应用快速多分类SVM的航空发动机故障诊断方法

提出了一种新的快速多分类SVM算法,用于解决大样本情况下航空发动机的多类故障诊断问题。首先,选用层次支持向量机(H-SVM)来实现多类分类,用各类数据中心代表该类数据,通过自组织特征映射神经网络(SOFM)进行聚类,把类中心之间距离较近的数据归为同一个子类进行训练,得到H-SVM层次结构。其次,在训练H-SVM中的二元分类器时,应用相对边界向量(RBV)代替全部训练样本,在保持分类精度几乎不变的条件下大幅度减少了训练样本数,使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短。在分类数据混迭较为严重的情况下,新算法先剔除混迭的异类数据,再计算RBV,并且把与计算的RBV距离小于一定数值的样本都选择来训练SVM,保证了RBV的合理性,防止了关键数据的丢失,有效提高了分类精度。针对一个航空涡喷发动机5类复合故障的分类进行了实例仿真,总的故障分类正确率达到91.2%,二元SVM的训练时间最多只有原来的16.20%;当训练样本总数达到7500的大规模情况下,根据本算法,约减后的样本数量只有原来的3.05%。仿真结果表明,提出的算法有效、可靠,容易实现。     

固体火箭发动机体空间缺陷最大直径矢量特征测量方法

针对固体火箭发动机工业CT(computed tomography)三维扫描数据,从计算时间和测量精度两方面考虑,结合固体火箭发动机内部缺陷体空间数据场的特征,通过改进传统的空间最大距离求解法——擂台法,提出了基于分类种子点法的体空间缺陷最大直径矢量特征测量方法.设计了预置缺陷的固体火箭发动机,经实验验证,相比传统擂台法,该方法能够提高测量精度和缩短计算时间,最大直径及其与轴向锐角夹角的最大测量误差在10%以下,为固体火箭发动机三维可视化故障诊断奠定了基础.      

基于1-DISVM的聚类模型及直升机齿轮箱故障诊断应用

针对当前故障诊断中存在的训练样本少、知识难获取的问题,结合SVM小样本学习的特点,提出一种基于SVM的自学习聚类模型。通过改进无监督1-SVM算法上的不足,形成一种改进决策1-SVM(1-DISVM)算法,由此构建了多模式训练与分类算法,并设计出基于1-DISVM的自学习聚类模型。最后对其进行仿真验证,并应用于直升机齿轮箱的故障诊断,结果表明该方法能从少量样本中自学习输入模式的内在规律,自适应地对未知故障模式进行准确地分类识别。     

基于QPSO算法的压气机特性代理模型优化

考虑到小样本特性数据情况下进行部件特性数据的二维线性插值精度低,提出一种基于量子粒子群优化(QPSO)算法的压气机特性代理模型优化方法。针对原始Kriging模型对其相关模型参数的初始值极度敏感以及易限于局部最优解的缺陷,利用QPSO算法对Kriging的相关模型参数进行全局寻优,克服了基于梯度的模式搜索法对于参数初始值的依赖,经测试该方法具有较好的效率以及稳定性。将该优化模型扩展应用于低压压气机特性代理模型建立与重构。经验证,在小样本特性数据下,基于QPSO的压气机特性Kriging模型仍具有较高精度,应用前景可观。     

基于自适应粒子滤波的涡扇发动机故障诊断

针对涡扇发动机非线性、非高斯的特点,提出了一种自适应的粒子滤波算法用于涡扇发动机气路部件突变故障的诊断.为了减小算法的计算量并且保证滤波精度,分析了滤波精度和样本数目的关系,提出根据滤波过程中状态的方差自适应地调整粒子数,在保证一定的滤波精度下可以有效地减少滤波过程中使用的粒子数,提高了算法的实时性.同时,引入扩展卡尔曼滤波(EKF)用于更新粒子,产生重要概率密度函数,在一定程度上避免了粒子的退化.通过某型涡扇发动机的仿真分析表明:改进的算法相比标准粒子滤波算法用于涡扇发动机气路部件故障诊断时,参数估计的方均根误差减小了50%左右,且算法的计算量减小了30%.     

基于量子粒子群和流形学习的分类方法及其在发动机故障诊断中的应用

针对测量参数存在的非线性、参数间的耦合性以及噪声干扰,将量子粒子群算法引入到流形学习的参数选择中,结合径向基神经网络,提出了一种故障诊断方法。邻域个数和约简维数是流形学习中的关键问题。结果表明:该方法首先利用量子粒子群算法优选邻域个数、约简维数和径向基函数的参数,再利用等距特征映射(ISOMAP)对原始参数进行非线性降维,提取其低维流形特征,从而进行故障分类。结果表明:该方法能够有效地对发动机各种复合故障进行分类,精度达到97.33%,量子粒子群优于基本粒子群优化的分类结果;其分类精度明显优于主元分析(PCA)、核主元分析(KPCA)方法,且有很强的抗噪能力。     

航空发动机部件性能参数融合预测

为了改善目前单独采用基于模型和数据驱动的部件健康参数预测精度,提高数据驱动方法的故障诊断的泛化能力,提出一种自调整决策融合机制,对航空发动机部件性能蜕化在连续蜕化空间进行融合诊断。传感器测量值同时输入到机载自适应模型和数据驱动的诊断模块中,分别利用卡尔曼滤波算法和自适应遗传算法优化的支持向量回归机(AGA-SVR)对主要部件性能进行预测,再利用自调整决策权重的量子粒子群寻优(QPSO)进行决策级融合诊断。以某型涡扇发动机为对象进行气路部件蜕化的仿真研究表明,与单独使用基于模型和数据驱动的诊断方法相比,采用决策融合机制有效地提高了部件故障诊断精度。     

基于综合模糊聚类算法的液体火箭发动机故障诊断

基于液体火箭发动机正常及故障状况数据的完备程度和数据质量的不断提高,提出一种基于数据驱动的综合模糊聚类算法用于故障诊断。采用模糊c均值(FCM)算法对已知正常样本数据进行聚类得到最优的聚类中心,将所得到的聚类中心作为先验样本数据用于传递闭包法最优分类结果的选择从而得到故障检测结果,该算法只需要少量的正常先验样本数据就能快速、准确的检测出故障;随后采用FCM算法进行故障分类,可以根据现有的故障数据库进行聚类得到对应的故障类型,并且可以给出故障幅值范围。模型仿真结果表明:该算法对故障的检测率可达968%,故障隔离率达到94%。某型液体火箭发动机实际试车数据结果表明:该故障诊断算法能够准确及时的检测并隔离出故障。     

基于形态自适应网络的无人机目标跟踪方法

针对无人机影像目标跟踪过程中常出现的目标方向变化、目标遮挡变化、样本多样性不足等问题,提出了一种基于形态自适应网络的无人机航空影像目标跟踪算法。首先使用基于数据驱动的方法对数据集进行扩增,添加了遮挡样本和多旋转角度样本,提高样本多样性;提出的形态自适应网络模型通过旋转不变约束改进深度置信网络,提取强表征能力的深度特征,使得模型能够自动适应目标形态变化,利用深度特征变换算法获取待检测目标的预定位区域,采用基于Q学习算法的搜索机制对目标进行自适应精准定位,使用深度森林分类器提取跟踪目标的类别信息,得到高精度的目标跟踪结果。在多个数据集上进行了对比实验,实验结果表明该算法能够达到较高的跟踪精度,可以适应目标旋转、目标遮挡等形态变化情况,具有较好的准确性和鲁棒性。     

基于WCFSE-FSVM的转子振动故障诊断方法

为了提高含有噪声和野值的转子振动故障样本诊断精度,提出了基于WCFSE-FSVM的故障诊断方法。充分融合小波相关特征尺度熵(WCFSE)特征提取方法和FSVM故障诊断方法的优点,建立WCFSE-FSVM故障诊断模型。基于转子实验台模拟4种典型故障,获得原始故障数据;并利用WCFSE方法提取这些故障数据的WCFSE值,选取故障信号高频段中的尺度1和尺度2上的小波相关特征尺度熵W1和W2构造出振动信号的故障向量作为故障样本,建立FSVM诊断模型。实例分析显示:WCFSE-FSVM方法的转子故障诊断精度最高,即故障类别诊断精度为94.49%,故障严重程度的诊断精度为95.58%,二者都优于其它故障诊断方法。验证了WCFSE-FSVM方法的可行性和有效性。      

基于免疫聚类分析的特征提取及其在发动机故障诊断中的应用

以提高航空发动机故障诊断的快速性和准确性为目的，基于人工免疫理论中的克隆选择算法，结合聚类分析方法，提出了基于免疫聚类分析的故障特征提取方法。该方法通过删除对分类无关的特征以及压缩类间相关特征，得到最有利于分类的子特征集，提高了分类器的分类性能。并且该算法具有本质上的并行性、计算效率高和聚类能力强等优点。多类支持向量机的分类实验表明，经过基于免疫聚类分析提取的特征对发动机的故障具有更好的识别能力，为发动机的状态监测与故障诊断提供了依据。     

基于模糊粗集的航空发动机特征参数提取算法

提取发动机性能状态的特征参数,是提高发动机故障识别正确率和可靠性的必要条件.针对实际航空发动机故障参数所具有的模糊和连续性特点,提出了一种基于模糊粗糙集的特征参数提取算法,并应用到某型航空发动机故障识别.研究结果表明:属性约简的核则为导致发动机故障的特征参数,以此特征参数进行故障诊断,可保证较高的诊断精度;同时,该算法的抗干扰性提高了整个系统故障识别的正确率.该算法可用于航空发动机故障分类、故障诊断以及状态监控.      

Conditional self-attention generative adversarial network with differential evolution algorithm for imbalanced data classification

Imbalanced data classification is an important research topic in real-world applications, like fault diagnosis in an aircraft manufacturing system. The over-sampling method is often used to solve this problem. It generates samples according to the distance between minority data. However, the traditional over-sampling method may change the original data distribution, which is harmful to the classification performance. In this paper, we propose a new method called Conditional Self-Attention Generative Adversarial Network with Differential Evolution (CSAGAN-DE) for imbalanced data classification. The new method aims at improving the classification performance of minority data by enhancing the quality of the generation of minority data. In CSAGAN-DE, the minority data are fed into the self-attention generative adversarial network to approximate the data distribution and create new data for the minority class. Then, the differential evolution algorithm is employed to automatically determine the number of generated minority data for achieving a satisfactory classification performance. Several experiments are conducted to evaluate the performance of the new CSAGAN-DE method. The results show that the new method can efficiently improve the classification performance compared with other related methods.     

发动机故障诊断的主因子模型

提出了发动机故障论断的主因子模型。这是一种基于故障方程的参数诊断方法。主因子模型能够利用较少的测量参数对较多的故障类型进行论断,可以有效地克服故障方程病态的影响,保证诊断结果具有高的精度和信度,并提供诊断结果可靠性的评价信息。文中给出了主因子模型的基本理论、主因子模型的最优实用算法及其算例以及对于JT9D发动机的24个故障样本的验算结果。理论和实际考核表明主因子模型是一种有效的故障诊断方法。     

基于扩展单故障策略的多故障诊断算法

目前存在的测试性分析和故障诊断工具基本都是基于单故障假设,这一假设已经不适用于拥有很多元器件的复杂系统或者在运行过程中很少或不具备维修机会的系统。针对这一问题,研究了有效的基于扩展单故障策略的多故障序贯测试算法。该算法以最优单故障策略为基础,通过应用附加测试来隔离隐藏故障;通过更新故障状态集,重新调用单故障策略来隔离冒充故障。以某型机载电子设备为例给出实例分析,验证了该算法隔离隐藏故障和冒充故障的有效性。     

改进的Kohonen 网络在航空发动机分类故障 诊断中的应用

针对传统Kohonen网络对未知样本识别时的不可辨识性和分类结果不惟一性问题,利用改进的Kohonen网络对航空发动机进行分类故障诊断,并利用混合粒子群优化算法对网络连接权值进行优化,以提高Kohonen网络在分类故障诊断中的通用性和容错能力。对GE90发动机的孔探图像纹理特征识别进行对比。结果表明:改进的Kohonen网络在分类故障诊断中有较强的实用性,分类准确率高于常用神经网络模型和支持向量机的。     

A method for satellite time series anomaly detection based on fast-DTW and improved-KNN

In satellite anomaly detection, there are some problems such as unbalanced sample distribution, fewer fault samples, and unobvious anomaly characteristics. These problems cause the extisted anomaly detection methods are difficult to train accurate classification model, and the accuracy of anomaly detection is hard to improve. At the same time, the monitoring data of satellite has high dimension and is difficult to extract effective features. Based on the DTW over-sampling method, this paper realizes the over-sampling of fault samples in satellite time series, and constructs a distributed and balanced time series data set. The Fast-DTW method is applied to calculate the distance between different time series, which can improve the speed of similarity calculation. KNN (K-Nearest Neighbor) method is applied for classification and the best classification result is obtained by search the optimal hyper-parameters k. The results show that the proposed method has high anomaly detection accuracy and consumes short calculation time.     

基于混合人工鱼群算法的结构有限元模型修正

将模拟退火算法(SAA)与具有交叉和高斯变异的人工鱼群算法(AFSA)相结合,提出了一种基于混合人工鱼群算法(HAFSA)的结构有限元模型修正方法;针对外编有限元模型修正程序直接嵌入Patran/Nas-tran软件存在困难的情况,设计了一种灵巧且方便的接口模块。以试验模型测试数据与有限元模型计算值的向量残差建立目标函数,在基本AFSA中引入交叉和高斯变异算子用于加快全局优化搜索速度,将目标函数优化值不断刷新公告板,再利用SAA进行局部细化搜索从而显著提高优化解的精度,在满足算法终止条件后获得设计参数的最优值;结合Fortran语言和Visual Basic语言编译接口模块,运行模型修正程序时循环修改Patran软件生成的建模文件并反复调用Nastran软件进行求解。以欧洲航空研究科技组织的基准模型——GARTEUR飞机模型为例,修正结果表明,应用HAFSA进行结构有限元模型修正是可行且有效的。     

涡扇发动机故障诊断的快速原型设计

提出一种基于发动机基线模型的面向气路故障诊断的快速原型设计方法.考虑到基于模型的发动机全包线范围的故障诊断方法需要有较高精度的模型,选择合适的换算参数对已有的相似变换参数进行修正,建立适用于全包线的发动机基线模型,设计基于加权最小二乘算法的故障诊断模型,并将其写入至CompactRIO构建了发动机故障诊断的快速原型.通过对某型涡扇发动机试验表明:该种故障诊断的快速原型设计方法是有效的.      

Aero-engine fault diagnosis applying new fast support vector algorithm

A new fast learning algorithm was presented to solve the large-scale support vector machine ( SVM ) training problem of aero-engine fault diagnosis.The relative boundary vectors ( RBVs ) instead of all the original training samples were used for the training of the binary SVM fault classifiers.This pruning strategy decreased the number of final training sample significantly and can keep classification accuracy almost invariable.Accordingly , the training time was shortened to 1 / 20compared with basic SVM classifier.Meanwhile , owing to the reduction of support vector number , the classification time was also reduced.When sample aliasing existed , the aliasing sample points which were not of the same class were eliminated before the relative boundary vectors were computed.Besides , the samples near the relative boundary vectors were selected for SVM training in order to prevent the loss of some key sample points resulted from aliasing.This can improve classification accuracy effectively.A simulation example to classify 5classes of combination fault of aero-engine gas path components was finished and the total fault classification accuracy reached 96.1%.Simulation results show that this fast learning algorithm is effective , reliable and easy to be implemented for engineering application.