航空发动机性能预测：小波变换与ARIMA模型组合方法

"这篇论文是2008年3月发表在北京航空航天大学学报上的，由李晓白、崔秀伶和郎荣玲三位作者撰写，主要探讨了航空发动机性能参数的预测方法，重点关注如何提高预测精度。文章提出了一个新的组合预测模型，结合小波变换与ARMA和ARIMA模型来提升预测效果。通过仿真实验，该模型在短期和中长期预测中的准确度得到了验证，同时也分析了小波分解层数对预测精度的影响。" 在航空工程领域，发动机性能参数的预测至关重要，因为它直接影响到发动机的维护策略和安全性。传统的预测方法可能无法满足高精度的需求，因此，这篇论文提出了一种创新的预测技术。该技术基于小波变换，这是一种强大的信号处理工具，能将复杂的非平稳信号分解为不同尺度的子序列，揭示出数据内在的多尺度结构。 首先，原始的发动机性能参数数据通过小波变换被分解为多个层次的子序列。每个子序列根据其特性选择合适的预测模型。如果子序列显示出明显的线性趋势，可能会选择ARMA模型，这是一种广泛应用的时间序列分析模型，它结合了自回归和滑动平均两个概念。而如果数据存在非平稳性，即存在趋势变化或季节性，ARIMA模型会被采用，这个模型在ARMA模型基础上加入了差分步骤，可以处理非平稳序列。 然后，对每个子序列独立进行预测，得到的结果会进行合成，以生成最终的预测值。这种方法充分利用了不同模型的优势，实现了对复杂数据流的综合预测，提高了整体预测精度。 论文的仿真部分展示了这种组合预测模型在短期和中长期预测上的优越性。实验结果表明，相比于单一模型，组合模型能够更精确地捕捉到发动机性能参数的变化，从而为视情维修提供更可靠的数据支持。 此外，论文还讨论了小波分解层数对预测精度的影响。分解层数的选择直接影响到数据的细化程度，过少可能丢失重要信息，过多则可能导致噪声放大。通过调整和优化这个参数，可以进一步优化预测效果，找到最佳的预测策略。 这篇研究为航空发动机的性能参数预测提供了新的理论和技术支持，对于提升航空发动机维护的效率和准确性具有重要价值，同时也为其他领域的数据预测问题提供了借鉴。