一种可用于航空发动机健康状态预测的动态集成极端学习机模型

提出一种动态集成极端学习机模型用于航空发动机健康状态预测.采用AdaBoost.RT集成学习算法对极端学习机（ELM）进行集成,在训练时采用每个训练样本的近邻样本对ELM的局域性能进行评估;在预测时首先确定新样本在训练样本集中的近邻样本,然后根据ELM在近邻样本上的性能来赋予集成权值实现弱学习机的动态集成.以燃油流量为指标进行航空发动机健康状态预测,动态集成ELM模型短期预测结果的平均相对误差绝对值（MAPE）为3.688%,小于单一ELM模型的3.830%以及静态集成ELM模型的3.719%;长期预测结果中动态集成ELM模型的MAPE为3.075%,小于单一ELM模型的4.355%以及静态集成ELM模型的3.884%.因此动态集成ELM模型更适用于航空发动机健康状态预测.      

基于特征优化与改进KNN的航空发动机故障诊断

为有效解决航空发动机气路故障诊断难题,建立了基于特征优化与改进KNN的航空发动机气路故障诊断模型。利用特征优化算法对发动机故障特征进行处理,包括特征增维与近邻成分分析算法;将特征优化后的特征输入改进KNN算法,建立基于特征优化与改进KNN算法的故障诊断模型;为验证所建立故障诊断模型的准确性,在四台CFM56-7FB发动机数据上进行实验验证,结果表明：基于特征优化与改进KNN算法的故障诊断模型的准确率可达98%以上,能够达到智能诊断的目的。     

航空发动机传感器信号重构的K-ELM方法

针对航空发动机传感器信号重构,提出了评价核极限学习机（K ELM）模型性能的一种快速留一交叉验证方法.结果表明:该方法可以避免原始的留一验证方法N次模型的显式训练,将计算复杂度降低为原来的1/N（N为样本数目）.该算法可以快速准确评价核极限学习机的性能,为核极限学习机确定最优的核参数.      

基于变权重最小二乘法的发动机气路故障诊断

针对航空发动机气路部件故障诊断中存在的严重故障诊断问题,提出基于变权重最小二乘法进行发动机故障诊断.该方法在发动机仿真实验的基础上采用加权最小二乘法进行故障诊断,并对算法进行了改进,根据初期诊断结果对故障权重系数矩阵进行修正,使诊断结果更加合理可信.仿真表明,基于变权重最小二乘法的发动机气路故障诊断能快捷有效地诊断气路部件严重故障.      

结构自适应序贯正则极端学习机时间序列预测及其应用

为提高初始小样本情况下时间序列在线预测的精度,提出了一种结构自适应序贯正则极端学习机(SA-SRELM)。该方法在在线序贯学习阶段,针对不同训练样本规模选择不同的递推方式对输出权值进行更新;同时,在训练样本达到一定规模后,为提高预测模型对系统的动态适应性,在加入新样本的同时对旧样本进行剔除,完成预测模型的训练。利用3种混沌时间序列预测实例对所提方法的有效性进行了验证。最后,将所提方法用于航空发动机排气温度预测中,结果表明该方法相对正则极端学习机(RELM)和序贯正则极端学习机(SRELM)方法具有更好的泛化性能,预测精度分别是二者的约6倍和2倍。     

应用深度核极限学习机的航空发动机部件故障诊断

运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题。为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM)。算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类。这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高。将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具。     

基于集成学习的航空发动机排气温度预测

准确预测排气温度对预知航空发动机未来的工作状态至关重要。然而,传统航空发动机排气温度预测模型存在预测精度有限、对时间序列数据的信息利用率不足等问题。提出了一种多模型集成的航空发动机排气温度预测方法,被集成的子模型包括差分整合移动平均自回归模型、一次指数平滑模型和门控循环单元。对所有子模型的预测序列进行加权集成处理,提出了一种在历史发动机性能参数数据上学习最优权重系数的方法,避免了传统优化算法依赖于初始点的选取且其适用性局限于可微函数等问题。在Cessna-172R型飞机发动机排气温度预测问题中相较子模型准确性更高。     

应用SVM的发动机故障诊断若干问题研究

支持向量机能够克服一般神经网络容易出现的过学习和泛化能力低等不足。提出一种基于支持向量机的航空发动机气路部件故障诊断方法,讨论了支持向量机的核函数选择和参数确定问题,并对"块算法"进行了分析。仿真实验表明,设计的正则化参数和核参数合理,故障分类器具有良好的分类准确性和泛化性能,可以对发动机气路部件的典型故障进行正确诊断。     

基于支持向量机的组合分类方法及应用

为了解决采用神经网络、决策树作为弱分类器的AdaBoost组合分类存在的不足,进一步改善组合分类效果,提出采用支持向量机(SVM)作为弱分类器的一种新的组合分类诊断方法——AdaBoost-SVM。该方法没有采用一个固定的SVM的核参数,而是自适应调整SVM中的核参数,从而得到一组有效的SVM弱分类器。通过对基准数据库的测试及航空发动机故障样本的诊断,结果表明,所提AdaBoost-SVM方法较好地解决了现有的Ada-Boost组合分类方法中存在的弱分类器本身参数选取困难问题及训练轮数的合理选取问题,并具有更好的泛化性能,更适合对分散程度较大、聚类性较差的航空发动机故障样本进行分类。     

基于RDK-ELM 的航空发动机控制系统故障诊断

为保持较高诊断正确率,缩短训练时间,满足航空发动机故障诊断对于实时性和高诊断率的需求,提出1种对深度核极限学习机的简约改进方法。输入数据中随机选取部分数据作为支持向量,结合深度学习网络的多层结构,完成了对输入样本的特征提取,通过核函数实现了高维空间映射分类。数字仿真表明:算法分类正确率高,训练时间短,可应用于航空发动机控制系统的故障诊断。     

基于慢特征密度聚类的气路异常检测方法

在结合核技巧、慢特征分析算法与密度聚类方法的基础上,提出了基于混合核慢特征分析和密度聚类的慢特征密度聚类算法,实现了基于民航发动机气路参数原始值的异常检测。核技巧的引入克服了慢特征分析法处理复杂数据时可能存在的维度爆炸问题,充分利用不同核函数的特点和慢特征分析的优势从气路参数原始值中提取出随时间变化最缓慢的特征作为密度聚类算法的输入,最终筛选出异常值。经实验对比发现,该方法针对某些异常拥有最好的聚类效果和最低的虚警率,尤其是检测可调放气活门系统异常时虚警数量不到样本总数量的0.5%,是一种有效的方法。      

Static Frame Model Validation with Small Samples Solution Using Improved Kernel Density Estimation and Confidence Level Method

An improved method using kernel density estimation (KDE) and confidence level is presented for model validation with small samples. Decision making is a challenging problem because of input uncertainty and only small samples can be used due to the high costs of experimental measurements. However, model validation provides more confidence for decision makers when improving prediction accuracy at the same time. The confidence level method is introduced and the optimum sample variance is determined using a new method in kernel density estimation to increase the credibility of model validation. As a numerical example, the static frame model validation challenge problem presented by Sandia National Laboratories has been chosen. The optimum bandwidth is selected in kernel density estimation in order to build the probability model based on the calibration data. The model assessment is achieved using validation and accreditation experimental data respectively based on the probability model. Finally, the target structure prediction is performed using validated model, which are consistent with the results obtained by other researchers. The results demonstrate that the method using the improved confidence level and kernel density estimation is an effective approach to solve the model validation problem with small samples.     

嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

 针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法。该方法将嵌入维数作为影响状态时间序列预测精度的重?问?以交叉验证误差为评价准则,利用粒子群优化（PSO）进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型。航空发动机排气温度（EGT）预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测。     

基于过程神经网络的航空发动机排气温度预测

从泛函分析的角度出发,将航空发动机排气温度预测问题转换为一种泛函逼近问题.利用过程神经网络对任意连续泛函的逼近能力,提出了一种基于过程神经网络的航空发动机排气温度预测方法.为克服过程神经网络学习速度慢的问题,为其开发了一种基于正交基函数展开的Levenberg-Marquardt学习算法.将所提出的预测方法应用到某型航空发动机的排气温度预测中,取得了满意的结果.      

网络化制造资源状态估计研究——基于主成分分析（PCA）和加权支持向量机（WSVM）

针对网络化制造资源配置受多因素影响,变化趋势复杂,难以用单一预测方法进行有效预测的问题,提出一种新的基于主成分分析和加权支持向量机的智能混合预测模型。模型首先使用主成分分析弱化数据序列波动性,然后借助加权支持向量机在处理小样本和模糊神经系统处理非线性模糊信息的优点,进行趋势预测。研究结果表明,所提出的模型能有效地提高状态估计方案的可行性,为网络化制造资源状态估计的在线实施提供了方便。     

航空发动机燃烧室火焰筒设计验证方法研究

以某型航空发动机燃烧室为物理模型,改进了计算火焰筒流量分配的流阻法,并对其进行验证,结果冷却空气量的相对误差为5．7%;采用多项式拟合法计算了火焰筒燃气总温沿轴向分布。得到了主燃区总温和燃烧室出口总温,并采用燃烧效率法对其进行了验证,二者的相对误差分别为4．4％和1％。结果表明：在初始设计阶段,采用改进的流阻法和多项式拟合法验证火焰筒的沿程空气流量分配和沿程燃气总温合理有效。     

神经网络集成在发动机故障诊断中的应用研究

提出一种基于A daBoost的集成神经网络故障诊断方法,利用多层前向神经网络作为故障弱分类器,通过简单地训练若干个单一神经网络并将其预测结果进行合成,实现了对航空发动机多类故障的诊断。针对一个涡轮喷气发动机气路部件的仿真实验表明,这种方法提高了最终故障分类器的泛化能力,便于工程应用。      

某型军用发动机使用可靠性评估

某型军用航空发动机在实际使用中故障频发,为了寻找制约整机可靠性提高的薄弱环节,提高飞机战备完好性,提出了基于部件系统及其重要性的航空发动机可靠性评估方法。并依据外场故障数据,利用该方法对某型发动机的使用可靠性进行了评估。采用层次分析方法（AnalyticHierarchyProcess,AHP）,建立了具有3层评估指标的整机使用可靠性评估系统。运用数理统计的方法,根据同类型故障的寿命分布模型计算其可靠性指标。运用加权融合的方法获得部件系统及整机的平均故障间隔时间TM,用以评估发动机的使用可靠性,为该型发动机各个部件系统的外场维护及定检时间提供了参考。