排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
针对航空发动机轴承故障诊断过程中预测精度不足以及过拟合的问题,提出基于迁移学习的半监督集成学习器(SSIT)用以发动机轴承故障预测。首先,训练改进的基于迁移学习的极限学习机(TELM)以及基于迁移学习的支持向量机(TSVM),分别迁移不同目标空间的高相似度样本加入到源样本空间进行训练。然后,与对应的基学习器集成同簇学习器来识别未标记样本,构成半监督学习器不断调整初始基学习器权重,并继续集成半监督基学习器的识别结果到SSIT中。通过此学习机识别提取特征后的,用以故障识别。实验结果清楚地表明:此种方法可以有效降低迁移学习中的负迁移效果,提升迁移精度10%左右,降低机器学习中的过拟合效果,提高半监督学习稳定性,与现有的预测方法相比可以提高精度9%以上。 相似文献
2.
3.
针对航空发动机的故障寻源以及故障传播问题,提出了基于云模型符号有向图(SDG)的发动机多工况故障诊断方法。在SDG模型的基础上根据发动机结构进行模块化以便于推理,应用故障关联矩阵进行相容通路的推理;根据相容通路画出故障传播路径,运用云模型理论进行定性与定量的转换,计算故障传播路径上每个节点的传播概率,并对未测节点的状态值进行预测,根据计算结果对每条相容通路进行可能性排序,确定故障源头。根据工况转换矩阵快速得到不同工况下的SDG模型,同时根据具体工况改变模型阈值,对不同工况下的异常节点进行快速推理预测。发动机气源系统的诊断实例表明:基于云模型SDG的多工况故障诊断方法可以帮助决策者做出正确的检测策略,快速制定维修措施,能够有效地运用在复杂系统内的故障传播诊断。 相似文献
1