發(fā)布時間：2019-03-26 17:42

【摘要】：為提高發(fā)動機轉動部件性能衰退故障診斷精度,針對傳統的淺層網絡和支持向量機(SVM)方法在診斷時存在泛化能力欠缺、易產生局部最優(yōu)解等問題,引入近年來在模式識別領域取得巨大突破,模擬人腦多層結構的深度置信網絡(DBN)進行發(fā)動機部件性能衰退故障的診斷。為改進深度置信網絡性能,提出一種在無監(jiān)督和有監(jiān)督訓練階段都可自適應調整權值的改進算法(ad_DBN)。以渦扇發(fā)動機為對象,將兩種DBN算法與BP,RBF和SVM方法從診斷精度、計算時間、抗噪能力三方面進行綜合比較分析。結果表明DBN算法診斷精度明顯優(yōu)于反向傳播(BP)神經網絡,徑向基(RBF)神經網絡和支持向量機(SVM)方法,得益于權值的自適應調整,ad_DBN診斷的平均精度高達97.84%,其抗噪聲能力也明顯優(yōu)于其他算法,能夠提高故障診斷的有效性和可靠性。
[Abstract]:In order to improve the fault diagnosis accuracy of engine rotating component performance decline, the traditional shallow layer network and support vector machine (SVM) method have some problems, such as lack of generalization ability, easy to produce local optimal solution and so on. In recent years, a great breakthrough has been made in the field of pattern recognition, which simulates the deep confidence network (DBN) of the multi-layer structure of the human brain to diagnose the performance degradation of the engine components. In order to improve the performance of deep confidence networks, an improved algorithm (ad_DBN), which adaptively adjusts weights in both unsupervised and supervised training stages, is proposed. Taking turbofan engine as an object, two kinds of DBN algorithms and BP,RBF and SVM methods are compared and analyzed comprehensively from three aspects: diagnostic accuracy, calculation time and anti-noise ability. The results show that the diagnostic accuracy of DBN algorithm is obviously better than that of backpropagation (BP) neural network, radial basis (RBF) neural network and support vector machine (SVM) method, which benefit from the adaptive adjustment of weights. The average accuracy of ad_DBN diagnosis is as high as 97.84%, and its anti-noise ability is obviously superior to other algorithms. It can improve the validity and reliability of fault diagnosis.
【作者單位】： 海軍航空工程學院飛行器工程系;海軍航空工程學院研究生管理大隊;
【基金】：國家自然科學基金(51505492) “泰山學者”建設工程專項經費資助
【分類號】：V263.6

【相似文獻】

相關期刊論文 前10條

1 張立眾;孫志勇;;“逐項排除法”在故障診斷中的應用[J];礦山機械;1990年09期

2 賈民平;機械故障診斷學的理論及其應用 第一講 故障診斷的意義及研究發(fā)展概況[J];江蘇機械制造與自動化;1999年01期

3 楊曉磊;;淺談我國鐵路機車故障診斷[J];科技風;2014年06期

4 田少民;工程機械的狀態(tài)監(jiān)測與故障診斷技術[J];工程機械;2001年01期

5 王敏,王萬俊,熊春山,黃心漢;基于多傳感器數據融合的故障診斷技術[J];華中科技大學學報;2001年02期

6 潘松海;介紹一種故障診斷方法[J];組合機床與自動化加工技術;2001年06期

7 李德躍;發(fā)動機突然熄火的故障診斷[J];城市車輛;2001年02期

8 王小虎;機械式風速表檢定中的故障診斷及維修方法[J];中國計量;2002年03期

9 王清照,肖衛(wèi)杰,王加璇;運用熱經濟學結構理論進行故障診斷的探討[J];中國電機工程學報;2003年09期

10 陳東林;煙草設備的故障診斷技術應用與展望[J];中國設備工程;2003年06期

相關會議論文 前10條

1 楊其校;劉昭度;齊志權;馬岳峰;;汽車ABS電機故障診斷[A];第三屆全國信息獲取與處理學術會議論文集[C];2005年

2 黎清海;高慶;;基于系統分層的故障診斷方法[A];第三屆全國信息獲取與處理學術會議論文集[C];2005年

3 聞競競;黃道;;故障診斷方法綜述[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

4 李t，

本文編號：2447775