基于深度学习的航空发动机异常检测方法研究

发布时间：2021-11-13 14:07

　　高效且准确的航空发动机异常检测对保障飞机运行安全和民航企业的经济利益至关重要。目前实际应用的发动机异常检测方法效率较低且检测效果有待提高。因此,航空发动机异常检测方法的研究具有较强的理论价值和实用价值。深度学习通过模拟人类大脑的神经系统结构,能够从数据提取出高层次特征,这种特征往往包含数据中的更多不易被发现的结构信息。本文结合航空发动机监控数据的特点,将深度学习引入航空发动机异常检测,提出了3种基于深度学习的航空发动机异常检测方法。针对航空发动机点形式异常的数据特点,利用堆叠去噪自动编码器（Stack Denoising Auto Encoder,SDAE）可以无监督提取特征的优势,提出了基于SDAE-BP的航空发动机点形式异常检测方法。首先进行基于SDAE的特征提取,然后进行基于BP（Back Propagation,BP）神经网络的异常检测。针对缺乏有效的SDAE结构确定方法的情况,提出了一种基于特征平均差异度的SDAE结构确定方法。受计算机视觉领域常用卷积神经网络（Convolutional Neural Network,CNN）识别图像启发,将卷积神经网络引入航空发动机时间序列... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

DAE的工作原理

SDAE结构

哈尔滨工业大学工程硕士学位论文AE 挖掘原始输入深层次特征的优点。因此， SDAE 层数一般文仅对 2 层的 SDAE 模型进行数值实验。cities 和 stockreturn 数据集下，不同结构的 SDAE 的特征平均2-4 和图 2-5 所示。其中，cities 数据集输入层节点数为 9，s入层节点数为 10；m表示第 1 层 DAE 的隐层节点数， h 表隐层节点数。

【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[2]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺.  计算机学报. 2016(08)
[3]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟.  计算机应用研究. 2014(07)
[4]民航飞机维修业的现状与发展[J]. 张惠勤.  航空制造技术. 2013(21)
[5]集成学习算法的差异性及性能比较[J]. 李凯,崔丽娟.  计算机工程. 2008(06)
[6]聚类算法研究[J]. 孙吉贵,刘杰,赵连宇.  软件学报. 2008(01)
[7]集成学习中特征选择技术[J]. 李国正,李丹.  上海大学学报(自然科学版). 2007(05)
[8]一种新的概率神经网络有监督学习算法[J]. 蔡曲林,刘普寅.  模糊系统与数学. 2006(06)
[9]集成学习的多分类器动态融合方法研究[J]. 方敏.  系统工程与电子技术. 2006(11)
[10]一种改进的无监督学习SVM及其在故障识别中的应用[J]. 柳新民,刘冠军,邱静,胡茑庆.  机械工程学报. 2006(04)

博士论文
[1]变压器故障诊断与预测集成学习方法及维修决策模型研究[D]. 郑元兵.重庆大学 2011
[2]机队航空发动机维修规划及其关键技术研究[D]. 付旭云.哈尔滨工业大学 2011

硕士论文
[1]基于集成学习算法的异常检测研究[D]. 陈飞宇.南京大学 2015



本文编号：3493157