基于极限学习机的航空发动机传感器故障诊断研究

发布时间：2020-10-30 01:27

　　 针对基于梯度的传统学习算法多存在参数选择困难、容易陷入局部最小化、过拟合等问题,研究了基于极限学习机的航空发动机传感器故障诊断方法。内容涉及极限学习机算法的优势及改进、双冗余传感器故障诊断机制的建立及传感器故障的仿真验证。首先分析和论述了极限学习机算法的优势。极限学习机算法仅需设置隐含层神经元的个数和选择激活函数,缩短了训练时间。仿真表明:在所建的训练模型精度相近的情况下,极限学习机算法的训练速率比BP神经网络算法的训练速率快两百多倍,且他们的测试精度和测试时间相近。其次分析比较贴合实际的在线贯序极限学习机算法,并提出加权在线贯序极限学习机算法。运用给新旧数据分配不同的权值的方法,实现了对新数据和旧数据的不等权处理。仿真表明:加权在线贯序极限学习机算法比在线贯序极限学习机算法拥有更高的模型测试精度。然后利用加权在线贯序极限学习机算法建立航空发动机传感器的双冗余故障诊断模型,运用空间冗余和时间冗余的结合来实现故障传感器的诊断与定位。并提出用空间冗余残差变化幅值来检测软故障的方法,使软故障的检测时间减短。仿真结果表明:该方案具有一定的可行性,它能够准确进行单一传感器的软故障与硬故障诊断以及直观显示诊断结果。
【学位单位】：中国民航大学
【学位级别】：硕士
【学位年份】：2015
【中图分类】：V263.6
【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 航空发动机传感器故障诊断研究
        1.2.2 极限学习机算法研究
    1.3 论文主要工作内容
    1.4 本章小结
第二章 航空发动机传感器故障诊断方法
    2.1 传感器故障类型
    2.2 传感器故障诊断理论方法分析
        2.2.1 基于冗余技术的传感器故障诊断方法
        2.2.2 基于信号处理的传感器故障诊断方法
        2.2.3 基于知识的传感器故障诊断方法
    2.3 极限学习机算法及其优势
        2.3.1 极限学习机算法原理
        2.3.2 极限学习机算法与BP神经网络算法的对比
    2.4 本章小结
第三章 航空发动机传感器故障诊断算法的改进
    3.1 OS-ELM算法概述
    3.2 WOS-ELM算法
    3.3 WOS-ELM算法与OS-ELM算法的对比
        3.3.1 OS-ELM激活函数的选择
        3.3.2 仿真对比
    3.4 本章小结
第四章 基于WOS-ELM算法的航空发动机传感器故障诊断
    4.1 双冗余模型
        4.1.1 空间冗余模型
        4.1.2 时间冗余模型
    4.2 基于WOS-ELM算法的双冗余航空发动机传感器故障诊断方法
        4.2.1 离线建模
        4.2.2 在线诊断
    4.3 本章小结
第五章 航空发动机传感器故障诊断的仿真研究
    5.1 故障诊断窗.设计
    5.2 航空发动机传感器无故障状态仿真
        5.2.1 激活函数及隐含层神经元个数的选择
        5.2.2 传感器正常状态下仿真效果图
    5.3 航空发动机传感器硬故障诊断
    5.4 航空发动机传感器软故障诊断
    5.5 航空发动机传感器故障信号的重构
        5.5.1 航空发动机传感器硬故障重构
        5.5.2 航空发动机传感器软故障重构
    5.6 本章小结
结论
参考文献
致谢
攻读硕士期间发表论文

【参考文献】

相关期刊论文 前5条

1 刘海港;董芷岑;;航空发电机综合故障诊断技术研究[J];电子测量技术;2014年03期

2 朱玉斌;方中祥;侯朝焕;马晓川;;基于部件参数估计的航空发动机故障预测技术研究[J];测控技术;2012年01期

3 神显豪;;基于支持向量回归机的传感器故障诊断方法研究[J];机床与液压;2010年21期

4 何拥军;曾文英;曾文权;;信息熵支持向量机算法传感器故障诊断研究[J];计算机仿真;2011年10期

5 陈小磊;郭迎清;张书刚;;航空发动机寿命延长控制综述[J];航空发动机;2013年01期

相关博士学位论文 前1条

1 杨易旻;基于极限学习的系统辨识方法及应用研究[D];湖南大学;2013年

相关硕士学位论文 前1条

1 李晟;基于PCA方法的定风量空调系统传感器故障诊断研究[D];天津大学;2007年

本文编号：2861764