隨著計(jì)算機(jī)深度學(xué)習(xí)理論的發(fā)展及航空領(lǐng)域?qū)﹃P(guān)鍵裝備智能化故障診斷與運(yùn)維需求的提升，基于深度學(xué)習(xí)的航空發(fā)動(dòng)機(jī)運(yùn)行狀態(tài)的監(jiān)測與評估方法成為了飛機(jī)安全運(yùn)行的重要保障。由于航空發(fā)動(dòng)機(jī)機(jī)械結(jié)構(gòu)復(fù)雜，軸承在高溫、高壓等惡劣環(huán)境下高速運(yùn)行，其故障特征信息存在多尺度、非線性等問題，使得故障信號難以有效識別及分析診斷。因此，本文提出了一種基于CAE-LSTM的航發(fā)軸承故障診斷方法，首先利用改進(jìn)的卷積自編碼器（Convolutional Autoencoder， CAE）對高維振動(dòng)信號進(jìn)行降維和特征提取，然后將提取到的特征輸入到長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory， LSTM）分類器中進(jìn)行故障類型識別，從而提升軸承故障分類的準(zhǔn)確性和魯棒性。實(shí)驗(yàn)結(jié)果表明本文提出的方法能夠有效地學(xué)習(xí)航發(fā)軸承傳感信號序列中的動(dòng)態(tài)特征，提高航發(fā)軸承故障診斷的精確性和智能性。

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引 言
1　 相關(guān)工作
    1.1 信號特征提取
    1.2　故障診斷模型
2　方法描述
    2.1　基于CAE的航發(fā)軸承故障特征提取方法
    2.2　故障診斷模型設(shè)計(jì)
3　實(shí)驗(yàn)與結(jié)果分析
    3.1　實(shí)驗(yàn)環(huán)境
    3.2　實(shí)驗(yàn)數(shù)據(jù)集
    3.3　評價(jià)指標(biāo)
    3.4　實(shí)驗(yàn)結(jié)果
    3.5　結(jié)果對比
4　總　結(jié)



本文編號：4039042