应用深度核极限学习机的航空发动机部件故障诊断

摘要：

运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题.为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM).算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类.这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高.将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具.

关键词：涡扇发动机、部件、故障诊断、深度神经网络、极限学习机、核方法

所属期刊栏目：38

分类号：V263.6(航空制造工艺)

资助基金：山东省自然科学基金ZR2016FQ19

在线出版日期：2017-12-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：2613-2621