【摘要】：發(fā)動機作為飛行器的動力來源,起著至關重要的作用。航空發(fā)動機和無人機電機系統(tǒng)的正常工作是飛機安全運行的保證,對故障的及時診斷和精準定位有著重要意義。由于無人機和航空發(fā)動機存在復雜的結構、非線性的系統(tǒng)模型以及外界噪聲的干擾,難以構造出高精度的模型。本文采用深度學習的理論知識,憑借其處理復雜非線性問題的優(yōu)點,基于數據的方式,提出了航空發(fā)動機氣路部件和無人機執(zhí)行器故障診斷方法。進行的研究工作主要為以下幾點:(1)搭建六旋翼無人機和航空發(fā)動機實驗仿真和數據采集系統(tǒng),獲得實驗所需的樣本數據。針對無人機和航空發(fā)動機數據特點,對數據采取預處理和特征提取的方法。并且對無人機和航空發(fā)動機的故障進行分類和編碼,為深度神經網絡的訓練打好基礎。(2)基于深度學習中的自編碼網絡理論,設計了基于深度學習的無人機執(zhí)行器故障診斷網絡模型。通過加入降噪自編碼網絡,提高無人機故障診斷網絡模型的魯棒性。通過對比實驗,分析了 AE層數和樣本長度對模型性能的影響,進一步優(yōu)化網絡結構,提高準確率。(3)分析航空發(fā)動機氣路特性和故障類型,設計了基于深度學習的航空發(fā)動機故障診斷網絡模型,對于整個故障診斷流程進行了具體介紹。通過對比實驗,分析了網絡層數對模型性能的影響,使得故障診斷模型達到較高的準確率。(4)通過無人機和航空發(fā)動機的故障診斷實驗,表明了深度學習在航空發(fā)動機和無人機故障診斷中具有的可行性和實用性。并且通過有效的預處理和特征提取方法,使得故障診斷性能達到較高水準,為實際無人機和發(fā)動機的故障診斷研究提供了重要的參考價值。
【圖文】：

識別和音頻識別中表現出較好的性能。逡逑２．３．３卷積神經網絡逡逑卷積神經網絡（Ｃｏｎｖｏｌｕｔｉｏｎａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ）的基本結構和計算過程如圖２－４逡逑所示。卷積神經網絡有兩種特殊的結構，一個是卷積層，一個是下采樣層。卷積層逡逑一般由多個卷積核構成，通過卷積核得到多個特征圖。卷積計算可以使原信號的特逡逑征得到增強［３８］，，并且有降噪的作用。下采樣層則利用了圖像局部特征的原理，對圖逡逑像進行子采樣，目的是為了保證圖像有用信息不被破壞的前提下減少數據處理量，逡逑簡化網絡的復雜度，減少網絡的參數。子采樣也叫做池化（ｐｏｏｌｉｎｇ），通常有均值子逡逑采樣（ｍｅａｎ邋ｐｏｏｌｉｎｇ）和最大值子米樣（ｍａｘ邋ｐｏｏｌｉｎｇ）兩種形式。卷積神經網絡在深逡逑度學習中的使用最為廣泛，尤其是在圖像識別和音頻識別領域，卷積神經網絡表現逡逑出優(yōu)良的性能。逡逑Ｉｎｐｕｔ邐ｆｘ逡逑Ｔ邋ｂｘ邋ｕ邋ｈ邋？，邋ｈ邋？逡逑Ｃｘ逡逑圖２－

圖２－６顯卡驅動的正確配置逡逑（３）安裝深度學習所依賴的開源視覺庫ＯｐｅｎＣＶ和Ｐｙｔｈｏｎ發(fā)行版本Ａｎａｃｏｎｄａ
【學位授予單位】：廈門大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：V263.6;TP181

【參考文獻】

相關期刊論文 前4條

1 柳小桐;;BP神經網絡輸入層數據歸一化研究[J];機械工程與自動化;2010年03期

2 尉詢楷;李應紅;;航空發(fā)動機狀態(tài)監(jiān)控與診斷現狀及發(fā)展趨勢[J];控制工程;2007年S3期

3 戴文戰(zhàn);基于三層BP網絡的多指標綜合評估方法及應用[J];系統(tǒng)工程理論與實踐;1999年05期

4 張津;民用航空發(fā)動機狀態(tài)監(jiān)視和故障診斷系統(tǒng)研究[J];航空動力學報;1994年04期

相關博士學位論文 前7條

1 劉永建;基于改進神經網絡的民機發(fā)動機故障診斷與性能預測研究[D];南京航空航天大學;2012年

2 任淑紅;民航發(fā)動機性能可靠性評估與在翼壽命預測方法研究[D];南京航空航天大學;2010年

3 顏秉勇;非線性系統(tǒng)故障診斷若干方法及其應用研究[D];上海交通大學;2010年

4 欒圣罡;基于氣路參數樣本的航空發(fā)動機狀態(tài)監(jiān)視方法與系統(tǒng)研究[D];哈爾濱工業(yè)大學;2008年

5 張鵬;基于卡爾曼濾波的航空發(fā)動機故障診斷技術研究[D];南京航空航天大學;2009年

6 楊虞微;現代航空燃氣渦輪發(fā)動機故障分析與智能診斷關鍵技術研究[D];南京航空航天大學;2007年

7 郝英;基于智能技術的民航發(fā)動機故障診斷和壽命預測研究[D];南京航空航天大學;2006年

相關碩士學位論文 前10條

1 劉宏偉;航空發(fā)動機典型故障監(jiān)測方法研究[D];沈陽航空航天大學;2017年

2 趙亞洲;航空燃氣輪機渦輪葉柵燒蝕問題的數值研究[D];中國工程物理研究院;2016年

3 楊楠;基于Caffe深度學習框架的卷積神經網絡研究[D];河北師范大學;2016年

4 張宇;四旋翼無人機的容錯控制方法研究[D];哈爾濱工業(yè)大學;2015年

5 林敏;極限學習機在航空發(fā)動機氣路故障診斷中的應用[D];上海交通大學;2015年

6 陳陽;六旋翼無人機容錯飛行控制研究[D];南京航空航天大學;2014年

7 陳先昌;基于卷積神經網絡的深度學習算法與應用研究[D];浙江工商大學;2014年

8 陳碩;深度學習神經網絡在語音識別中的應用研究[D];華南理工大學;2013年

9 殷芝霞;四旋翼直升機多故障系統(tǒng)故障診斷與容錯技術研究[D];南京航空航天大學;2013年

10 鄭波;基于粗糙神經網絡的飛機發(fā)動機故障診斷技術研究[D];中國民用航空飛行學院;2009年

本文編號：2662682