基于D-S證據(jù)理論的飛機(jī)空氣制冷機(jī)壽命趨勢分析*

崔建國 ，滑嬌嬌 ，劉海港 ，蔣麗英 ，齊義文

（1.沈陽航空航天大學(xué)自動化學(xué)院，沈陽 110136；2.沈陽飛機(jī)設(shè)計研究所，沈陽 110035）

基于D-S證據(jù)理論的飛機(jī)空氣制冷機(jī)壽命趨勢分析*

崔建國1，滑嬌嬌1，劉海港2，蔣麗英1，齊義文1

（1.沈陽航空航天大學(xué)自動化學(xué)院，沈陽 110136；2.沈陽飛機(jī)設(shè)計研究所，沈陽 110035）

針對飛機(jī)空氣制冷機(jī)的壽命趨勢分析問題，為了提高預(yù)測精度，提出了基于改進(jìn)D-S證據(jù)理論融合的飛機(jī)空氣制冷機(jī)壽命趨勢分析方法。分別采用SVM、BP神經(jīng)網(wǎng)絡(luò)和GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測模型對飛機(jī)空氣制冷機(jī)的壽命進(jìn)行趨勢分析；然后采用改進(jìn)的D-S證據(jù)理論求取每個模型的基本信度值，可使預(yù)測效果好的模型具有更大的信度值；最后通過D-S合成法則對得到的可信度進(jìn)行分析評價并合成，確立最終的組合預(yù)測模型。研究表明，經(jīng)過改進(jìn)的證據(jù)理論融合后的趨勢預(yù)測模型，能很好地實現(xiàn)對飛機(jī)空氣制冷機(jī)的趨勢分析和壽命預(yù)測，該方法有效可行。

D-S證據(jù)理論，空氣制冷機(jī)，壽命，趨勢分析

0 引言

飛機(jī)空氣制冷機(jī)是飛機(jī)空調(diào)系統(tǒng)的關(guān)鍵部件之一［1］，其能否正常運(yùn)作直接影響飛行員以及電子設(shè)備是否處于允許的溫度范圍。一旦空氣制冷機(jī)在飛機(jī)飛行過程中功能失效，某些電子設(shè)備勢必會受到影響，這會直接導(dǎo)致飛機(jī)飛行安全問題。因此，對空氣制冷機(jī)進(jìn)行有效、可靠的趨勢分析及壽命預(yù)測具有重要的現(xiàn)實意義和理論研究價值。

目前，國內(nèi)外有關(guān)空氣制冷機(jī)壽命趨勢分析的方法有很多，諸如灰色理論［2］、神經(jīng)網(wǎng)絡(luò)［3］和支持向量機(jī)等。然而空氣制冷機(jī)的壽命趨勢隨著時刻的變化不斷改變，采用單一的預(yù)測模型很難達(dá)到理想的預(yù)測效果，因此，如何融合單一預(yù)測模型的優(yōu)點來進(jìn)行趨勢分析及預(yù)測成為一個研究熱點。本文引進(jìn)D-S證據(jù)理論融合的思想，對分別采用的支持向量機(jī)（SupportVectorMachine，SVM）、BP神經(jīng)網(wǎng)絡(luò)和廣義回歸神經(jīng)網(wǎng)絡(luò)（Generalized Regression Neural Network，GRNN）3種預(yù)測模型進(jìn)行權(quán)重提取并融合，建立基于D-S證據(jù)理論的融合預(yù)測模型。在此過程中，采用改進(jìn)的方法求取3個模型的基本信度值，可將單一預(yù)測模型的優(yōu)點更大程度的提取出來，從而會使對飛機(jī)空氣制冷機(jī)的壽命預(yù)測效果更加精確。

1 趨勢分析理論的相關(guān)知識

1.1 證據(jù)理論的相關(guān)知識

證據(jù)理論是由Dempster首先提出的，后經(jīng)Shafer進(jìn)行了完善，所以又稱為 D-S（Dempster-Shafer）證據(jù)理論［4-6］。該理論是信息融合領(lǐng)域最常用的一種方法，目前也逐漸被引進(jìn)到趨勢預(yù)測領(lǐng)域中來，它建立在集合論的基礎(chǔ)之上，主要用來解決不確定性問題［7-8］。

對于同一識別框架Θ上的基于不同證據(jù)所得到的信度函數(shù)Beli（i=1，2，…，n），若該n組證據(jù)不完全沖突，即可用D-S合成法則計算得到一個新的信度函數(shù)Bel，此信度函數(shù)可作為在這n組證據(jù)聯(lián)合作用下產(chǎn)生的信度函數(shù)。Bel稱為合成前的信度函數(shù)Beli（i=1，2，…，n）的直和，記為Bel=Bel1⊕Bel2⊕…⊕Beln。

假設(shè)Bel1和Bel2是同一識別框架Θ上的兩個信度函數(shù)，m1和m2分別是其對應(yīng)的基本信度分配，設(shè) m1對應(yīng)的焦點元素為 A1，A2，…，Ap，m2對應(yīng)的焦點元素為 B1，B2，…，Bq，設(shè)，其中 i=1，2，…，p，j=1，2，…，q，則

以上是信度函數(shù)Bel1和Bel2的Dempster合成法則，記為Bel1⊕Bel2。如果待合成的信度函數(shù)多于兩個，則可以采用同樣的方法將前一步的合成結(jié)果與下一個函數(shù)進(jìn)行合成，直到所有函數(shù)合成完畢。

1.2 三種趨勢分析模型相關(guān)知識

1.2.1 SVM模型

SVM在解決小樣本、非線性及高維模式識別的問題上有很大優(yōu)勢，它的基本思想是通過非線性映射，將低維空間的數(shù)據(jù)映射到高維空間，然后做線性回歸。針對回歸預(yù)測問題，設(shè)訓(xùn)練樣本為（xi，yi），xi∈RN，yi∈R，i=1，2，…，N，N 為樣本總數(shù)。通過引入拉格朗日函數(shù)等進(jìn)行一系列轉(zhuǎn)化，將SVM結(jié)構(gòu)風(fēng)險最小化的問題變?yōu)榍蠼馐剑?）中拉格朗日乘子α的最大值問題［9］。

其中，b*為分類閾值，K（xi，yi）為滿足Mercer條件的核函數(shù)。因此，只要選擇適當(dāng)?shù)暮撕瘮?shù)K（xi，yi）（一般采用徑向基核函數(shù)），便可由式（3）進(jìn)行趨勢分析得到預(yù)測結(jié)果。

1.2.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)又稱誤差反向傳播網(wǎng)絡(luò)，它的精髓是將網(wǎng)絡(luò)的輸出和期望輸出的誤差歸結(jié)為權(quán)值的“過錯”，通過反向傳播把誤差“分?jǐn)偂苯o各神經(jīng)元的權(quán)值。BP網(wǎng)絡(luò)的指導(dǎo)思想是權(quán)值的調(diào)整要沿著誤差函數(shù)下降最快的方向——負(fù)梯度方向［10］。

各層神經(jīng)元的網(wǎng)絡(luò)權(quán)重修正如下：

其中，r為層數(shù)，l，t，k 為神經(jīng)元，wtk為連接權(quán)值，α為學(xué)習(xí)步長，δl為誤差修正值。

1.2.3 GRNN神經(jīng)網(wǎng)絡(luò)

GRNN神經(jīng)網(wǎng)絡(luò)是美國學(xué)者Donald F.Specht在1991年提出的，它是徑向基神經(jīng)網(wǎng)絡(luò)的一種［11］。GRNN神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)是非線性回歸分析，非獨(dú)立變量Y相對于獨(dú)立變量x的回歸分析實際上是計算具有最大概率值的y。設(shè)隨機(jī)變量y的聯(lián)合概率密度函數(shù)為f（x，y），已知x的觀測值為X，則y相對于X的回歸，也即條件均值為

2 基于改進(jìn)D-S證據(jù)理論融合的壽命趨勢分析

2.1 改進(jìn)的D-S證據(jù)理論模型

D-S證據(jù)理論的基本思想是決策者根據(jù)n組不同信息在識別框架上產(chǎn)生的不同基本信度分配，并利用合成法則對信度函數(shù)進(jìn)行決策。在飛機(jī)空氣制冷機(jī)的壽命趨勢分析中，為使預(yù)測效果好的模型占更大的權(quán)重，且在單項預(yù)測模型的基礎(chǔ)上進(jìn)一步提高預(yù)測精度，對D-S證據(jù)理論中基本信度值的求解顯得更為重要。本文將不同模型的基本信度值作為改進(jìn)的對象。

文獻(xiàn)［12-13］等將單項預(yù)測模型得到的相對誤差ei作為基礎(chǔ)，并直接通過相對誤差的倒數(shù)求取D-S證據(jù)理論中的基本信度值。但當(dāng)單項預(yù)測模型的相對誤差均較小時，即預(yù)測精度都比較高時，很難直接辨別預(yù)測模型的優(yōu)劣，對后續(xù)融合模型中權(quán)重的提取造成一定的偏差。

本文的改進(jìn)方法通過對相對誤差值進(jìn)行平方后再對其取倒數(shù)來求解基本信度值，這會明顯放大單項預(yù)測模型的好壞程度，從而通過其基本信度值體現(xiàn)出來，為后續(xù)的模型權(quán)重的提取做了充足的準(zhǔn)備。

本模型通過相對誤差的平方的倒數(shù)求取基本信度分配，各焦點元素的基本信度值即為

其中，引入ε的目的是為了避免相對誤差為0時造成的極端值的影響，且

其中，yi為真實值，y?i為預(yù)測值。

2.2 基于改進(jìn)D-S證據(jù)理論的壽命趨勢分析

對飛機(jī)空氣制冷機(jī)進(jìn)行趨勢分析及壽命預(yù)測的具體步驟如下：

步驟1：對采樣數(shù)據(jù)進(jìn)行預(yù)處理，確定SVM、BP神經(jīng)網(wǎng)絡(luò)和GRNN神經(jīng)網(wǎng)絡(luò)3種預(yù)測模型的訓(xùn)練集及測試集，分別通過3種預(yù)測模型對飛機(jī)空氣制冷機(jī)的壽命表征參量進(jìn)行趨勢分析及壽命預(yù)測，設(shè)得到預(yù)測結(jié)果為y?ij（i=1，2，3；j=1，2，…，n），并分別根據(jù)式（7）求解預(yù)測相對誤差eij（i=1，2，3；j=1，2，…，n）。

步驟2：根據(jù)2.1所述的方法求解3種單項預(yù)測模型的基本信度值mi（i=1，2，3）。

步驟3：采用D-S合成法則對3種單項預(yù)測模型的基本信度值進(jìn)行融合，確定融合模型的權(quán)重wj（j=1，2，3），進(jìn)而構(gòu)建基于D-S證據(jù)理論融合的飛機(jī)空氣制冷機(jī)壽命趨勢分析模型。

設(shè)第n個時刻的基于SVM、BP神經(jīng)網(wǎng)絡(luò)和GRNN神經(jīng)網(wǎng)絡(luò)3種單項預(yù)測模型的預(yù)測值分別為y?jn（j=1，2，3），則最終的融合預(yù)測結(jié)果為：

則飛機(jī)空氣制冷機(jī)第n個時刻的預(yù)測值為y?n。

步驟4：將基于改進(jìn)后的D-S證據(jù)理論模型得到的飛機(jī)空氣制冷機(jī)的壽命趨勢分析結(jié)果與基于改進(jìn)前D-S證據(jù)理論模型得到的趨勢分析結(jié)果進(jìn)行對比，驗證改進(jìn)后D-S證據(jù)理論模型的有效性。

3 壽命趨勢試驗研究

3.1 試驗數(shù)據(jù)的獲取

針對某型飛機(jī)空氣制冷機(jī)，依托壽命趨勢分析專用試驗平臺對其進(jìn)行長期試驗?？諝庵评錂C(jī)的工作原理如圖1所示，其中，T1，T2分別為進(jìn)口溫度和出口溫度，P1，P2分別為進(jìn)口壓力和出口壓力。高溫高壓空氣進(jìn)入空氣制冷機(jī)，經(jīng)過冷卻降壓，將低溫低壓的空氣輸出到大氣環(huán)境。本試驗采集信號的頻率為f=0.1Hz，采集到了溫度、壓力、流量、轉(zhuǎn)速等大量表征空氣制冷機(jī)壽命的監(jiān)測數(shù)據(jù)。研究表明，飛機(jī)空氣制冷機(jī)的進(jìn)口溫度T1一般為60±5℃，出口溫度T2為0~10℃，溫度差ΔT=T1-T2。理論上認(rèn)為，當(dāng)溫度差小于46℃時，飛機(jī)空氣制冷機(jī)失效，即到壽。因此，可以把溫度差作為表征空氣制冷機(jī)健康狀態(tài)的參數(shù)。

圖1 空氣制冷機(jī)工作原理圖

3.2 試驗數(shù)據(jù)預(yù)處理

分別對每種表征飛機(jī)空氣制冷機(jī)壽命的參數(shù)選取連續(xù)的6 000組原始數(shù)據(jù)作為樣本。由于試驗時采樣頻率為f=0.1Hz，因此，連續(xù)的60個采樣點代表10min內(nèi)飛機(jī)空氣制冷機(jī)的健康狀態(tài)信息。因此，為了縮小樣本容量便于分析，將6 000組原始數(shù)據(jù)的樣本進(jìn)行平均分組，每組有60組數(shù)據(jù)，共分為100組，分別對每組數(shù)據(jù)的參量分別求取平均值，則預(yù)處理后每個參數(shù)有100組數(shù)據(jù)，每組數(shù)據(jù)代表10min內(nèi)的飛機(jī)空氣制冷機(jī)的健康狀態(tài)信息，將此樣本用于后續(xù)的預(yù)測。則預(yù)處理后的樣本容量為100×11，即包括11個參數(shù)，分別為切向加速度ax、軸向加速度ay、徑向加速度az、轉(zhuǎn)速n、進(jìn)口壓力P1、出口壓力 P2、進(jìn)口溫度 T1、進(jìn)口流量 Q1、出口溫度 T2、出口流量Q2以及溫度差ΔT。部分樣本如表1所示：

表1 某型飛機(jī)空氣制冷機(jī)部分壽命表征參數(shù)監(jiān)測數(shù)據(jù)

由于數(shù)據(jù)各屬性參數(shù)量綱不同，數(shù)量級上存在差異，為得出更加準(zhǔn)確的預(yù)測結(jié)果，根據(jù)式（9）對各參數(shù)數(shù)據(jù)進(jìn)行歸一化。

其中，xmax，xmin分別表示各參數(shù)中數(shù)據(jù)的最大與最小值。

3.3 基于改進(jìn)后D-S證據(jù)理論融合模型的預(yù)測

首先通過SVM、BP神經(jīng)網(wǎng)絡(luò)和GRNN神經(jīng)網(wǎng)絡(luò)3種單項預(yù)測模型分別對飛機(jī)空氣制冷機(jī)進(jìn)行趨勢分析及壽命預(yù)測。將歸一化后的數(shù)據(jù)進(jìn)行分組：前50組作為預(yù)測模型的訓(xùn)練樣本，分別對3種模型進(jìn)行訓(xùn)練；后50組作為測試樣本，對建立的模型進(jìn)行測試。最后將得到的預(yù)測結(jié)果與相對誤差通過Matlab程序分別進(jìn)行保存。

針對上述3種預(yù)測模型所得的相對誤差，由式（6）可得改進(jìn)后3種預(yù)測模型的基本信度值，其中ε取0.000 1。通過D-S合成法則，即通過式（1）對SVM、BP神經(jīng)網(wǎng)絡(luò)和GRNN神經(jīng)網(wǎng)絡(luò)3種預(yù)測模型中50個時刻的測試集數(shù)據(jù)的基本信度值進(jìn)行融合。分別代表基于 SVM、BP神經(jīng)網(wǎng)絡(luò)和GRNN神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果，第一時刻的基本信度值分別為，第二時刻的基本信度值為，根據(jù)式（1）將前兩個時刻的基本信度值進(jìn)行融合，得到前兩個時刻的組合信度值然后用前兩個時刻的組合信度值與第三時刻的基本信度值進(jìn)行第二次融合，得到前3個時刻的組合信度值。以此類推，最終得到3種預(yù)測模型的權(quán)重系數(shù)。SVM預(yù)測模型的權(quán)系數(shù)為w1=0.665 2，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的權(quán)系數(shù)為w2=0.233 4，GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測模型的權(quán)系數(shù)為w3=0.101 4。由式（8）可得到融合后的預(yù)測結(jié)果。

分別將基于SVM、BP神經(jīng)網(wǎng)絡(luò)、GRNN神經(jīng)網(wǎng)絡(luò)和改進(jìn)后D-S證據(jù)理論融合的預(yù)測結(jié)果與實際樣本數(shù)據(jù)繪制如圖2所示，基于4種模型的相對誤差如圖3所示，基于改進(jìn)后D-S證據(jù)理論融合的預(yù)測的平均相對誤差為7.18%。由圖2可以看出，基于SVM、BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)后D-S證據(jù)理論融合的預(yù)測結(jié)果與實際樣本數(shù)據(jù)趨勢基本一致。

圖2 基于改進(jìn)后D-S證據(jù)理論融合的預(yù)測結(jié)果與3種單項模型預(yù)測結(jié)果的比較

圖3 基于改進(jìn)后D-S證據(jù)理論融合的預(yù)測相對誤差與3種單項模型預(yù)測相對誤差的比較

由圖3可得，基于改進(jìn)D-S證據(jù)理論后的預(yù)測模型的預(yù)測效果優(yōu)于SVM、BP神經(jīng)網(wǎng)絡(luò)及GRNN神經(jīng)網(wǎng)絡(luò)3種單項預(yù)測模型的預(yù)測效果。由此可知，采用基于改進(jìn)后的D-S證據(jù)理論融合模型對飛機(jī)空氣制冷機(jī)的壽命預(yù)測效果更加精確。

為了便于對比，將基于改進(jìn)前D-S證據(jù)理論與改進(jìn)后D-S證據(jù)理論的預(yù)測相對誤差對比如圖4所示，即采用式（10）求取單項預(yù)測模型的基本信度值，其中ε同樣取0.000 1。

基于改進(jìn)前的D-S證據(jù)理論融合3種單項預(yù)測模型的預(yù)測結(jié)果平均相對誤差為7.53%，比改進(jìn)后的融合預(yù)測結(jié)果的平均相對誤差大。

圖4 基于改進(jìn)前D-S證據(jù)理論與改進(jìn)后D-S證據(jù)理論預(yù)測相對誤差的比較

由圖4可知，基于改進(jìn)后的D-S證據(jù)理論模型的預(yù)測相對誤差比基于改進(jìn)前D-S證據(jù)理論模型的預(yù)測相對誤差小。因此，證明了基于改進(jìn)D-S證據(jù)理論的合理性與有效性。

為了更直觀地比較每種預(yù)測模型的預(yù)測效果，將基于SVM、BP神經(jīng)網(wǎng)絡(luò)、GRNN神經(jīng)網(wǎng)絡(luò)的3種單項預(yù)測模型的平均相對誤差和基于改進(jìn)前D-S證據(jù)理論與改進(jìn)后D-S證據(jù)理論融合模型的平均相對誤差對比如表2所示。

表2 預(yù)測模型的平均相對誤差（%）

通過表2明顯可得，基于改進(jìn)后的D-S證據(jù)理論模型的平均相對誤差最小，單項預(yù)測模型GRNN的平均相對誤差最大。而且，無論對D-S證據(jù)理論改進(jìn)前還是改進(jìn)后，基于D-S證據(jù)理論的融合模型的平均相對誤差均比單項預(yù)測模型的平均相對誤差小，因此，證明了基于D-S證據(jù)理論的模型可通過融合單項模型的優(yōu)點，得到最優(yōu)結(jié)果。最終可采納基于改進(jìn)的D-S證據(jù)理論融合模型完成對飛機(jī)空氣制冷機(jī)的趨勢分析及壽命預(yù)測問題，并可將其推廣到其他同類的工程應(yīng)用中。

4 結(jié)論

建立了基于SVM、BP神經(jīng)網(wǎng)絡(luò)、GRNN神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，分別對飛機(jī)空氣制冷機(jī)的溫度差參數(shù)進(jìn)行趨勢分析及預(yù)測。通過比較預(yù)測結(jié)果的相對誤差可知，基于SVM的模型和基于BP神經(jīng)網(wǎng)絡(luò)的模型比基于GRNN神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果更好。

提出了將基于SVM、BP神經(jīng)網(wǎng)絡(luò)和GRNN神經(jīng)網(wǎng)絡(luò)3種模型的預(yù)測相對誤差平方的倒數(shù)作為新的基本信度值，對傳統(tǒng)的基本信度值的求解做了改進(jìn)。通過D-S證據(jù)合成法則進(jìn)行單項預(yù)測模型權(quán)重的融合，從而構(gòu)建新的預(yù)測模型。試驗研究表明，基于D-S證據(jù)理論的預(yù)測模型比單一的預(yù)測模型的預(yù)測精度都高，從而為空氣制冷機(jī)的壽命趨勢分析提供了新的方法。

通過對比，可知基于改進(jìn)后的D-S證據(jù)理論模型的預(yù)測相對誤差比基于改進(jìn)前D-S證據(jù)理論模型的預(yù)測相對誤差小，因此，基于改進(jìn)后D-S證據(jù)理論的模型的預(yù)測精度更高，證明了本文方法的合理性與有效性。

［1］林韶寧，夏葵，李軍，等.空氣制冷機(jī)在飛機(jī)空調(diào)系統(tǒng)中的應(yīng)用［J］.流體機(jī)械，2005，32（10）:46-49.

［2］趙然，李東陽，陳明華，等.基于灰色系統(tǒng)理論的加速試驗壽命預(yù)測［J］.四川兵工學(xué)報，2008，29（3）:20-21.

［3］Palacios R，DoshiA，Gupta A，etal.Neural Network Models to DetectAirplane Near-collision Situations［J］.Transportation Planningand Technology，2010，33（3）:237-255.

［4］AliT，Dutta P，Boruah H.A New Combination Rule for Conflict Problem of Dempster-Shafer Evidence Theory［J］.International Journal of Energy，Information and Communications，2012，3（1）:35-40.

［5］ Hong D L，Jing Z，Lin X，et al.Application of DSEvidence Theory in Combined Price Forecasting［C］//Electric Utility Deregulation and Restructuring and Power Technologies，2008.DRPT 2008.Third International Conference on.IEEE，2008:1025-1029.

［6］劉海燕，趙宗貴，劉熹.DS證據(jù)理論中沖突證據(jù)的合成方法［J］.電子科技大學(xué)學(xué)報，2008，37（5）:701-704.

［7］孫奇，楊偉.D-S證據(jù)理論融合改進(jìn)BP網(wǎng)絡(luò)的短期負(fù)荷預(yù)測研究［J］.繼電器，2007，35（7）：61-65.

［8］ Aggarwal P，Bhatt D，Devabhaktuni V.Dempster Shafer NeuralNetwork Algorithm for Land Vehicle Navigation Application［J］，Information Sciences，2013，253：26-33.

［9］張娟.基于證據(jù)理論和支持向量機(jī)的短期負(fù)荷預(yù)測［D］.秦皇島：燕山大學(xué)，2010.

［10］許國根，賈瑛.模式識別與智能計算的MATLAB實現(xiàn)［M］.北京：北京航空航天大學(xué)出版社，2012:41-45.

［11］王小川，史峰，郁磊，等.MATLAB神經(jīng)網(wǎng)絡(luò)43個案例分析［M］.北京：北京航空航天大學(xué)出版社，2013:67-73.

［12］李鵬，顏艷，鄭武軍，等.證據(jù)理論融合量子神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測［J］.電力系統(tǒng)保護(hù)與控制，2010（16）:49-53.

［13］程加堂，張輝，徐紹坤.基于證據(jù)理論的煤礦瓦斯涌出組合預(yù)測［J］.中國安全科學(xué)學(xué)報，2012，22（1）：22-25.

Life Trend Analysisof Aircraft Air Refrigerator Based on D-SEvidence Theory

CUIJian-guo1，HUA Jiao-jiao1，LIUHai-gang2，JIANG Li-ying1，QIYi-wen1
（1.School of Automation，Shenyang Aerospace University，Shenyang 110136，China；2.Shenyang Aircraft Design&Research Institute，Shenyang 110035，China）

For the life trend analysis problem of the aircraft air refrigerator，in order to improve prediction accuracy，an fusion life trend analysismethod based on improved D-S evidence theory is presented.Firstly，Support Vector Machine （SVM），BP neural network and Generalized Regression Neural Network（GRNN）models respectively for the life trend analysis of aircraft air refrigerator are used;then the improved D-S evidence theory to calculate the basic belief values for each model is applied，which can predict the effect of a good valuewith greater reliability and to analyze and evaluate the credibility and composite them through the D-S combination rule;finally，the final combined forecastingmodel is established.The result show that the trend predictionmodel based on the improved evidence theory fusion can realize the trend analysis and life prediction of aircraft air refrigerating very good.Thismethod is effective and feasible.

D-Sevidence theory，aircraftair refrigerator，life，trend analysis

V245.3+43

A

1002-0640（2015）11-0053-05

2014-10-05

2014-11-07

航空科學(xué)基金（2010ZD54012）；國防預(yù)研基金（A0520110023）；國防基礎(chǔ)科研基金（Z052012B002）；遼寧省自然科學(xué)基金資助項目（2014024003）

崔建國（1963- ），男，遼寧沈陽人，博士，教授。研究方向：飛行器健康診斷、預(yù)測與綜合健康管理，仿真技術(shù)與應(yīng)用等。