| 深度置信网络在发动机气路部件性能衰退故障诊断中的应用研究 |
| |
| 引用本文： | 李本威,林学森,杨欣毅,赵勇,宋汉强.深度置信网络在发动机气路部件性能衰退故障诊断中的应用研究[J].推进技术,2016,37(11):2173-2180. |
| |
| 作者姓名： | 李本威 林学森 杨欣毅 赵勇 宋汉强 |
| |
| 作者单位： | 海军航空工程学院飞行器工程系，山东烟台264001,海军航空工程学院飞行器工程系，山东烟台264001,海军航空工程学院飞行器工程系，山东烟台264001,海军航空工程学院研究生管理大队，山东烟台264001,海军航空工程学院研究生管理大队，山东烟台264001 |
| |
| 基金项目： | 国家自然科学基金(51505492)；“泰山学者”建设工程专项经费资助。 |
| |
| 摘 要： | 为提高发动机转动部件性能衰退故障诊断精度,针对传统的浅层网络和支持向量机(SVM)方法在诊断时存在泛化能力欠缺、易产生局部最优解等问题,引入近年来在模式识别领域取得巨大突破,模拟人脑多层结构的深度置信网络(DBN)进行发动机部件性能衰退故障的诊断。为改进深度置信网络性能,提出一种在无监督和有监督训练阶段都可自适应调整权值的改进算法(ad_DBN)。以涡扇发动机为对象,将两种DBN算法与BP,RBF和SVM方法从诊断精度、计算时间、抗噪能力三方面进行综合比较分析。结果表明DBN算法诊断精度明显优于反向传播(BP)神经网络,径向基(RBF)神经网络和支持向量机(SVM)方法,得益于权值的自适应调整,ad_DBN诊断的平均精度高达97.84%,其抗噪声能力也明显优于其他算法,能够提高故障诊断的有效性和可靠性。
|
| 关 键 词： | 深度置信网络 航空发动机 转动部件 故障诊断 |
| 收稿时间： | 2015/7/26 0:00:00 |
| 修稿时间： | 2015/9/18 0:00:00 |
ResearchonApplicationofDeepBeliefNetworksonEngineGas |
| |
| LIBen-wei,LINXue-sen,YANGXin-yi,ZHAOYong and SONGHan-qiang.ResearchonApplicationofDeepBeliefNetworksonEngineGas[J].Journal of Propulsion Technology,2016,37(11):2173-2180. |
| |
| Authors: | LIBen-wei LINXue-sen YANGXin-yi ZHAOYong and SONGHan-qiang |
| |
| Abstract: | Inordertoimprovetheaccuracyofenginerotatingcomponentperformancedegradationdiagno |
| |
| Keywords: | |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《推进技术》浏览原始摘要信息 |
| 点击此处可从《推进技术》下载免费的PDF全文 |
|
