航空学报
航空學報
항공학보
ACTA AERONAUTICA ET ASTRONAUTICA SINICA
2014年
6期
1612-1622
,共11页
李业波%李秋红%黄向华%赵永平
李業波%李鞦紅%黃嚮華%趙永平
리업파%리추홍%황향화%조영평
航空发动机%极端学习机%部件故障%微分进化%Kalman滤波器%信息融合
航空髮動機%極耑學習機%部件故障%微分進化%Kalman濾波器%信息融閤
항공발동궤%겁단학습궤%부건고장%미분진화%Kalman려파기%신식융합
aero-engine%extreme learning machine%component fault%differential evolution%Kalman filter%information fusion
针对发动机气路部件故障,提出了一种基于模型和基于数据驱动的融合诊断方法.采用极端学习机(ELM)实现基于数据驱动的故障诊断.针对ELM随机选择输入层权值和隐含层偏置带来的缺点,采用改进微分进化(IDE)算法以训练样本的均方根误差(RMSE)和输出层权值的范数为评价标准对其进行优化,减少了ELM的隐含层节点数,提高了网络的泛化能力.同时,由于传感器数目的不足,采用基于奇异值分解(SVD)的Kalman(SVD-Kalman)滤波器实现基于模型的部件故障诊断.为了提高航空发动机部件故障诊断的精度,利用改进的迭代约简最小二乘支持向量回归机(IRR-LSSVR)算法对两种算法的估计结果在特征层进行定量融合.仿真结果表明,在发动机稳态状态下,与单独使用基于模型和数据驱动的诊断方法相比,采用特征层融合有效地提高了部件故障诊断的精度和准确率.
針對髮動機氣路部件故障,提齣瞭一種基于模型和基于數據驅動的融閤診斷方法.採用極耑學習機(ELM)實現基于數據驅動的故障診斷.針對ELM隨機選擇輸入層權值和隱含層偏置帶來的缺點,採用改進微分進化(IDE)算法以訓練樣本的均方根誤差(RMSE)和輸齣層權值的範數為評價標準對其進行優化,減少瞭ELM的隱含層節點數,提高瞭網絡的汎化能力.同時,由于傳感器數目的不足,採用基于奇異值分解(SVD)的Kalman(SVD-Kalman)濾波器實現基于模型的部件故障診斷.為瞭提高航空髮動機部件故障診斷的精度,利用改進的迭代約簡最小二乘支持嚮量迴歸機(IRR-LSSVR)算法對兩種算法的估計結果在特徵層進行定量融閤.倣真結果錶明,在髮動機穩態狀態下,與單獨使用基于模型和數據驅動的診斷方法相比,採用特徵層融閤有效地提高瞭部件故障診斷的精度和準確率.
침대발동궤기로부건고장,제출료일충기우모형화기우수거구동적융합진단방법.채용겁단학습궤(ELM)실현기우수거구동적고장진단.침대ELM수궤선택수입층권치화은함층편치대래적결점,채용개진미분진화(IDE)산법이훈련양본적균방근오차(RMSE)화수출층권치적범수위평개표준대기진행우화,감소료ELM적은함층절점수,제고료망락적범화능력.동시,유우전감기수목적불족,채용기우기이치분해(SVD)적Kalman(SVD-Kalman)려파기실현기우모형적부건고장진단.위료제고항공발동궤부건고장진단적정도,이용개진적질대약간최소이승지지향량회귀궤(IRR-LSSVR)산법대량충산법적고계결과재특정층진행정량융합.방진결과표명,재발동궤은태상태하,여단독사용기우모형화수거구동적진단방법상비,채용특정층융합유효지제고료부건고장진단적정도화준학솔.
