基于支持向量机的航空发动机故障诊断研究

研究利用支持向量机对发动机的两类故障——失速和喘振进行识别。介绍了支持向量机理论,选取适当的学习算法、惩罚因子和核函数,建立了支持向量机,并采用4组已知故障模式的数据对其进行训练和测试,之后对另外两组数据进行仿真识别,仿真结果与实际故障模式一致。     

基于PSO-SVM的发动机故障诊断研究

针对发动机的故障分类问题,提出了一种基于粒子群(PSO)优化支持向量机(SVM)的发动机故障诊断方法,采用粒子群算法优化支持向量机的惩罚系数C和核宽度系数σ,并在MATLAB环境下对发动机进行故障类别诊断,通过对发动机典型故障的诊断研究表明,采用PSO-SVM算法模型的故障诊断的精确度和效率都得到了提高,该方法与BP神经网络、PSO-BP、标准SVM相比,有较高的分类准确率,准确率可高达100%;与GA-SVM方法相比,诊断效率有所提高,从而验证了该方法在发动机故障诊断中的有效性。     

基于粒子群算法和支持向量机的故障诊断研究

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新型机器学习方法,具有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;支持向量机中核函数的参数选择非常重要,它决定着故障诊断的精确度;为了提高电气设备故障诊断的精度和效率,将粒子群优化算法和最小二乘支持向量机相结合,提出了一种基于粒子群支持向量机的故障诊断方法,能够实现对核函数的σ参数进行快速动态选取,提高故障诊断的准确率和效率;实验表明,该方法能够有效地找出合适的核参数,并能取得较好的分类效果。     

基于EEMD能量熵和LSSVM的传感器故障诊断

传感器作为动车组制动系统的关键部件,其能否正常工作直接影响动车组的安全稳定运行.集成经验模态分解克服了经验模态分解的模态混叠现象,分解出的各个内禀模态函数突出了故障的局部特征,并求解其能量熵组成故障特征向量,然后把故障特征向量输入到最小二乘支持向量机(LSSVM)进行故障识别和分类.同时采用粒子群优化算法对LSSVM的结构参数进行择优.测试结果表明:该故障诊断模型对动车组AS压力传感器故障具有较高的正确分类率.     

基于APSO-LSSVM的航空发动机轴承故障诊断及寿命预测

航空发动机轴承在高速、高温、高载荷等极端工况下易发生机械故障,为了提前预警,提出了一种基于自适应粒子群优化(Adaptive Particle Swarm Optimization, APSO)算法的最小二乘支持向量机(APSO Least Squares Support Vector Machine, APSO-LSSVM)对滑油系统中轴承磨屑进行在线监测的故障诊断及寿命预测。通过主成分分析法(Principal Components Analysis, PCA)对滑油磨屑信息进行降维处理,构建特征向量,并将特征向量输入APSO-LSSVM模型,对轴承故障状态进行分类并对轴承剩余寿命进行预测。结果表明：使用PCA可以保留数据样本99.9%的信息,同时还能极大地降低数据维度;与遗传算法(Genetic Algorithm, GA)、灰狼优化(Grey Wolf Optimization, GWO)算法、粒子群优化(Particle Swarm Optimization, PSO)算法的支持向量机相比,所提算法因采用了自适应调节粒子移动步幅,在进行轴承状态分类时准确率更高,分类正确率可达...     

基于混沌粒子群优化LS-SVM的发动机磨损状态监测研究

基于混沌PSO算法优化最小二乘支持向量机实现航空发动机磨损状态监测;通过小波包分解消除润滑油光谱数据的噪声,获取LS-SVM的训练与测试样本;针对最小二乘支持向量机解决大规模数据样本回归问题时所出现的训练时间长、收敛速度慢等缺点,提出了混沌PSO算法优化LS-SVM的模型参数;该方法不仅克服了传统PSO算法早熟、容易陷入局部最小值等缺点,同时显著提高了最小二乘支持向量机的预测能力;最后,将一般LS-SVM和GM(1,1)模型的预测结果与文中预测结果进行对比,该方法构建的模型对测试样本产生的预测误差仅为0.0441,验证了该方法在预测精度上具有明显优势。     

基于支撑向量机的航空发动机故障诊断研究进展

支撑向量机因其适用于多参数、小样本的非线形问题,是一种极具潜力的航空发动机故障诊断方法。在分析基于支撑向量机的航空发动机故障诊断研究进展的基础上,对若干需要进一步研究的问题,如核函数的参数选择、核函数的选择、多类故障的分类策略以及SVM算法的优化进行探讨。     

混沌时间序列预测的建模与仿真研究

研究混沌时间序列预测准确性问题,由于混沌时间序列具有混沌性和非线性,传统时间序列预测方法不能准确将混沌时间序列变化规律计算出来,导致预测精度低.为了提高混沌时间序列预测的精度,提出一种改进支持向量机的混沌时间序列预测方法(PSO-LSSVM).PSO-LSSVM采用相空间重构对混沌时间序列进行重构,去除其混沌性,用支持向量机对非线性进行预测,并采用粒子群算法对支持向量机参数进行优化,对经典混沌时间序列Mackey-Glass最优模型进行仿真测试.仿真结果表明,PSO-LSSVM加快了预测速度,提高了预测精度,在混沌时间序列预测中具有很好的应用价值.     

航空发动机故障诊断系统设计与实现

利用LabVIEW和C语言、MATLAB混合编程,设计并实现了航空发动机故障诊断系统。利用C语言设计了数据采集仪的DLL驱动程序,LabVIEW调用DLL实现了数据采集;针对航空发动机振动信号的特点,设计了信号处理与故障特征提取模块;利用MATLAB编译了多算法优化的支持向量机COM组件,LabVIEW调用该组件实现了故障诊断;利用数据库连接工具包设计了数据库管理模块。在航空发动机转子实验台上对该系统性能的测试结果表明,该系统达到了较高的故障诊断精度,同时也验证了文中设计思想的可行性。     

支持向量机的涡扇发动机试车故障诊断

针对涡扇发动机在试车过程中缺少有效诊断气路故障方法的问题,为某型涡扇发动机建立了基于支持向量机的气路故障诊断系统.支持向量机算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.该系统建立了发动机非线性稳态模型,生成包含八种典型气路故障的故障样本库,采用支持向量机对故障特征和故障模式进行关联,并用训练好的向量机网络对故障分类.利用该型涡扇发动机试车数据对该系统进行的验证,诊断正确率在80%以上.研究表明该方法能基本满足该涡扇发动机地面试车故障诊断的要求,具有较好的工程应用前景.     

双余度传感器的故障检测与识别

传感器是任何测控系统中不可缺少的部件,也是最容易出故障的环节,传感器故障检测、识别和信号重构一直得到极大的重视.本文研究了仅利用双余度传感器的输出信号进行故障检测与识别问题,提出了一个双余度传感器故障信号识别器(FSD),建立了故障信号识别的基本原理,导出了相应的传感器故障检测与识别的递推算法,并给出了仿真结果.     

专家系统在电梯控制柜故障诊断中的应用

本文介绍了对某电梯厂出厂前对电梯控制柜进行调试的线状态监测及其故障诊断的专家系统的研究和实现，对研究和开发同类的专家系统有参考价值。     

基于LSSVM的卫星姿态控制系统故障诊断

提出了一种基于最小二乘支持向量机(LSSVM)非线性观测器的卫星姿态控制系统故障诊断方法。与标准的支持向量机回归算法相比,最小二乘支持向量机回归算法收敛速度快,适用于在线训练。该方法利用其回归逼近非线性函数的能力,设计基于最小二乘支持向量机的非线性系统状态观测器,在线训练最小二乘支持向量机回归,并用于估计卫星姿态控制系统故障。最后,通过仿真验证了这种方法可以快速准确地估计出卫星姿态控制系统的故障。     

基于PNN的飞机发动机故障诊断研究

鉴于概率神经网络良好的分类性能,提出一种基于PNN的飞机发动机故障诊断方法,成功对三种典型飞机发动机转子故障做出了正确诊断。研究表明,PNN网络诊断准确,对测量噪声有良好的鲁棒性,具有较好的工程应用前景。     

高校图书馆常见网络故障的诊断策略

通过对图书馆发生频率高的、常见的网络故障进行归纳分析,总结了高校图书馆网络故障的诊断策略。     

非线性系统故障诊断与容错控制技术

在分析非线性系统故障诊断与容错控制技术特点的基础上,研究了该技术在国内外的研究进展和主要方法.同时,比较了几种常见故障诊断和容错控制方法的特点.最后总结了非线性系统故障诊断与容错控制领域亟待解决的几个重点和难点问题,并对该研究领域的发展趋势进行了展望.     

摆式列车用传感器的故障检测与识别

本将在传感器故障检测与识别领域中取得的新成果应用于摆式列车的研制中,建立了双余度传感器故障信号识别器,用在摆式列车试验台上采集到的试验数据,通过计算机仿真证明了该方法的有效性,为将来在摆式列车实车中的运用奠定了基础。     

航空发动机气路改进神经网络故障诊断研究

针对航空发动机气路故障,建立了基于改进BP神经网络的航空发动机气路故障诊断模型。采用该模型寻找发动机状态参数与不同故障模式之间的映射关系,并利用收集的JT9D发动机的气路故障样本数据对诊断模型进行训练与检验。试验结果表明,改进的BP神经网络故障诊断模型对JT9D发动机气路部件故障模式的识别具有较高的准确率,能够为基于状态的维修决策提供有效的指导与建议,进而提高航空发动机的可靠性。     

元胞自动机模型在航空发动机故障诊断中的应用

航空发动机一般在高温、高压和高速转动的状态下工作,因此很难获取其全生命周期试验数据。针对无完整生命周期数据的小样本集合进行设计,提出一种基于元胞自动机的航空发动机故障诊断方法,该方法在获取发动机故障特征信息之后,利用元胞的扩散机制获取故障模式的分类边界。其优势在于:在给定的数据集前提下,可以利用较少的运行时间来约减给定的规则样本;可以利用积累或迭代的方式来分步获得原给定样本集的一致性子集。同时,算法的可积累性、运算时间可控等特点,使得该算法能连续应用在航空发动机试验样本数据集由小样本持续增加到大样本的过程中。该方法的应用对发动机的故障诊断的研究具有重要的指导意义。