基于相關(guān)向量機(jī)的航空發(fā)動(dòng)機(jī)故障診斷研究.pdf

1、航空推進(jìn)系統(tǒng)是飛機(jī)平臺(tái)最重要的組成部分之一,航空發(fā)動(dòng)機(jī)的健康狀況直接關(guān)系到飛機(jī)的飛行安全和出勤率,因此,對(duì)發(fā)動(dòng)機(jī)進(jìn)行狀態(tài)監(jiān)控及高效準(zhǔn)確的故障診斷意義重大。然而,航空發(fā)動(dòng)機(jī)的結(jié)構(gòu)日趨復(fù)雜,部件之間運(yùn)行關(guān)系日益密切和復(fù)雜,使得對(duì)其運(yùn)行狀態(tài)的監(jiān)測和故障診斷的難度不斷增大,迫使人們要不斷探索新的理論或方法來解決實(shí)際中所遇到的問題。
　　與傳統(tǒng)的計(jì)算方法相比較,人工智能(Artificial Intelligence,AI)法對(duì)于復(fù)雜的非線

2、性系統(tǒng)問題有著不可替代的優(yōu)勢。2001年Michael E.Tipping等人又在支持向量機(jī)的基礎(chǔ)上,通過對(duì)貝葉斯理論的研究,提出了比支持向量機(jī)更加稀疏的能夠給出概率解的機(jī)器學(xué)習(xí)方法——相關(guān)向量機(jī)(Relevance Vector Machine,RVM)。因此,本文也應(yīng)用相關(guān)向量機(jī)方法對(duì)航空發(fā)動(dòng)機(jī)故障診斷中的回歸和分類進(jìn)行研究。主要研究內(nèi)容如下:
　　(1)首先對(duì)傳統(tǒng)的智能診斷方法主要是神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和最小二乘支持向量機(jī)進(jìn)

3、行了研究。并將其應(yīng)用于航空發(fā)動(dòng)機(jī)故障診斷,通過仿真算例,分析了它們的優(yōu)勢與不足。
　　(2)針對(duì)傳統(tǒng)智能診斷方法的缺陷引出了基于概率學(xué)習(xí)的稀疏貝葉斯學(xué)習(xí)方法——相關(guān)向量機(jī),并應(yīng)用于航空發(fā)動(dòng)機(jī)氣路故障診斷和滑油光譜數(shù)據(jù)分析。在同等的條件下,與傳統(tǒng)的最小二乘支持向量機(jī)進(jìn)行了對(duì)比實(shí)驗(yàn)。相關(guān)向量機(jī)由于其算法的高稀疏性和基于概率學(xué)習(xí)的結(jié)構(gòu),其分類和預(yù)測不僅速度快、精度高而且可以給出概率性解,與支持向量機(jī)相比它大大減少了核函數(shù)參與計(jì)算的數(shù)量,

4、減少了計(jì)算時(shí)間,且核函數(shù)不用滿足Mercer條件,這些特點(diǎn)使其在故障診斷等領(lǐng)域擁有廣闊的應(yīng)用前景。
　　(3)對(duì)最優(yōu)化算法進(jìn)行了研究,如粒子群優(yōu)化算法以及它的改進(jìn)算法量子粒子群優(yōu)化算法。針對(duì)相關(guān)向量機(jī)超參數(shù)的選擇問題,提出了使用比傳統(tǒng)粒子群收斂更快,參數(shù)更少的量子粒子群優(yōu)化方法進(jìn)行優(yōu)化。消除了人為主觀因素對(duì)參數(shù)選擇的影響。
　　(4)將QPSO-RVM方法應(yīng)用于航空發(fā)動(dòng)的排氣溫度預(yù)測和滑油光譜分析,通過仿真實(shí)驗(yàn)與其它方法相比