基于粗糙集理论的航空发动机故障诊断

在利用神经网络诊断航空发动机故障的过程中,引入粗糙集理论和方法,对故障诊断特征参数属性进行属性约简,剔除其中不必要的属性,从而揭示了故障诊断条件属性内在的冗余性,降低了神经网络构成的复杂性,最后给出了属性约简的结果。     

粗糙集与神经网络在航空发动机气路故障诊断中的应用

提出了一种基于粗糙集理论和神经网络集成的发动机智能故障诊断方法,首先对测量数据进行离散处理,并运用粗糙集理论建立故障决策表,进而约简属性和提取规则,对航空发动机气路部件的几种典型故障进行隔离。然后建立神经网络故障诊断子系统,使用粗糙集处理后的数据计算出发动机气路相关部件的故障程度。最后,还验证了粗糙集神经网络故障诊断系统的抗噪性能。研究表明,该系统能够正确而且高效地诊断出发动机故障的严重程度,并具备良好的抑制噪声的能力。      

基于IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选,降低输入维度;采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化,并对优化的神经网络进行训练;用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法,并且在参选故障诊断的性能参数不同时,其诊断误差相近,展现出较强的适应能力。      

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。     

一种基于蚁群优化的粗糙集属性约简方法

针对基于智能优化算法的属性约简方法存在的问题,在扩张矩阵概念的基础上,将属性约简问题转化为几何路径寻优问题,通过改进最大-最小蚂蚁系统(MMAS)算法,提出了一种基于蚁群优化的粗糙集属性约简方法,给出了相关参数的定义和详细算法流程,在UCI数据集上测试了该算法,结果表明了算法的有效性.     

基于RS-CART决策树的航空发动机小样本故障诊断

针对CART(classification and regression tree)分类决策树构建过程中由于小样本集特征维数高及噪声等造成的过拟合问题,在CART决策树算法训练过程中引入基于互信息的粗糙集(rough sets,RS)属性约简,考虑信息熵与基尼(GINI)系数刻画样本集“纯净度”的相似关系,对历史故障数据进行属性约简,降低属性维度以优化训练集,在此基础上构建分类决策树,可视化输出规则。实验结果表明:将改进的CART决策树算法应用于某型航空发动机油液故障诊断,提取的规则可解释性强,能够减小冗余属性及噪声对决策的影响,与常用故障诊断算法相比,该模型的诊断准确率提升20%左右,AUC(area under curve)值高达92%,可以有效处理高维离散型航空发动机小样本故障问题。     

航空发动机性能参数约简方法研究

对航空发动机进行性能参数约简以提取关键参数,是提高故障识别准确率和可靠度的必要条件,为此提出两种性能参数约简算法.基于灰色聚类算法的参数约简,首先计算参数间的灰色关联度,然后选取聚类中心进行聚类以提取特征参数.基于模糊粗糙集的参数约简,首先利用模糊聚类算法对连续数据进行离散化处理,然后用粗糙集理论进行参数约简.用某型航空发动机实际监测数据进行验证,结果表明:两种方法约简结果一致,以此约简结果进行故障诊断可提高诊断率,缩减运算时间.     

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.      

基于粗糙集-神经网络的机载设备故障诊断方法研究

提出了一种基于粗糙集-神经网络的故障诊断方法。将粗糙集理论同神经网络结合起来可以用于机载设备的故障诊断。采用粗糙集理论对原始故障诊断样本进行处理,并根据条件属性对决策属性的正域的大小来选择条件属性,提取出对诊断故障贡献最大的最小故障特征集,从而确定神经网络的拓扑结构;通过训练神经网络建立故障特征与故障之间的映射关系,实现故障的诊断。通过A320飞机燃油系统的故障诊断仿真实例,表明这种故障诊断方法的有效性。     

基于粗糙集与RBF神经网络的雷达辐射源信号识别研究

针对新体制、新用途雷达辐射源信号难以识别的特点,用粗糙集理论对雷达辐射源信号进行离散化、属性约简、规则提取,达到分类的目的。用粗糙K-均值聚类方法计算径向基神经网络（RBFNN）的聚类中心,然后用粗糙集理论约简得到的规则构建径向基神经网络对未知雷达辐射源信号进行识别。仿真结果表明,这种基于粗糙集与RBF神经网络的识别模型减少了识别冗余特征、简化了神经网络结构,能有效地识别雷达辐射源信号。     

基于粗糙核Fisher鉴别分析的特征提取及其在发动机故障诊断中的应用

将粗糙集理论的属性约简与核Fisher鉴别分析方法结合起来,提出一种基于粗糙核Fisher鉴别分析的故障特征提取方法.首先采用粗糙集理论的属性约简删除与分类无关或关系不大的特征,降低输入特征维数,排除干扰特征的影响,减小了特征提取计算量;再采用核Fisher鉴别分析方法进一步提取非线性特征;最后将该方法应用于航空发动机滑油系统故障特征提取及故障识别中.结果表明:该方法获取的特征在提高分类正确率的同时,还有效地降低了输入特征维数,提高了分类效率,并且对分类器具有较强的适应性和鲁棒性.      

航空发动机故障诊断技术研究

介绍了COMPASS软件和基于粗糙神经网络模型的新型故障诊断技术。对某航空公司运营中的ERJ145飞机双发AE3007发动机进行的故障诊断和研究表明,粗糙神经网络模型在故障诊断中的适用性和可信性很强,能够为航空发动机故障诊断提供有效参考。     

基于改进LS-SVM的航空发动机传感器故障诊断与自适应重构控制

提出了一种基于改进LS-SVM的航空发动机传感器故障诊断与自适应重构控制方法.该方法通过给误差变量赋予不同权值因子提高LS-SVM的鲁棒性,采用修剪算法提高LS-SVM的稀疏性;该方法从某涡扇发动机输入输出空间中建立其正常模型,采用阈值判别法对传感器故障进行实时监视与诊断,并用模型输出值代替故障传感器测量值反馈回闭环控制系统,实现对发动机的自适应重构控制.仿真结果表明,该方法能及时准确地定位故障,并进行有效的自适应重构控制.      

基于变精度粗糙集的航空发动机故障诊断

针对航空发动机故障诊断的实际情况,在分析粗糙集理论缺陷的基础上,引入变精度粗糙集模型对专家给出的样本集进行处理,并将所得到的极小化决策算法用于历史故障样本集的分析,得到了高的识别率,从实践的角度证明了该方法的有效性以及小样本情况下所得决策算法的普适性.      

航空发动机的模糊故障诊断方法研究

提出了一种基于T-S模糊模型的故障诊断方法, 该方法从样本空间提取模糊规则, 在模糊系统参数最优化的同时实现了对模糊系统结构的自适应优化, 并给出了故障判定的阈值确定方法.以某涡扇发动机定检稳态的机载记录数据为依据, 将基于T-S模糊模型的故障诊断方法应用于航空发动机, 研究结果表明, 该方法能准确地判定某涡扇发动机的健康状况, 将其应用于航空发动机故障诊断是可行、有效的.      

航空发动机故障融合诊断研究

结合气路诊断与振动分析方法,建立发动机故障融合诊断模型,探讨气路与振动故障融合诊断方法的可行性。构建故障融合诊断3级体系(故障特征级、故障模式级以及故障决策级融合),实现基于性能参数和振动参数的综合评估方法,获得基于小偏差法的气路故障判据,形成基于动力学分析的振动故障判据,提出故障特征融合的方法,通过算法实现故障融合识别,并在模拟试验器上进行涡轮叶片掉块故障试验验证,获得相应的故障诊断决策。结果表明:设计的发动机故障融合诊断方法合理,算法正确。     

基于GSP仿真和SDAE的航空发动机故障诊断

为了深入研究航空发动机故障机理,提出基于航空燃气涡轮发动机性能仿真软件(GSP)和堆栈降噪自编码器(SDAE)的航空发动机故障诊断方法。通过GSP性能仿真方法模拟发动机在不同设计参数下的部件故障,并得到对应的运行状态参数;从每种故障类型下的长时间序列的状态参数中提取出向量化的曲线特征,构成故障样本;将故障样本带入SDAE模型中进行深度特征提取,经过前向传播和反向微调得到训练好的模型用于发动机故障诊断。结果表明:GSP能够通过参数更改来模拟微弱故障下的状态参数,从而构建多故障样本集;SDAE的重构误差和反向传播误差能够快速收敛到较小值,SDAE的故障诊断正确率为99.5%;与深度信念网络(DBN)、人工神经网络(ANN)以及经典机器学习方法支持向量机(SVM)相比,SDAE的故障分类正确率分别提高了0.8%、6.9%和10.1%。     

基于深度学习的发动机叶片故障检测技术

为了解决航空发动机叶片故障检测中存在的检测精度欠佳、检测效率不高的问题,提出了一种基于深度学习的目标检测方法。针对小样本数据集检测精度低、模型训练速度慢等问题,对Faster R-CNN目标检测算法进行结构优化,引入Res2Net结构,通过分割串联的策略强化残差模块的卷积学习能力,搭建了细粒级的多尺度残差模型Res2Net-50,以提升模型的特征提取能力。同时,在网络的训练过程中,采用多次余弦退火衰减法对学习率进行调整,以加快模型的训练速度,提升模型的训练质量。针对航空发动机叶片裂纹和缺损2种故障类型进行网络训练与检测试验,试验结果表明:优化后的模型识别准确率提高了0.7%,模型的平均检测精度提高了1.8%,训练时间缩短了5.56%,取得了比较好的检测效果。     

涡轴发动机简化实时模型研究

涡轴发动机数控系统传感器故障诊断需机载的发动机数学模型,由于缺乏部件特性数据,根据某型发动机地面试车稳态数据和动态数据,建立涡轴发动机慢车以上状态简化数学模型。该模型具有较好的实时性,稳态模型采用插值算法,动态模型针对不同参数分别采用动态系数法和转子动力学方法。数值仿真结果表明：该简化模型具有较高的动态和稳态精度,可以满足传感器故障诊断的需求。