| 应用快速多分类SVM的航空发动机故障诊断方法 |
| |
| 引用本文： | 徐启华,师军,耿帅.应用快速多分类SVM的航空发动机故障诊断方法[J].推进技术,2012,33(6):961-967. |
| |
| 作者姓名： | 徐启华 师军 耿帅 |
| |
| 作者单位： | 1. 淮海工学院电子工程学院,江苏连云港,222005
2. 西北工业大学第365研究所,陕西西安,710072 |
| |
| 摘 要： | 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。
|
| 关 键 词： | 航空发动机 支持向量机 故障诊断 大规模训练集 样本约减 神经网络 |
| 收稿时间： | 1/9/2012 12:00:00 AM |
| 修稿时间： | 2012/4/24 0:00:00 |
Aero-Engine Fault Diagnosis by a New Fast Multi-Class Support Vector Algorithm |
| |
| XU Qi-hu,SHI Jun and GENG Shuai.Aero-Engine Fault Diagnosis by a New Fast Multi-Class Support Vector Algorithm[J].Journal of Propulsion Technology,2012,33(6):961-967. |
| |
| Authors: | XU Qi-hu SHI Jun and GENG Shuai |
| |
| Institution: | 1(1.College of Electronic Engineering,Huaihai Institute of Technology,Lianyungang 222005,China; 2.No.365 Institute,Northwestern Polytechnical University,Xi’an 710072,China) |
| |
| Abstract: | |
| |
| Keywords: | Aero-engine Support vector machines Fault diagnosis Large-scale training set Sample pruning Neu- ral networks |
| 本文献已被 CNKI 万方数据 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 |
|
