取措施进行修复或替换，以确保飞行
安全和航班正常运行。
下面将介绍一种航空发动机状态趋势监控方法。
为了进行发动机状态趋势监控，需要收集并记录航空发动机的数据。
这些数据包括发
动机运行时的参数，如转速、温度、压力等，以及航班时间、飞行速度等相关参数。
这些
数据可以通过发动机传感器、数据记录仪等设备收集和记录。
对收集到的数据进行分析和处理。
可以使用数据挖掘和机器学习技术，对数据进行模
式识别和异常检测，以发现发动机运行中存在的异常或趋势变化。
常用的方法有聚类分析、回归分析、支持向量机等。
接下来，根据数据分析的结果，进行发动机状态判断和预测。
根据发动机的运行参数
和历史数据，可以建立发动机状态模型，通过模型预测发动机可能的状态。
当发动机状态
趋于异常或预测可能出现故障时，系统会发出警报并通知相关人员进行检修或维护。
为了提高发动机状态监控的准确性和可靠性，还可以引入大数据分析和人工智能技术。
可以将多个航空公司的发动机数据进行聚合和分析，构建全局的发动机状态模型，并利用
人工智能算法进行状态趋势的预测和故障诊断。
需要不断改进和更新发动机状态监控方法。
随着航空技术的不断发展和进步，新型发
动机的出现和智能化技术的应用，发动机状态监控方法也需要不断适应新的需求和挑战，
不断改进和优化。
航空发动机状态趋势监控方法
航空发动机状态趋势监控方法航空发动机的状态趋势监控非常重要，能够提前发现潜在故障并采取相应的维修措施，从而保证航空安全和飞机正常运行。
本文将介绍一种航空发动机状态趋势监控的方法。
1. 数据采集：首先需要采集航空发动机的各项传感器数据，包括温度、压力、转速等参数。
这些数据可以通过航空发动机自身的传感器或外部监测系统来获取。
2. 数据处理：采集到的传感器数据需要进行预处理，包括数据校验、数据清洗和数据格式转换等操作。
校验可以排除采集过程中的传感器故障或数据异常，清洗可以去除噪声干扰，格式转换可以将数据转化为统一的格式，方便后续分析处理。
3. 特征提取：从处理后的数据中提取有代表性的特征。
这些特征可以是某一指标的平均值、最大值、最小值，也可以是一组指标之间的相对关系等。
特征提取需要考虑航空发动机的运行特点以及故障模式，选择能够反映发动机状态变化的关键特征。
4. 趋势分析：利用提取到的特征进行状态的趋势分析。
可以使用统计方法、机器学习方法或模型预测方法等进行分析。
统计方法可以通过计算特征间的相关性、周期性或趋势性来分析状态变化，机器学习方法可以通过训练一个分类或回归模型来预测状态的变化，模型预测方法可以基于物理模型或经验模型来估计状态的变化。
5. 故障诊断：根据趋势分析的结果，对发动机的状态进行诊断。
根据不同的故障模式和特征，可以判断发动机是否存在潜在故障，并给出相应的诊断结果。
6. 维修措施：根据故障诊断的结果，采取相应的维修措施。
可以是对故障进行紧急修复，也可以是对潜在故障进行预防性维修，以保证发动机的安全运行。
航空发动机状态趋势监控方法包括数据采集、数据处理、特征提取、趋势分析、故障诊断和维修措施等步骤。
通过这一方法可以实现对航空发动机状态的实时监控和故障预警，从而提高飞机的可靠性和安全性。
航空发动机状态趋势监控方法
航空发动机状态趋势监控方法航空发动机状态趋势监控是一项关键的任务，它能够帮助航空公司和维修团队及时发现并解决潜在的发动机问题，确保航空安全和运营的顺利进行。
本文将介绍一种基于数据分析的航空发动机状态趋势监控方法，包括数据采集、数据清洗、特征提取和异常检测等步骤。
数据采集是发动机状态监控的基础。
航空发动机包含大量传感器，能够实时采集各种参数，如温度、压力、转速等。
这些数据可以通过数据总线传输到地面监控系统，并存储在数据库中。
数据采集的频率和精度需要根据具体的监控需求进行配置，通常是每秒钟采集数百个参数的数值。
然后，对采集到的数据进行清洗和预处理是非常关键的。
发动机参数的采集过程中可能会出现数据缺失、异常值或噪声等问题，需要对数据进行处理，以消除这些问题对后续分析的影响。
数据清洗包括填充缺失值、平滑信号和去除异常值等步骤，以确保数据的质量和准确性。
接下来，对清洗后的数据进行特征提取。
发动机数据通常包含大量的参数，直接使用原始数据进行分析和监控是非常困难的。
需要从原始数据中提取关键特征，以便更好地描述和理解发动机的运行状态。
特征提取可以使用各种统计学和机器学习方法，如均值、方差、相关系数、频谱分析等。
这些特征可以表征发动机的状态、性能和健康状况，有助于后续的异常检测和分析。
利用提取的特征进行异常检测。
异常检测是航空发动机状态监控的核心任务，它能够及时发现发动机运行中的异常情况，如温度过高、压力异常、转速变化等。
异常检测可以基于阈值、统计模型或机器学习方法进行。
阈值方法是最简单和直接的方法，通过与预设的阈值进行比较判断是否异常；统计模型方法基于历史数据建立模型，并将当前数据与模型进行比较判断是否异常；机器学习方法则可以通过学习历史数据中的模式和规律来进行异常检测。
基于知识图谱的航空发动机PHM仿真验证平台设计
计 算 机 测 量 与 控 制 !"#"$!$%!&"! !"#$%&'( )'*+%('#',& - !",&(".!
! #!$#. #
"""""""""""""""""""""""""""""""""""""""""""""""""""""
文章编号%&+% '.-*"#"$#& #$#. #-!!,01%#!%&."&2!3456!%%7'+&"89!"#"$!#&!#'&!!中图分类号:;%*"]""* !!文献标识码)
!%<)MR63 g (99U6@Y>@R@MT3PG@48@T&(@TJC4K64@(3MY@\XJSGP64M&)@6264K!%#%$#'&GP64M$ "<)@6264K(@TJR9M3@Z@MRFT@ g GJ48TJUGJT9<H8Y&)@6264K!%###'%&GP64M$
航空发动机状态趋势监控方法
航空发动机状态趋势监控方法
航空发动机状态趋势监控方法通常是基于发动机各个参数的实时监测和分析。
发动机
状态趋势监控的目的是通过监测和分析，提前发现发动机可能出现的故障和问题，以便在
发动机故障之前采取必要的维修和保养措施，确保航空器的安全运行。
1. 参数监测：需要监测的参数包括发动机的温度、压力、转速、振动等。
这些参数
可以通过传感器实时采集，并传输到监测系统进行分析。
2. 数据采集和存储：发动机参数的实时采集和存储是保证后续分析和判断的基础。
采集到的数据需要进行有效的压缩和存储，以便后续快速的访问和分析。
3. 数据预处理：采集到的数据可能会存在噪声、漂移等问题，需要进行数据预处理，包括滤波、去噪等。
预处理的目的是提高数据质量，减少误判可能。
4. 建立基准模型：基准模型是根据正常发动机运行状态所建立的模型。
通过对正常
运行数据的分析和建模，可以确定基准模型的特征和范围。
5. 异常检测：通过与基准模型进行比对分析，可以检测出参数变化的异常情况。
异
常检测可以使用统计学方法、机器学习方法等。
6. 故障诊断：在检测到异常情况后，需要对问题进行进一步分析和诊断，确定具体
的故障类型和原因。
故障诊断可以使用知识推理、专家系统等方法。
7. 趋势分析：根据监测到的数据和故障诊断结果，可以进行发动机状态的趋势分析。
趋势分析可以识别出发动机性能下降或异常状态的趋势，并提前预警。
8. 预警和维修计划：根据趋势分析的结果，可以判断发动机是否需要维修和保养。
预警和维修计划可以根据预定的规则和策略进行制定。
基于先进人工智能的发动机数据驱动建模方法
基于先进人工智能的发动机数据驱动建模方法基于先进人工智能的发动机数据驱动建模方法引言随着人工智能的发展和应用，越来越多的领域开始关注如何利用人工智能技术来解决实际问题。
在航空领域中，特别是发动机控制与优化方面，基于先进人工智能的数据驱动建模方法成为研究的热点和发展方向。
本文将重点介绍几种常见的基于先进人工智能的发动机数据驱动建模方法。
1. 监督学习方法监督学习是一种基于标注数据进行模型训练和预测的方法。
在发动机数据驱动建模中，监督学习方法可以利用历史的数据，建立一个预测模型，用于估计发动机的性能指标，如寿命、燃油消耗等。
常见的监督学习方法包括线性回归、支持向量机、神经网络等。
2. 无监督学习方法无监督学习是一种未标注数据的建模方法，主要用于聚类、降维等任务。
在发动机数据驱动建模中，无监督学习方法可以通过对发动机数据进行聚类，将相似性高的数据样本分组，并发现隐藏在数据中的模式和结构。
常见的无监督学习方法包括K均值聚类、主成分分析等。
3. 强化学习方法强化学习是一种通过和环境的交互来学习最优策略的方法。
在发动机数据驱动建模中，强化学习方法可以用于优化发动机的控制策略，使其在不同的工况下获得最佳的性能。
常见的强化学习方法包括Q-learning、深度强化学习等。
4. 深度学习方法深度学习是一种以多层神经网络为基础的机器学习方法。
在发动机数据驱动建模中，深度学习方法可以用于特征提取、目标检测等任务，以帮助准确地建立发动机的模型。
常见的深度学习方法包括卷积神经网络、循环神经网络等。
5. 迁移学习方法迁移学习是一种将已学习模型的知识迁移到其他任务中的方法。
在发动机数据驱动建模中，迁移学习方法可以利用已有的发动机数据模型，在新的发动机数据集上进行微调，加速新模型的训练过程。
常见的迁移学习方法包括特征提取迁移、模型微调等。
结论基于先进人工智能的发动机数据驱动建模方法在航空领域中具有广泛的应用前景。
监督学习、无监督学习、强化学习、深度学习和迁移学习等多种方法可以相互结合，为发动机的控制与优化提供更有效的解决方案。
一种基于差异熵赋权法的无人机能力评估方法
一种基于差异熵赋权法的无人机能力评估方法
王岚清;杨刚;原郭文
【期刊名称】《导弹与航天运载技术（中英文）》
【年(卷),期】2024()2
【摘要】在评估无人机性能方面,为有效克服主观性强、对数据过于敏感、计算复杂度高等缺陷,提出无人机“能力”建模方法。
该方法在向上层研究屏蔽无人机异构性和资源多样性的同时保留无人机的个性化重要特征,呈现无人机“能力”以支持上层模型设计和算法设计,从而减轻了上层研究的先验工作量,推进了相关研究的开展。
进一步提出基于无人机“能力”的差异熵赋权法,该方法依据判断矩阵最大特征值所对应的特征向量确定各个特性的相对权重,加权计算得到最终的评估结果,从而有效地对无人机各能力以及综合性能进行相对评估。
试验结果表明:差异熵赋权法在克服主观偏差的同时,增加了指标间横向对比,提升了计算稳定性。
【总页数】9页(P91-99)
【作者】王岚清;杨刚;原郭文
【作者单位】西北工业大学计算机学院
【正文语种】中文
【中图分类】V41
【相关文献】
1.基于AHP-熵权法组合赋权的燃气管网风险评估方法研究
2.基于改进AHP-熵权法的雷达装备可靠性评估指标赋权方法
3.基于AHP-熵权法组合赋权的供水管网安全评估方法
4.基于AHP-熵权法组合赋权的供热管网风险评估方法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
收稿日期 ： ０ １ ４ ６ ０ ２ ０ １ － －
；国家自然科学基金 （ ） ； ） 基金项目 ： 国家自然科学基金委员会与中国民用航空总局联合项目 （ ６ １ ０ ７ ９ ０ １ ３ ６ ０ ９ ３ ９ ０ ０ ３ ） 江苏省自然科学基金 （ Ｂ Ｋ ２ ０ １ １ ７ ３ ７ ， 作者简介 ： 周媛 （ 女， 安徽池州人 ， 讲师 ， 博士生 ， 从事模式识别 、 航空发动机健康管理的研究 ． ９ ８ 于 第ｊ 类 的 隶 属 度 ， ｉ ｊ 表示第
ｊ＝１
， 钟 师 胜、 单晓明等将神经
］ ６ ５ － 目前对发动机 网络用于发动机气路状态监视 ［ ．
∑μ
ｉ ｊ
＝ １； ω ｋ 表示 第ｋ 个 特 征 参 数 对 第ｊ 类 的 ｊ
ｓ
气路参数分析 、 故障诊断与预测 、 寿命管理等关键 技术研究的瓶颈 就 在 于 缺 少 相 关 参 数 数 据 、 故障 数据和发动机模型等 ． 发动机故障中９ ０％ 以 上 是 气路部件故障 ， 所以对发动机气路参数监视是一 个重要课题 ． 常用关键气路参数的偏差值序列如 ： 、 起飞阶段的排气温度裕度 ） 巡航阶 Ｇ ＴＭ（ Ｆ Ｆ（ Ｄ Ｅ 、 、 高 压转子转速偏差 ） 段的燃油流量偏差 ） ＮＨ（ Ｄ
２ ， 左洪福１， 王丽娜２ 周 媛１，
（ １． 南京航空航天大学 民航学院 ， 南京 ２ １ ０ ０ １ ６； ） ２． 南京信息工程大学 电子与信息工程学院 ， 南京 ２ １ ０ ０ ４ ４
摘 要 ： 提出了基于簇特征加权模糊 Ｃ 的航空发动机状态监视模型 ， 该模型主 ＦＷＦ ＣＭ） －均值聚类算法 （ 要分为离线学习和在线监视两个部分 ， 离线学习模块计算 出 模 型 参 数 输 出 到 在 线 监 视 模 块 ， 在线监视模块根 据模型参数对实时数据进行分类 ， 实时数据又输入到离线学习模块中参与更新模型参数 ． 结果表明 ： 相比基于 ， 数据加权策略的模糊聚类算法 （ 以及经典模 糊 Ｃ 该方法平均离线状态识别 ＤＷＦ ＣＭ） ＣＭ） Ｆ －均 值 聚 类 算 法 （ 率和在线状态识别率分别提高了 ５ 实验证明此方法性能好且有很好的鲁棒性和泛化能 力 ， ． ２ ３ ３％ 和 ８ ． ３ ５ ８％． 对于不确定性的航空发动机在线状态监视有较好的应用价值 ． 关 键 词 ： 状态监视 ； 模糊聚类 ； 簇特征加权 ； 鲁棒性 ； 泛化能力 中图分类号 ：Ｖ ３ ７；Ｔ Ｐ ３ ９ １ 文献标志码 ：Ａ
的故障诊断等工作都是在发动机状态监视基础上 进行的 ， 所以发动 机 状 态 监 视 是 发 动 机 健 康 管 理 的一个重要内容 ． 发动机的状态监视主要通过气
２］ ， 有杨征山 路参数监视 、 滑 油 监 视、 振 动 监 视 等［
…， ， 示第ｉ 个样本的第ｋ 个属 性 值 （ 样本 ｉ＝１， ｎ） …， ， 对每类的聚类中心ａ 分为ｃ 类 ， ａ ａ ｋ） １， ｊ＝ （ ｊ ｊ …， ｃ． ｊ＝１， 有目标函数
（ ） ： ／ 文章编号 ： ０ ０ ０ ０ ５ ５ ２ ０ １ ５ ０ ７ ７ ５ ９ ７ ｏ ｉ １ ０． １ ３ ２ ２ ４ ． ｃ ｎ ｋ ｉ ． ａ ｓ ． ２ ０ １ ５． ０ ７． ０ ３ ０ １ ８ １ ０ ｄ － － － ｊ ｊ ｐ
基于簇特征加权的航空发动机状态监视方法
ｃ ｎ ｓ ｍ α ｋ ｉ ｊ ｊ
２ （ ） （ １ ｘ ｉ ｋ） ｋ －ａ ｊ
等提出基于发动机模型的健康参数线性组合的方 法用于健康参 数 估 计 状态监视 、 故障 诊 断
［ ３］
， 薛薇等采用改进的拟合
ｃ
ＪＦＷＦＣＭ ＝
ｊ＝１ ｉ＝１ ｋ＝１
∑ ∑ ∑μ ω
法求取含典型参数的发动机状态模型用于发动机
１ ７ ６ ０
航 空 动 力 学 报
第３ ０卷
文中简称发动机 ） 是飞机的重要 航空发动机 （ 系统 ， 无论从安全角度还是经济角度 ， 其性能直接 影响飞机性能 ． 由于部件退化到一定阈值或者直 接故障都将导致发动机故障 ， 需拆卸维修 ， 对发动 机进行实时状态监视是提高飞机安全性的一种有
７］ ， 这些偏差值序列多 排气 温 度 偏 差 ） 等［ Ｅ Ｇ Ｔ（ Ｄ
权重 ，
ｋ＝１
∑ω
ｋ ｊ
ｍ， ＝１； α 分别表示隶属度指数和权
重指数 ． 基于簇特征加权的 Ｃ － 均值聚类问题表示如下：
ｅ ｒ ｏ ｎ ｉ ｎ ｅ ｃ ｏ ｎ ｄ ｉ ｔ ｉ ｏ ｎ ｍ ｏ ｎ ｉ ｔ ｏ ｒ ｉ ｎ ｍ ｅ ｔ ｈ ｏ ｄ ｂ ａ ｓ ｅ ｄ ｏ ｎ Ａ ｅ － ｇ ｇ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｗ ｅ ｉ ｈ ｔ ｉ ｎ ｇ ｇ
１２ １ ２ ，Ｚ ， ＷＡＮＧ Ｚ ｆ ｎ ＨＯＵ Ｙ ｕ ａ ｎ ＵＯ Ｈ ｏ ｎ ｕ Ｌ ｉ ａ － － ｇ ，
航空动力学报 第３ ０卷 第７期 Ｖ ｏ ｌ ． ３ ０ Ｎ ｏ ． ７ Ｊ Ｊ ０ １ ５年 ７月 ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ａ ｅ ｒ ｏ ｓ ａ ｃ ｅ Ｐ ｏ ｗ ｅ ｒ ｕ ｌ ． ２ ０ １ ５ ２ ｐ
１］ ， 后续 效方法 ， 是视情维修的一个重要组成部分 ［
１ 簇特征加权模糊 Ｃ － 均值聚类算法 （ ＣＭ 算法 ） ＦＷＦ
１ ． １ 算法介绍 设有 ｎ 个 样 本 且 每 个 样 本 都 有ｓ 个 特 征 参
ｓ …， ， 其中ｘ 数， 记为 Ｘ ＝ ｛ ｘ ｘ ｘ ｘ １， ２， ｎ｝ ｉ ∈Ｒ ， ｉ ｋ表
（ １．Ｃ ｏ ｌ ｌ ｅ ｅ ｏ ｆ Ｃ ｉ ｖ ｉ ｌ Ａ ｖ ｉ ａ ｔ ｉ ｏ ｎ， ｇ ，Ｎ ； Ｎ ａ ｎ ｉ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｏ ｆ Ａ ｅ ｒ ｏ ｎ ａ ｕ ｔ ｉ ｃ ｓ ａ ｎ ｄ Ａ ｓ ｔ ｒ ｏ ｎ ａ ｕ ｔ ｉ ｃ ｓ ａ ｎ ｉ ｎ ２ １ ０ ０ １ ６，Ｃ ｈ ｉ ｎ ａ ｊ ｇ ｙ ｊ ｇ ， ２．Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ａ ｎ ｄ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｅ ｎ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ｇ ，Ｎ ） Ｎ ａ ｎ ｉ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ａ ｎ ｉ ｎ ２ １ ０ ０ ４ ４，Ｃ ｈ ｉ ｎ ａ ｊ ｇ ｙ ｇ ｙ ｊ ｇ ：Ａ ｅ ａ ｎ ｓ ｃ ｌ ｕ ｓ ｔ ｅ Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ｍ ｏ ｄ ｅ ｌ ｆ ｏ ｒ ａ ｅ ｒ ｏ ｅ ｎ ｉ ｎ ｅ ｃ ｏ ｎ ｄ ｉ ｔ ｉ ｏ ｎ ｍ ｏ ｎ ｉ ｔ ｏ ｒ ｉ ｎ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｆ ｕ ｚ ｚ Ｃ－ｍ － ｇ ｇ ｙ （ ） ｒ ｒ ｏ ｏ ｓ ｅ ｄ ． Ｔ ｈ ｉ ｓ ｍ ｏ ｄ ｅ ｌ ｉ ｓ ｃ ｏ ｍ－ ｉ ｎ ａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ ｗ ｉ ｔ ｈ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｗ ｅ ｉ ｈ ｔ ｉ ｎ ＦＷＦ ＣＭ ｗ ａ ｓ ｇ ｇ ｐ ｐ ｇ ｇ ： ， ｌ ｏ ａ ｒ ｔ ｓ ｏ ｎ ｅ ｉ ｓ ｏ ｆ ｆ ｌ ｉ ｎ ｅ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ ａ ｒ ｉ ｔ ｅ ｒ ａ ｓ ｅ ｄ ｏ ｆ ｔ ｗ ｏ ｅ ａ ｒ ｎ ｉ ｎ ｍ ｏ ｄ ｕ ｌ ｅ ｉ ｎ ｗ ｈ ｉ ｃ ｈ ｔ ｈ ｅ ｍ ｏ ｄ ｕ ｌ ｅ － － ｅ ｐ ｐ ｐ ｇ ， ， ｔ ｉ ｖ ｅ ｌ ｃ ｏ ｍ ｕ ｔ ｅ ｄ ａ ｎ ｄ ｔ ｈ ｅ ｏ ｔ ｈ ｅ ｒ ｉ ｓ ｏ ｎ ｌ ｉ ｎ ｅ ｏ ｎ ｉ ｔ ｏ ｒ ｉ ｎ ｍ ｏ ｄ ｕ ｌ ｅ ｉ ｎ ｗ ｈ ｉ ｃ ｈ ｔ ｈ ｅ ｒ ｅ ａ ｌ ｔ ｉ ｍ ｅ ｄ ａ ｔ ａ ｃ ａ ｎ －ｍ ｙ ｐ ｇ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ ． Ｔ ｈ ｅ ｎ ｔ ｈ ｅ ｒ ｅ ａ ｌ ｔ ｉ ｍ ｅ ｄ ａ ｔ ａ ａ ｒ ｅ ｉ ｎ ｕ ｔ ｅ ｄ ｉ ｎ ｔ ｏ ｔ ｈ ｅ ｏ ｆ ｆ ｌ ｉ ｎ ｅ ｂ ｅ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｅ ｄ ａ ｃ ｃ ｏ ｒ ｄ ｉ ｎ ｔ ｏ ｔ ｈ ｅ － ｐ ｐ ｇ ， ｍ ｏ ｄ ｕ ｌ ｅ ａ ｎ ｄ ｔ ｈ ｅ ｍ ｏ ｄ ｕ ｌ ｅ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ ａ ｒ ｅ ｕ ｄ ａ ｔ ｅ ｄ ． Ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｈ ｏ ｗ ｓ ｔ ｈ ａ ｔ ｃ ｏ ｍ ａ ｒ ｅ ｄ ｗ ｉ ｔ ｈ ｔ ｈ ｅ ｄ ａ ｔ ａ ｐ ｐ ｐ ｅ ａ ｎ ｓ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｉ ｎ ａ ｌ ｗ ｅ ｉ ｈ ｔ ｅ ｄ ｆ ｕ ｚ ｚ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｉ ｎ ａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ （ ＤＷＦ ＣＭ） ａ ｎ ｄ ｔ ｈ ｅ ｃ ｌ ａ ｓ ｓ ｉ ｃ ｆ ｕ ｚ ｚ Ｃ－ｍ － ｇ ｇ ｙ ｇ ｇ ｙ ， ｏ ｒ ｉ ｔ ｈ ｍ（ Ｆ ＣＭ） ｈ ｅ ａ ｖ ｅ ｒ ａ ｅ ｃ ｏ ｎ ｄ ｉ ｔ ｉ ｏ ｎ ｒ ｅ ｃ ｏ ｎ ｉ ｔ ｉ ｏ ｎ ａ ｃ ｃ ｕ ｒ ａ ｃ ｏ ｆ ｔ ｈ ｅ ｒ ｏ ｏ ｓ ｅ ｄ ｍ ｅ ｔ ｈ ｏ ｄ ｉ ｎ ｏ ｆ ｆ ｔ － ｇ ｇ ｇ ｙ ｐ ｐ ｌ ｉ ｎ ｅ ｍ ｏ ｄ ｕ ｌ ｅ ａ ｎ ｄ ｉ ｎ ｏ ｎ ｌ ｉ ｎ ｅ ｍ ｏ ｄ ｕ ｌ ｅ ｉ ｓ ５ ． ２ ３ ３％ ａ ｎ ｄ ８ ． ３ ５ ８％ ｈ ｉ ｈ ｅ ｒ ｔ ｈ ａ ｎ ｔ ｈ ｅ ｏ ｔ ｈ ｅ ｒ ｔ ｗ ｏ ａ ｌ ｏ － ｇ ｇ ， ｒ ｉ ｔ ｈ ｍ ｓ ｒ ｅ ｓ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ． Ｉ ｔ ｃ ａ ｎ ｂ ｅ ｓ ｈ ｏ ｗ ｎ ｔ ｈ ａ ｔ ｔ ｈ ｅ ＦＷＦ ＣＭ ｗ ｏ ｒ ｋ ｓ ｗ ｅ ｌ ｌ ｆ ｏ ｒ ａ ｅ ｒ ｏ ｅ ｎ ｉ ｎ ｅ ｃ ｏ ｎ ｄ ｉ ｔ ｉ ｏ ｎ ｐ ｙ ｇ ， ｍ ｏ ｎ ｉ ｔ ｏ ｒ ｉ ｎ ｗ ｉ ｔ ｈ ｏ ｏ ｄ ｒ ｅ ｂ ｕ ｓ ｔ ｎ ｅ ｓ ｓ ａ ｎ ｄ ｅ ｎ ｅ ｒ ａ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｈ ａ ｓ ｒ ａ ｃ ｔ ｉ ｃ ａ ｌ ａ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｖ ａ ｌ ｕ ｅ ｆ ｏ ｒ ｇ ｇ ｇ ｐ ｐ ｐ ｕ ｎ ｃ ｅ ｒ ｔ ａ ｉ ｎ ｅ ｄ ａ ｅ ｒ ｏ ｅ ｎ ｉ ｎ ｅ ｃ ｏ ｎ ｄ ｉ ｔ ｉ ｏ ｎ ｍ ｏ ｎ ｉ ｔ ｏ ｒ ｉ ｎ ． ｇ ｇ ；ｃ ； ：ｃ ； Ｋ ｅ ｗ ｏ ｒ ｄ ｓ ｏ ｎ ｄ ｉ ｔ ｉ ｏ ｎ ｍ ｏ ｎ ｉ ｔ ｏ ｒ ｉ ｎ ｆ ｕ ｚ ｚ ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｉ ｎ ｌ ｕ ｓ ｔ ｅ ｒ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｗ ｅ ｉ ｈ ｔ ｉ ｎ ｇ ｇ ｇ ｙ ｇ ｙ ；ｇ ｒ ｏ ｂ ｕ ｓ ｔ ｎ ｅ ｓ ｓ ｅ ｎ ｅ ｒ ａ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎ