基于深度置信网络的涡扇发动机气路故障诊断研究

摘要：

为了提高发动机气路部件性能衰退故障的诊断精度,针对传统的浅层神经网络在诊断时存在泛化能力欠缺、易产生局部最优解等问题,引入了深度置信网络(DBN)对发动机部件性能衰退故障进行诊断研究.以涡扇发动机为对象,从诊断精度、计算时间、抗噪能力3个方面综合比较分析了DBN算法与核极限学习机(KELM)算法.结果表明,DBN算法在低、中、高水平噪声下的诊断精度分别为89.44％、88.38％和86.59％,诊断精度和抗噪声能力明显优于KELM算法,且诊断速度更快.

关键词：深度置信网络、航空发动机、气路部件、故障诊断

资助基金：国家自然科学基金重大研究计划培育项目91960110

在线出版日期：2020-12-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：12-13,15