论文部分内容阅读
航空发动机故障诊断技术是发动机健康管理系统的核心组成部分，是降低发动机维修成本、保证飞行安全的重要手段。本文从数据挖掘的角度开展了航空发动机故障诊断技术研究，以近年来机器学习中比较热门的极限学习机算法为基础，针对原有算法的不足提出几点有价值的改进，并将其运用到航空发动机气路部件故障模式识别和传感器故障诊断。 针对核极限学习机（K-ELM）的模型参数选择问题，提出了一种快速留一交叉验证方法，通过评价模型在不同参数下的性能为模型选定最优参数。该方法可以避免原始的留一验证方法N次模型的显式训练，将计算复杂度降低为原来的1/N（N为样本数目）。仿真结果表明算法可以快速准确评价不同模型参数下核极限学习机的性能，为核极限学习机确定最优的模型参数。 研究了基于核极限学习机的航空发动机故障模式分类问题。针对核极限学习机缺乏稀疏性、模型规模随训练样本规模线性增长问题，提出了一种迭代约简核极限学习机（RR-KELM），选取对模型建立贡献大的样本构成基核词典，同时考虑训练样本集中所有样本对模型建立的约束，从而精简模型结构，提高核极限学习机稀疏性。将RR-KELM算法用于航空发动机故障模式分类，根据发动机可测参数的变化识别发动机的故障模式，仿真结果表明，该算法有效提高识别精度同时精简了模型结构。 研究了在线序列核极限学习算法。针对在线训练时训练数据随着时间的推移而累加，本文提出了一种独立约简在线序列核极限学机（IR-KOSELM）。基于线性相关原则挑选基向量组控制模型规模，结合预测误差控制法提高模型预测精度，有效地筛选了训练数据，控制模型规模提高实时性。提出了一种故障诊断逻辑，根据误差向量各分量之间的差异性有效地区分了建模误差和传感器故障。结合IR-KOSELM算法和故障诊断逻辑，设计了航空发动机传感器故障诊断与信号重构系统。仿真结果表明，该系统能够准确地诊断出多种类型的传感器故障，并提供有效的重构信号。