一种基于Deep-GBM的航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承故障信号难于识别的特点，提出了一种深度梯度提升模型（Deep-GBM）对振动信号特征进行逐层学习以提高分类模型的准确率。开展某型航空发动机中介轴承故障模拟实验，并采用经验模式分解(EMD)方法对采集的振动信号进行分解，提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征。采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别。实验结果表明，所提出的Deep-GBM故障诊断准确率达到87%，相对于传统的机器学习模型准确率最高提升了28%，并具有良好的泛化能力。      

基于决策树的涡轴发动机气路健康评估方法

为解决涡轴发动机退化模式多、故障样本大、分类困难的问题,将梯度提升决策树(GB?DT)算法应用于涡轴发动机气路健康评估.首先对涡轴发动机故障标签进行了拆解,针对每一类标签设计了一个分类器.通过特征重要度排序筛选了6个分类标签的输入特征,有效降低模型复杂度.通过遍历确定树的最优数量和深度,确保了分类的准确性.仿真结果表明...     

改进BA优化的MKSVDD航空发动机工作状态识别

为了提高航空发动机工作状态识别准确率和效率,避免人工识别中存在的误判和耗时耗力问题,提出了基于混沌脉冲蝙蝠算法（CRBA）优化的多核支持向量数据描述（CRBA-MKSVDD）智能识别方法。研究了多核支持向量数据描述（MKSVDD）改进策略,引入混沌脉冲发射率提高了蝙蝠算法（BA）的收敛速度和收敛精度,得到了CRBA;通过CRBA优化MKSVDD的惩罚因子和核参数,同时对飞参数据进行了特征提取;基于特征飞参数据训练了CRBA-MKSVDD分类器,并对某型发动机一个飞行架次的工作状态进行了识别。结果表明,该方法识别准确率达到97.547 9%,可用于与发动机工作状态的相关研究和应用。      

Boosting稀疏最小二乘支持向量回归机及其在推力估计中的应用

为实现航空发动机的直接推力控制代替传统的基于传感器的液压机械式控制,本文使用boosting技术提升最小二乘支持向量回归机的性能设计了推力估计器。在使用boosting的过程中,有两点与传统方法不同：（1）为了在建立稀疏最小二乘支持向量回归机的时候使数值计算更稳定,使用无放回抽取;（2）为了实现最小二乘支持向量回归机的稀疏性和降低计算的复杂度,用训练数据集的一个子集来建立最小二乘支持向量回归机,不再使用全部训练数据。仿真实验表明,基于boosting稀疏最小二乘支持向量回归机的推力估计器能够满足直接推力控制的需要,即估计推力相对误差不大于5‰。     

一种民航发动机滚动轴承故障预警方法

为了提前感知滚动轴承故障,避免民用航空发动机非计划维护带来的损失,提出了一种故障预警方法.对轴承振动信号进行特征工程,提取其时域和频域特征,引入梯度提升决策树(Gradient boosting decision tree,GBDT)算法,量化了特征重要度;在特征相关性分析的基础上,利用核主成分分析(Kernel pr...     

基于支持向量回归与多核集成的红外成像导引头抗干扰性能评估方法

面对着日益复杂的对抗环境,红外成像导引头的抗干扰性能需要不断提高。如何全面、客观、准确地对红外成像导引头的抗干扰性能进行评估,是一项急需解决的难题。针对传统基于支持向量机的评估方法中单核学习能力的不足,提出了一种基于支持向量回归与多核集成的评估方法,该方法在抗干扰评估指标体系下得到了综合的抗干扰性能值,为红外成像导引头抗干扰性能评估提供了新的思路。该方法能够训练多个支持向量回归机并融合多个核函数的优势,充分利用了特征的多样性,进一步降低了回归误差。实验结果表明:该算法能够实现高效可靠的红外成像导引头抗干扰性能评估。     

涡喷七乙发动机加力筒体烧蚀故障分析及预防措施

分析了某型飞机的涡喷七乙发动机加力筒体烧蚀故障情况,对故障机总体及外圈加力总管和加力简体进行了检查,并对故障机进行了台架试车及故障再现试验,确定了故障机加力简体烧蚀烧穿的直接原因是外圈加力总管严重变形,提出了预防故障的措施和建议。     

Evaluating the statistical performance of less applied algorithms in classification of worldview-3 imagery data in an urbanized landscape

In recent decade, analyzing the remotely sensed imagery is considered as one of the most common and widely used procedures in the environmental studies. In this case, supervised image classification techniques play a central role. Hence, taking a high resolution Worldview-3 over a mixed urbanized landscape in Iran, three less applied image classification methods including Bagged CART, Stochastic gradient boosting model and Neural network with feature extraction were tested and compared with two prevalent methods: random forest and support vector machine with linear kernel. To do so, each method was run ten time and three validation techniques was used to estimate the accuracy statistics consist of cross validation, independent validation and validation with total of train data. Moreover, using ANOVA and Tukey test, statistical difference significance between the classification methods was significantly surveyed. In general, the results showed that random forest with marginal difference compared to Bagged CART and stochastic gradient boosting model is the best performing method whilst based on independent validation there was no significant difference between the performances of classification methods. It should be finally noted that neural network with feature extraction and linear support vector machine had better processing speed than other.     

基于近邻传播聚类的航空电子部件LMK诊断模型

针对小样本条件下,航空电子部件功能模块故障诊断精度不高的问题,将局部多核学习（LMKL）算法的多分辨率解释与局部特征自适应表示能力和超限学习机（ELM）运算高效的特点相结合,提出一种新的局部聚类MK-ELM（LCMKELM）诊断模型。通过引入近邻传播（AP）聚类,在挖掘训练样本局部特征信息的同时,有效约减了局部算法的计算复杂性,避免了过学习问题的出现;通过分别分析输入空间与特征空间的聚类特征,构造了相应的2种选通函数M₁、M₂,以优化选通函数的模型参数取代优化局部权重,有效解决了核超限学习机（KELM）的对偶优化形式关于局部权重二次非凸的问题。将本文模型应用于某型机旋转变压器激励发生电路功能模块故障诊断,结果表明:相比于4种常用的多核诊断算法,模型在实现低漏警、低虚警的同时,采用M₁选通函数的诊断算法将诊断精度平均提升了3.80%,采用M₂选通函数的诊断算法将诊断精度平均提升了5.98%。同时,模型在实现与流行的LMKL算法相近的训练时间的同时,测试时间更短。