基于集成学习方法的机电作动器故障诊断框架

摘要：

针对飞行器综合性能不断提高的发展需求,对机载机电作动器(EMA)进行健康管理尤为关键.文章以EMA作为研究对象,重点研究基于集成学习方法的故障诊断框架来解决飞行器可能存在的健康管理问题:对比不同集成学习策略间的优劣,提出一种以Boosting集成学习方法为核心的故障诊断框架.该方法的建立以XGBoost、LightGBM和CatBoost模型为基础,相较于时下流行的深度学习框架,其占用的计算资源更少,模型的可解释性更强.试验结果表明,该框架相较于传统机器学习方法准确率提高10%,相较于深度学习方法训练时间减少75%,且内存占用率更低,具有较强的工程应用价值.

关键词：机电作动器、永磁同步电机、健康管理、故障诊断、集成学习

所属期刊栏目：40

分类号：TP275(自动化技术及设备)

在线出版日期：2023-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：559-566