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。     

基于SVM和SNN的航空发动机气路故障诊断

为了区分航空发动机气路故障诊断过程中出现的相似故障,提高诊断准确率,提出了一种支持向量机(SVM)和协同神经网络(SNN)相结合的故障诊断方法.首先利用参数优化后的SVM对测量数据进行初步故障诊断分类,对诊断结果进行分析统计,得出难以区分的相似故障类型,并根据SNN对这些相似故障进一步地区分判断,最后根据实际数据对此故障模型进行仿真.结果显示:基于SVM的初步故障诊断准确率达到96%;而经过SNN进一步地相似故障区分后,诊断准确率提升到100%.     

航空发动机故障诊断算法测试平台

在MATLAB/Simulink环境下搭建航空发动机故障诊断算法测试平台。利用已有的民用大涵道比涡扇发动机非线性模型进行仿真得到航空发动机故障数据,数据既可以用于故障诊断算法的开发,也可以用于故障诊断算法的验证。对用户提供的故障诊断算法按照统一的评价标准进行分析,得出诊断算法优良性的量化值,使得不同结构、不同平台的诊断算法能直接作出比较。通过故障诊断算法的诊断结果进行分析,得到的评价结果可全面反映故障诊断算法的性能。     

基于小波和球结构支持向量机的航空发动机故障诊断

介绍了一种航空发动机状态监控和故障诊断方法,即基于球结构支持向量机的状态监控和故障诊断方法.球结构代表了一类样本,不需要另类样本,从而降低了发动机的试验和研制成本,并结合小波的运用,给出了相应的结果.     

基于多分类器融合的航空发动机气路故障诊断

为解决航空发动机这一复杂系统的故障诊断问题,提高智能化诊断方法的准确率,使用了D-S证据理论对RBF神经网络、BP神经网络和支持向量机三个诊断子系统的诊断结果进行决策级融合,结果表明D-S证据理论的使用可以达到比单独运用三个子系统具有更好的诊断效能,经过融合降低了误诊率,改善了诊断性能。     

基于小波分形和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,针对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。设计了航空发动机几种典型故障的一类分类器,使得发动机的故障诊断更加简单可行。同时,将小波分形方法引入到航空发动机振动信号的特征提取中。通过对航空发动机典型故障的成功诊断,证明了该方法的有效性。     

基于协调近似表示空间的航空发动机故障诊断

航空发动机故障诊断的一个主要目标即是求出具有最大分布的故障类型,协调近似表示空间为统一处理不同信息系统提供了工具,并且考虑到航空发动机故障是典型的小样本问题,因此针对航空发动机故障诊断决策信息系统,在求取其基于最大分布的协调近似表示空间的基础上,引入规则融合方法得到所有不同条件下的决策规则,并将其用于历史故障数据的分析,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融合所得规则的普适性.      

基于信息融合遗传算法的航空发动机气路故障诊断

针对航空发动机由传统定期维修向视情维修转变的发展趋势,研究了遗传算法在气路性能参数估计中的应用,提出了改进的基于信息融合的遗传算法,将多源信息融合到遗传算法中,用以减小遗传算法的搜索范围.仿真结果表明:通过融合多源信息,有效克服遗传算法在寻优过程中陷入局部最优的情况,从而提高了气路性能参数的估计精度,能将估计误差控制在5%以内.      

基于差分隐私的航空发动机喘振故障检测

为保护航空发动机数据集包含的众多敏感数据,将差分隐私技术融入卷积神经网络中,提出一种具有差分隐私的卷积神经网络故障检测模型(DP-CNN模型)。阐述了卷积神经网络和差分隐私技术的基本理论和计算步骤,采用差分隐私随机梯度算法更新神经网络参数以建立DP-CNN模型。运用DP-CNN模型对航空发动机喘振故障进行检测,并与其他故障检测模型(支持向量机,长短时记忆网络,多层感知器)的检测结果进行对比。结果表明,DP-CNN模型在准确率、召回率以及f1-sc ore上都更高,分别达到了95.3%、94.6%和96.5%。     

基于单类支持向量机的航空发动机故障检测

通过监控航空发动机性能参数,准确判断发动机的工作状态,预知发动机的异常变化．为预防和排除故障提供充足的时间和决策依据。开发出利用QAR（quick access Feeorder．快速存取记录器）数据的发动机故障检测系统,该系统基于民航发动机的QAR数据,由于发动机正常运行数据容易获取．而故障样本难以获得．因而采用单类支持向量机（OCSVM）,仅依靠发动机的健康数据建立其分类器。利用OCSVM分类器．监控后续航班参数是否出现异常,通过分析检测结果,实现发动机故障检测。采用该系统监控航空发动机性能参数．及时发现发动机运行状态异常,证明了系统的可行性和有效性。     

Aero-engine fault diagnosis applying new fast support vector algorithm

A new fast learning algorithm was presented to solve the large-scale support vector machine ( SVM ) training problem of aero-engine fault diagnosis.The relative boundary vectors ( RBVs ) instead of all the original training samples were used for the training of the binary SVM fault classifiers.This pruning strategy decreased the number of final training sample significantly and can keep classification accuracy almost invariable.Accordingly , the training time was shortened to 1 / 20compared with basic SVM classifier.Meanwhile , owing to the reduction of support vector number , the classification time was also reduced.When sample aliasing existed , the aliasing sample points which were not of the same class were eliminated before the relative boundary vectors were computed.Besides , the samples near the relative boundary vectors were selected for SVM training in order to prevent the loss of some key sample points resulted from aliasing.This can improve classification accuracy effectively.A simulation example to classify 5classes of combination fault of aero-engine gas path components was finished and the total fault classification accuracy reached 96.1%.Simulation results show that this fast learning algorithm is effective , reliable and easy to be implemented for engineering application.     

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%。     

基于ARCN模型的轴承故障诊断

提出注意力循环机制与胶囊网络融合的注意力循环胶囊网络（ARCN）的诊断模型。提取时序特征信息构建初级胶囊;自适应融合路由机制、注意力循环机制构建数字胶囊特征;基于西储大学轴承实验数据,验证了ARCN模型的准确率、鲁棒性、稳定性、收敛误差,其准确率相比Caps模型识别准确率提高1.2%、收敛误差达到0.2。基于实验仿真平台,采集正常、内环故障、外环故障和滚动体故障的振动信号,并通过小波基变换获取的时频图构建ARCN模型的数据集。仿真实验结果表明:ARCN模型下,每类故障被误诊的概率不超过总样本的1%。      

基于支持向量机的航空发动机转静碰摩部位诊断规则提取

引入基于支持向量机(SVM)的数据挖掘技术,提出了基于SVM的转静碰摩部位诊断知识获取.首先,基于带机匣的航空发动机转子实验器,模拟了4个碰摩部位的碰摩实验,利用机匣4个部位的应变测试,获取了4个碰摩部位和4个测点的大量实验数据;然后提出了一种基于支持向量聚类(SVC)的诊断知识规则提取方法.在该方法中,利用SVC算法得到特征选取后样本的聚类分配矩阵,最后根据聚类分配矩阵构建超矩形规则.为使规则更加简洁,易于解释,采用规则合并、维数约简、区间延伸等方法对超矩形规则进行进一步简化.利用基于SVM的数据挖掘方法,从大量的碰摩部位实验数据中提取出了转静碰摩部位诊断的知识规则,并进行了相应解释和验证,规则识别率达到了99%以上,表明了该方法的正确有效性.      

基于IGA-ELM网络的滚动轴承故障诊断

为了提高航空发动机轴承故障诊断准确率,提出基于改进遗传算法优化极限学习机网络（IGA-ELM）的诊断模型。针对传统遗传算法易早熟等缺陷,对遗传算法的交叉操作和变异操作进行改进,并用改进的遗传算法优化极限学习机的输入权值矩阵和隐含层阈值,利用Moore-Penrose算法计算极限学习机的输出权值矩阵。使用IGA-ELM诊断模型对滚动轴承正常、内环故障、外环故障和滚珠故障4种工况进行诊断,并分析极限学习机隐含层神经元的数量和激活函数对轴承故障诊断的影响。为了验证改进遗传算法优化极限学习机的有效性,将传统遗传算法、自适应遗传算法和粒子群算法作为对比算法。经过分析表明：改进遗传算法收敛速度和收敛误差,均优于对比算法。