基于深度学习的飞行器动力系统故障诊断

发布时间：2020-05-13 23:04

【摘要】：发动机作为飞行器的动力来源,起着至关重要的作用。航空发动机和无人机电机系统的正常工作是飞机安全运行的保证,对故障的及时诊断和精准定位有着重要意义。由于无人机和航空发动机存在复杂的结构、非线性的系统模型以及外界噪声的干扰,难以构造出高精度的模型。本文采用深度学习的理论知识,凭借其处理复杂非线性问题的优点,基于数据的方式,提出了航空发动机气路部件和无人机执行器故障诊断方法。进行的研究工作主要为以下几点:(1)搭建六旋翼无人机和航空发动机实验仿真和数据采集系统,获得实验所需的样本数据。针对无人机和航空发动机数据特点,对数据采取预处理和特征提取的方法。并且对无人机和航空发动机的故障进行分类和编码,为深度神经网络的训练打好基础。(2)基于深度学习中的自编码网络理论,设计了基于深度学习的无人机执行器故障诊断网络模型。通过加入降噪自编码网络,提高无人机故障诊断网络模型的鲁棒性。通过对比实验,分析了 AE层数和样本长度对模型性能的影响,进一步优化网络结构,提高准确率。(3)分析航空发动机气路特性和故障类型,设计了基于深度学习的航空发动机故障诊断网络模型,对于整个故障诊断流程进行了具体介绍。通过对比实验,分析了网络层数对模型性能的影响,使得故障诊断模型达到较高的准确率。(4)通过无人机和航空发动机的故障诊断实验,表明了深度学习在航空发动机和无人机故障诊断中具有的可行性和实用性。并且通过有效的预处理和特征提取方法,使得故障诊断性能达到较高水准,为实际无人机和发动机的故障诊断研究提供了重要的参考价值。
【图文】：

特征图,基本结构,子采样,卷积核

识别和音频识别中表现出较好的性能。逡逑２．３．３卷积神经网络逡逑卷积神经网络（Ｃｏｎｖｏｌｕｔｉｏｎａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ）的基本结构和计算过程如图２－４逡逑所示。卷积神经网络有两种特殊的结构，一个是卷积层，一个是下采样层。卷积层逡逑一般由多个卷积核构成，通过卷积核得到多个特征图。卷积计算可以使原信号的特逡逑征得到增强［３８］，，并且有降噪的作用。下采样层则利用了图像局部特征的原理，对图逡逑像进行子采样，目的是为了保证图像有用信息不被破坏的前提下减少数据处理量，逡逑简化网络的复杂度，减少网络的参数。子采样也叫做池化（ｐｏｏｌｉｎｇ），通常有均值子逡逑采样（ｍｅａｎ邋ｐｏｏｌｉｎｇ）和最大值子米样（ｍａｘ邋ｐｏｏｌｉｎｇ）两种形式。卷积神经网络在深逡逑度学习中的使用最为广泛，尤其是在图像识别和音频识别领域，卷积神经网络表现逡逑出优良的性能。逡逑Ｉｎｐｕｔ逦ｆｘ逡逑Ｔ邋ｂｘ邋ｕ邋ｈ邋？，邋ｈ邋？逡逑Ｃｘ逡逑图２－

显卡,发行版本,语言,视觉

图２－６显卡驱动的正确配置逡逑（３）安装深度学习所依赖的开源视觉库ＯｐｅｎＣＶ和Ｐｙｔｈｏｎ发行版本Ａｎａｃｏｎｄａ
【学位授予单位】：厦门大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：V263.6;TP181

【参考文献】