基于一类辨识的航空发动机故障诊断

在支持向量机理论的基础上，打破了支持向量机的二类辨识传统，引入了基于支持向量机的一类辨识理论，以它为基础设计了基于一类辨识的一类分类器，并将它运用到航空发动机故障诊断中。通过对几种典型故障的分析，证明了该方法的有效性。     

基于支持向量机的航空发动机故障诊断

支持向量机是一种具有完备统计学习理论基础和出色学习性能的新型机器学习方法,它能够较好地克服神经网络容易出现的过学习和泛化能力低等缺陷。提出一种基于支持向量机的航空发动机故障诊断方法,应用该方法成功地对发动机气路部件的几种典型故障进行了正确诊断。在对检验样本施加噪声后,支持向量机构成的故障分类器仍然能够满足发动机故障诊断的要求,表明提出的故障诊断算法具有良好的鲁棒性,可以作为工程应用的基础。      

基于支持向量机的航空发动机辨识模型

针对航空发动机具有强非线性、时变性的特点以及采用常规神经网络辨识时存在的局部较小,过学习等问题,提出了一种基于支持向量机的通用发动机模型辨识方法。该方法基于现代统计学习理论,采用结构风险最小化准则,保证了网络具有很强的推广特性,通过求解凸二次规划确保网络结构全局最优化自动生成。本文采用实测到的发动机飞行记录数据作为训练样本,利用回归型支持向量机建立了发动机的辨识模型,研究结果表明该方法的辨识精度较高,鲁棒性、容错性较好,具有较大的实用价值。      

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。     

航空发动机故障的支持矢量机智能诊断

引入支持矢量机和多元分类算法到航空发动机故障诊断当中。通过设计的多元分类支持矢量机构建了小样本多参数航空发动机故障智能诊断模型，然后通过发动机故障仿真器对典型发动机气路故障进行了诊断。结果表明，支持矢量机具有优秀的故障学习能力，采用它进行航空发动机故障诊断是可行、有效的。     

基于支持向量机的航空发动机整机振动故障诊断技术研究

支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的一种新型机器学习方法,由于它出色的学习分类能力和推广能力,广泛地应用于模式识别和函数拟合中。针对某型航空发动机整机振动过大的现象,提出了一种基于支持向量机（SVM）的整机振动故障诊断方法。首先介绍了SVM理论,然后根据SVM学习方法的结构风险最小化原则,对某型航空发动机已知的整机振动故障模式数据进行了训练和预测,并建立了基于SVM的航空发动机整机振动故障诊断模型。最后通过对已有故障模式进行诊断预测,证明该方法在航空发动机整机振动故障诊断方面具有良好效果。     

支持向量机在航空发动机故障诊断中的应用

提出了一种基于支持向量机的航空发动机故障诊断方法。该方法在利用恰当的工具或方法提取到发动机故障的特征信息之后,采用支持向量机对特征信息与故障模式进行关联,实现故障模式的分类。该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力,将其应用于某型发动机的故障诊断中,取得了较好的效果。该方法尤其对于新型发动机的故障诊断具有一定的参考价值。      

基于支持向量机和信息融合的整机振动状态监视与诊断

将信息融合和支持向量机等智能诊断技术应用于整机振动状态监视与故障诊断领域。采用航空发动机振动信号作为诊断模型的训练样本,使支持向量机能够反映特征向量和故障类型的映射关系,从而成功地诊断了某型发动机的振动故障模式。     

基于SPSO-SVR的融合航空发动机传感器故障诊断

针对航空发动机常见的传感器故障问题, 提出了一种利用改进的粒子群算法训练支持向量回归机, 并利用融合机制将其应用于传感器故障诊断.论述了用一簇支持向量回归机(SVR)预测器对传感器进行实时检测, 通过逻辑判断机制隔离故障传感器, 并且依据剩余的无故障传感器信息实现信号重构.以某型航空发动机传感器在其整个工作范围内受到的冲击、偏置和漂移故障为例, 验证了基于自协调粒子群优化支持向量回归机(SPSO-SVR)算法的融合诊断机制对传感器单一故障和多重故障具有较高的精度和计算效率.      

基于DE-RLSSVM算法的航空发动机传感器故障诊断

为了使约简最小二乘支持向量机(RLSSVM)具有更好的稀疏性和泛化能力,利用微分进化(DE)算法选择RLSSVM的支持向量,提出了DE-RLSSVM算法.在benchmark回归数据集上的仿真试验表明该算法具有很好的稀疏性和泛化能力.然后将该算法用于航空发动机传感器故障的诊断,提出了基于DE-RLSSVM算法的航空发动机传感器故障诊断方法.该方法利用DE-RLSSVM算法对传感器故障进行监测,然后进行定位和隔离.数字仿真结果表明该传感器故障诊断系统能够实现对航空发动机传感器硬故障的检测与隔离.      

基于证据理论的航空发动机早期故障诊断方法

在分析航空发动机早期故障特点和数据融合的基础上,将证据理论应用于发动机故障征兆级别的数据融合中,提出了构造基本信任指派函数的方法,从而得到了更准确的早期故障征兆.在此基础上,应用模糊聚类分析方法,依据最大隶属度原则得到发动机早期故障源.该方法考虑了发动机早期故障征兆不明确、不精确、不肯定等特点,应用模糊测度来表示征兆,更符合发动机早期故障的实际情况.      

基于模糊综合评判的航空发动机排故流程设计方法

根据模糊综合评判理论,提出了一种基于模糊综合评判的航空发动机排故流程设计方法。研究了航空发动机排故流程中部件受检次序的模糊综合评判模型的建立、评判模型中各影响因素权重的确定及模糊综合评判方法三大问题。最后给出了应用实例,取得了比较好的效果。     

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。      

基于模式识别的航空发动机燃油控制系统传感器故障诊断

航空发动机燃油控制系统执行机构故障有可能导致参数测量传感器出现较大偏差,而采用传统的传感器故障诊断方法易误诊为传感器故障。为此,引入修正因子作为传感器故障模式样本,通过聚类分析获得样本的特征向量;按照卡洛南—路伊变换(K—L变换)原理,对传感测量信息进行变换,构成了新的正交变换矩阵,减弱了各特征向量的相关性,突出了差异性,加强了对故障传感器和发动机燃油控制系统执行机构故障的特征识别能力;利用多组学习训练样本,设计了发动机不同参数测量传感器故障模式的判别函数。经仿真试验验证,该方法可以有效识别、诊断传感器故障。     

基于DSmT的航空发动机早期振动故障融合诊断方法

提出在航空发动机多个部位安装多个振动传感器组成传感器网络.采用多传感器信息融合技术进行早期振动故障的诊断方法,并引入Dezert-Smarandache理论(DSmT)来处理由早期微弱故障本身所导致的各个传感器信息相互冲突的问题.在构建的早期微弱故障诊断系统框架中,采用基于本征模态函数(IMF)的信息熵特征提取方法提取各路振动数据的特征,采用反向传播(BP)神经网络完成对故障属性的判断并生成各种故障模式的基本置信分配,最后根据DSmT融合规则得到最终的诊断结果.算例表明采用该方法可以有效地解决早期微弱故障条件下的高冲突信息融合问题,故障诊断结果准确可靠.      

基于光谱D-S证据融合的航空发动机故障诊断技术

研究了基于光谱信息的发动机磨损故障Dempster-Shafer证据融合诊断方法,确定了其故障识别框架和诊断规则;采用分区间S函数确定了mass函数的形式,融合了油液中7种金属元素浓度信息和浓度变化率信息,并应用于航空发动机磨损故障诊断.     

基于Vague集相似度量的航空发动机故障诊断的研究

针对传统故障诊断的局限性,探讨了基于Vague集相似度量的航空发动机故障诊断的方法.将Vague集之间的相似度量与发动机故障诊断问题结合.在得到发动机故障征兆和故障类型之间关系的基础上,计算待诊断检测故障样本与系统故障知识的Vague集之间的相似度,从而对故障进行诊断和排序.通过实例阐明将其用于某型航空发动机的故障诊断中,结果表明该方法操作方便,诊断结果准确可靠.说明了基于Vague集相似度量在航空发动机故障诊断中的有效性与合理性.     

基于深度学习的航空发动机不平衡故障部位识别

针对基于机匣测点的航空发动机不平衡故障部位识别问题,提出了基于深度卷积神经网络的航空发动机不平衡故障部位诊断方法。针对某典型双转子航空发动机,建立整机耦合动力学模型,并利用数值积分算法实现不平衡故障数值仿真;在从发动机压气机端到涡轮端的高、低压转子上选择4个不平衡故障部位作为诊断对象,通过仿真分析得到发动机典型转速下的转子不同部位不平衡故障的仿真样本;计算4个机匣测点信号的规范化频谱,通过对大量仿真数据的处理得到反映不同不平衡故障部位的故障样本集;利用仿真得到的大量不平衡故障样本,训练深度卷积神经网络,利用深度卷积神经网络的优良特征学习能力实现航空发动机不平衡故障的不同部位进行识别,数值试验结果表明该方法对航空发动机不平衡故障部位的识别准确率达到95%。