加权在线贯序极限学习机算法及其应用

针对在线贯序极限学习机对所有数据等权处理这一缺陷,提出加权在线贯序极限学习机算法。依据运算过程中产生的网络均方根误差的差异,给新数据以及历史数据分配不同的权值,当网络均方根误差较大时减小其权值,较小时增大其权值。该算法实现了对新旧数据的不等权处理,利用航空发动机传感器数据验证该算法的可行性。验证结果表明,基于该算法所建的航空发动机传感器故障诊断模型要比基于传统在线贯序极限学习机算法所建模型的精度更高。     

基于ELM的航空发动机传感器故障诊断方法研究

为了在嵌入式ARM11平台中更好地实现航空发动机传感器故障监测与诊断,使用极限学习机（ ELM）代替传统的BP网络算法,只需选定隐含层节点数和激活函数,大大减少了BP算法中人为设置大量参数、训练过程慢,并需要不断调整网络参数以及容易陷入局部最优解的缺点。经过仿真验证对比两种算法,验证ELM算法的优越性。并使用C＋＋编程语言将ELM算法转换成航空发动机传感器故障诊断训练学习软件和诊断软件,经最终测试,该算法软件的测试精度良好,满足诊断需求。     

航空发动机传感器故障诊断

研究航空发动机传感器故障诊断问题,由于发动机传感器故障样本有限、小样本、非线性变化特点,传统大样本传统故障方法故障诊断准确率低。为提高传感器故障诊断准确率,提出一种混沌粒子群算法(CPSO)和最小二乘支持向量机(LSS-VM)相结合的传感器故障诊断算法(CPSO-LSSVM)。首先将发动机传感器信号输入到LSSVM进行学习,并采用CPSO进行优化,找到最优LSSVM参数,从而建立传感器故障诊断模型,最后采用已建立模型对传感器故障进行仿真测试。仿真结果表明,CPSO-LSSVM提高了航空发动机传感器故障诊断的准确率,能准确地对空发动机传感器故障进行诊断,提供民飞行安全性能保障。     

航空发动机传感器故障诊断设计与验证综合仿真平台

针对航空发动机传感器故障诊断算法无法快速和高效地完成硬件在回路仿真问题;提出了基于虚拟仪器语言与快速原型化技术的航空发动机传感器故障诊断硬件在回路仿真方法,并研制了基于该方法的硬件在回路实时仿真平台;经过实验验证后,该平台不仅为发动机传感器故障诊断方法提供了实时仿真平台,同时为扩展本平台使之成为完全的半物理仿真平台奠定了基础,有一定的工程实用价值。     

基于主元分析法的航空发动机传感器故障诊断研究

主要研究了主元分析方法在航空发动机传感器故障诊断中的应用,并提出了主元分析法故障诊断算法。假设只有传感器故障情况下,将传感器测量值所组成的测量空间分解为主元和残差两个子空间,并通过传感器实际测量数据与正常数据矩阵在残差空间上的投影做比较,对传感器故障进行故障诊断;针对航空发动机的压力温度转速等传感器常见的故障,通过运行故障仿真平台绘制了其多元统计特征图;分析仿真结果表明,主元分析法对航空发动机传感器具有很好的故障检测和故障诊断能力。     

基于双通道传感器的航空发动机在线故障诊断系统研究

对基于双通道传感器的航空发动机在线故障诊断和隔离技术进行了研究;在发动机机载非线性模型的基础上,对发动机的双通道传感器分别设计混合卡尔曼滤波器,利用该滤波器在线估计双通道传感器输出,并结合实际双通道传感器测量值以及发动机机载非线性模型的输出值在线实现传感器故障检测和隔离、部件故障及异常检测确认;利用该技术建立了某型涡扇发动机在线故障诊断系统,通过仿真实例验证了该系统的诊断性能,实验结果表明,本文所建立的在线故障诊断系统能够较好的完成故障诊断与隔离、部件故障及异常检测等功能,为此类系统的工程应用提供了理论依据。     

航发喘振智能化故障诊断模型研究

针对航空发动机的喘振故障严重影响飞机安全运行的问题，提出了一种基于深度学习的航发喘振智能化故障诊断模型。结合喘振的生成机理对航空发动机传感器数据进行喘振故障分析，采用基于滑动窗口的数据预处理算法构造数据集和标签集；集成卷积神经网络(Convolutional Neural Network, CNN)和长短期记忆(Long-Short Term Memory, LSTM)网络，设计出针对航发喘振故障诊断的深度神经网络模型(1D-CLSTM);在所构建的数据集上，对所提模型与当下流行的深度神经网络进行比较。实验结果表明，所提模型对喘振故障分类的F1分数(F1＿score)、召回率(Recall)和精确度(Precision)分别达到了96.45%、95.48%、97.46%,优于其它网络模型。所提模型在时序信号处理与旋转机械智能化故障诊断方面有着较高的应用和推广价值。     

基于胶囊神经网络的涡扇发动机故障诊断方法

针对航空涡扇发动机数据集故障分类准确率较低的问题,提出一种基于胶囊神经网络的涡扇发动机故障诊断方法。首先确定故障类型和关键变量,然后构建卷积胶囊神经网络模型,将分割的训练集数据输入模型进行训练,最后利用诊断模型诊断测试集数据并计算分类识别准确率。将所提算法在NASA涡扇发动机数据集上进行测试,证明了该模型的分类识别准确率有所提高,可为涡扇发动机的故障诊断提供帮助。     

航空发动机传感器故障鲁棒检测方法

研究发动机传感器故障准确检测问题,现代航空发动机数字电子控制系统对传感器的可靠性要求日益提高。针对航空发动机结构复杂,又工作在高温和高压下,常规采用的传感器故障检测方法的准确性易受到建模误差与外界扰动的影响,造成漏报或误报。为了提高检测精度,提出建立航空发动机数控系统传感器未知输入故障模型,采用特征结构配置的方法,通过配置闭环系统左特征向量实现故障检测残差对不确定性因素的干扰解耦,降低扰动对故障诊断结果的影响。用某型涡扇发动机数控系统传感器故障数字仿真试验表明,所设计的方法对范数有界的不确定量可以实现干扰解耦,抑制干扰对故障检测的影响,改善检测算法的鲁棒性,提高检测结果的准确性,同时满足在线运算的实时性要求。提高了航空发动机的可靠性,保证了安全飞行。     

基于一种改进的云神经网络涡扇发动机故障诊断

在基于数据驱动的涡扇发动机地面定检系统中,为了提高航空发动机的故障诊断性能,提出一种改进的基于云神经网络的航空发动机故障诊断方法;首先,把云模型和BP神经网络相结合,得到进行故障诊断与检测的模型结构,然后用余弦式改进自适应遗传算法并对网络模型进行优化,得到改进后的云神经网络模型;通过对实际数据的实例仿真表明,该方法对于航空发动机地面稳态的故障诊断是可行的,并且提高了故障诊断系统的诊断精度。     

基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.     

Aero-Engine Surge Fault Diagnosis Using Deep Neural Network

Deep learning techniques have outstanding performance in feature extraction and model fitting. In the field of aero-engine fault diagnosis, the introduction of deep learning technology is of great significance. The aero-engine is the heart of the aircraft, and its stable operation is the primary guarantee of the aircraft. In order to ensure the normal operation of the aircraft, it is necessary to study and diagnose the faults of the aero-engine. Among the many engine failures, the one that occurs more frequently and is more hazardous is the wheeze, which often poses a great threat to flight safety. On the basis of analyzing the mechanism of aero-engine surge, an aero-engine surge fault diagnosis method based on deep learning technology is proposed. In this paper, key sensor data are obtained by analyzing different engine sensor data. An aero-engine surge dataset acquisition algorithm (ASDA) is proposed to sample the fault and normal points to generate the training set, validation set and test set. Based on neural network models such as one-dimensional convolutional neural network (1D-CNN), convolutional neural network (RNN), and long-short memory neural network (LSTM), different neural network optimization algorithms are selected to achieve fault diagnosis and classification. The experimental results show that the deep learning technique has good effect in aero-engine surge fault diagnosis. The aero-engine surge fault diagnosis network (ASFDN) proposed in this paper achieves better results. Through training, the network achieves more than 99% classification accuracy for the test set.     

基于集成智能算法的发动机滑油系统融合诊断

为确保飞行训练安全、预防发动机维修事故发生,针对当前航空发动机磨损故障诊断存在的问题,提出基于集成智能算法的发动机滑油系统故障检测模型.从铁谱诊断、光谱诊断、颗粒计数诊断、理化指标诊断和试车台数据诊断等方面研究了运用集成神经网络方法对多源信息进行融合诊断.结果表明:融合诊断结果的故障模式比单项诊断结果的故障模式要多;当单项诊断出现矛盾时,融合诊断结果能很好地解决诊断冲突问题.基于集成神经网络的发动机油液系统磨损故障的融合诊断能充分利用多种方法的互补性和有效解决诊断冲突问题,从而使诊断结果更为可靠和准确.     

基于自组织免疫网络的传感器故障检测模型

提出了一种基于自组织免疫网络的传感器故障检测模型。该模型将自组织学习的思想引入到传感器免疫网络的建模中,通过学习向量量化确定免疫网络的连接权值,并对其结构和特点进行了分析,给出了相应的诊断算法。仿真结果表明,所提出的方法对故障传感器具有较高的检测灵敏度,并且对噪声具有一定的容忍能力,对于航空发动机传感器的监测具有一定的应用价值,并可方便地推广到其他类似的工业应用领域。     

蝙蝠算法优化极限学习机的滚动轴承故障分类

针对传统智能故障诊断方法在滚动轴承的故障诊断中诊断准确率不高的问题,引入了一种启发式搜索算法——蝙蝠算法(BA)优化极限学习机(ELM)的方法,利用ELM构建滚动轴承故障诊断分类模型。首先采用滚动轴承振动信号的五种代表性时域无量纲指标作为诊断模型输入特征,然后,利用蝙蝠算法的全局寻优能力对ELM模型的参数进行优化,获取最优输入权重和隐含层偏置的ELM分类模型,最后采用美国西储大学轴承数据中心网站公开发布的轴承探伤数据集验证算法诊断效果。实验结果表明：该方法可以有效地对滚动轴承不同故障状态进行识别,与BP神经网络、支持向量机(SVM)和极限学习机(ELM)方法比较,所提出的方法能够提高故障诊断准确率,达到99.17%。     

基于马尔科夫预测的多传感器故障检测与诊断机制

随着无线传感器网络应用规模的不断扩大,各类应用中传感器故障检测与诊断成为系统正常作业、安全可靠性保障的关键技术。针对多传感器系统与节点工作过程定义3种状态,基于故障检测信息建立状态转移矩阵,通过马尔科夫模型预测传感器故障信息,为故障检测与诊断提供决策依据。另外,拓展数据包信息字段包括故障类型、节点定位等,故障处理后节点转移至正常状态后将故障处理和诊断特征等信息存储到网关或者汇聚节点,为改善故障检测精度和诊断效率以及系统资源利用率提供依据。实验结果表明：所提故障检测与诊断算法与传统算法相比,具有更高的故障检测精度,更短的故障诊断时延、能够准确判断故障类型等性能。     

引入虚拟节点的无线传感器网络ELM定位算法

基于大部分距离无关算法能以改善锚节点比例提高无线传感器网络定位精度,提出了一种引入虚拟节点的无线传感器网络极限学习机(ELM)定位算法.通过引入的虚拟节点,寻找合适的未知节点升级为次锚节点,以增加锚节点比例,提高了定位精度.将ELM应用于节点定位,有效提高了定位的速度和精度,并因其强大的泛化性能,为无线传感器网络节点定位提供了新的思路.仿真结果表明:引入ELM定位算法和虚拟节点,有效提高了定位精度.     

集成散度的MKL模型在模拟电路诊断中的应用

为提升模拟电路故障诊断精度,结合基于故障特征间一维模糊度的特征选择算法,提出一种新的多核超限学习机诊断模型。该模型通过设置虚拟的基核,将正则化参数融入基核权重求解过程中;同时,通过将特征空间类内散度集成到多核优化目标函数中,在最小化训练误差的同时,使得同一模式的故障样本更加集中,有效提升了故障模式间的辨识力。通过两个模拟电路诊断实例表明：相比于单核学习算法,所提方法可以显著提升诊断精度,并且可以将难以辨识的故障样本更加准确地隔离到相应模糊组中;相比于一般的多核学习算法,所提方法在取得相似诊断精度的同时,时间花费更少。