航空發(fā)動機故障診斷的極限學習機方法研究.pdf

1、航空發(fā)動機故障診斷技術是發(fā)動機健康管理系統(tǒng)的核心組成部分，是降低發(fā)動機維修成本、保證飛行安全的重要手段。本文從數(shù)據(jù)挖掘的角度開展了航空發(fā)動機故障診斷技術研究，以近年來機器學習中比較熱門的極限學習機算法為基礎，針對原有算法的不足提出幾點有價值的改進，并將其運用到航空發(fā)動機氣路部件故障模式識別和傳感器故障診斷。
　　針對核極限學習機（K-ELM）的模型參數(shù)選擇問題，提出了一種快速留一交叉驗證方法，通過評價模型在不同參數(shù)下的性能為模型選

2、定最優(yōu)參數(shù)。該方法可以避免原始的留一驗證方法N次模型的顯式訓練，將計算復雜度降低為原來的1/N（N為樣本數(shù)目）。仿真結果表明算法可以快速準確評價不同模型參數(shù)下核極限學習機的性能，為核極限學習機確定最優(yōu)的模型參數(shù)。
　　研究了基于核極限學習機的航空發(fā)動機故障模式分類問題。針對核極限學習機缺乏稀疏性、模型規(guī)模隨訓練樣本規(guī)模線性增長問題，提出了一種迭代約簡核極限學習機（RR-KELM），選取對模型建立貢獻大的樣本構成基核詞典，同時考慮訓

3、練樣本集中所有樣本對模型建立的約束，從而精簡模型結構，提高核極限學習機稀疏性。將RR-KELM算法用于航空發(fā)動機故障模式分類，根據(jù)發(fā)動機可測參數(shù)的變化識別發(fā)動機的故障模式，仿真結果表明，該算法有效提高識別精度同時精簡了模型結構。
　　研究了在線序列核極限學習算法。針對在線訓練時訓練數(shù)據(jù)隨著時間的推移而累加，本文提出了一種獨立約簡在線序列核極限學機（IR-KOSELM）?；诰€性相關原則挑選基向量組控制模型規(guī)模，結合預測誤差控制法提