隨著電子技術(shù)等在航空領(lǐng)域的應(yīng)用,越來越多的傳感器被安裝在飛機(jī)上,用于監(jiān)控飛機(jī)的運(yùn)行狀態(tài)。由于飛機(jī)上傳感器的增多,飛機(jī)運(yùn)行時(shí)會(huì)產(chǎn)生大量信息,從海量信息中尋找飛機(jī)運(yùn)行規(guī)律與異常信息,從而進(jìn)行狀態(tài)監(jiān)控與故障診斷,顯然離不開計(jì)算機(jī)的幫助。因此,人工智能中的大數(shù)據(jù)處理、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘已經(jīng)在相關(guān)發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷軟件中使用越來越頻繁。人工智能中用來分類數(shù)據(jù)的常見分類器各有自己的優(yōu)缺點(diǎn),由于各種算法自身的局限性,通過某種單一算法很難大幅度提升故障分類的準(zhǔn)確性。在不能確定是否能進(jìn)一步提高分類器的分類性能的情況下,組合多個(gè)分類器進(jìn)行分類,通常能夠提高分類的精確度。AdaBoost算法是組合分類算法中的典型算法,擁有堅(jiān)實(shí)的理論基礎(chǔ),以及廣泛的應(yīng)用范圍。運(yùn)用組合分類的AdaBoost算法,綜合多個(gè)分類模型進(jìn)行診斷,是提升故障識(shí)別精度的一種較好的方法。因此,本文主要研究了如何實(shí)現(xiàn)AdaBoost算法應(yīng)用于航空發(fā)動(dòng)機(jī)故障診斷。通過AdaBoost算法及其改進(jìn)算法的結(jié)合,建立一種多分類的AdaBoost算法,以支持向量機(jī)為基礎(chǔ)分類器,進(jìn)行綜合診斷模型的建立。通過單位向量法、比值系數(shù)法和相關(guān)系數(shù)法三種方法... 

【文章來源】：中國民航大學(xué)天津市

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
注釋表
第一章 緒論
    1.1 選題背景和意義
    1.2 航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷的發(fā)展現(xiàn)狀
        1.2.1 航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷的發(fā)展歷程
        1.2.2 發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷的國內(nèi)外研究應(yīng)用現(xiàn)狀
    1.3 發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷存在的主要問題
    1.4 本文研究?jī)?nèi)容
第二章 數(shù)據(jù)預(yù)處理
    2.1 數(shù)據(jù)來源
    2.2 數(shù)據(jù)預(yù)處理方法
    2.3 數(shù)據(jù)噪聲的添加方法
    2.4 本章小結(jié)
第三章 AdaBoost算法研究
    3.1 AdaBoost算法
        3.1.1 AdaBoost算法理論
        3.1.2 AdaBoost算法的訓(xùn)練誤差與泛化誤差分析
        3.1.3 AdaBoost算法的二分類問題與多分類問題
    3.2 AdaBoost算法基礎(chǔ)分類器的選擇
    3.3 AdaBoost-SVM算法介紹
    3.4 本章小結(jié)
第四章 建立發(fā)動(dòng)機(jī)多分類故障診斷模型
    4.1 故障診斷模型的設(shè)計(jì)
    4.2 診斷模型的分析
        4.2.1 診斷模型訓(xùn)練過程的分析
        4.2.2 診斷模型訓(xùn)練結(jié)果的分析
    4.3 診斷模型在實(shí)例中的應(yīng)用
        4.3.1 性能數(shù)據(jù)偏差值的獲得
        4.3.2 不同型號(hào)發(fā)動(dòng)機(jī)的實(shí)際案例診斷
    4.4 本章小結(jié)
第五章 故障診斷系統(tǒng)設(shè)計(jì)
    5.1 系統(tǒng)設(shè)計(jì)思路
        5.1.1 系統(tǒng)需求分析
        5.1.2 系統(tǒng)功能模塊
        5.1.3 系統(tǒng)工作流程設(shè)計(jì)
    5.2 主要功能實(shí)現(xiàn)及應(yīng)用展示
        5.2.1 用戶登錄
        5.2.2 數(shù)據(jù)管理
        5.2.3 狀態(tài)監(jiān)控
        5.2.4 故障診斷
        5.2.5 趨勢(shì)分析
        5.2.6 其他功能
    5.3 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
附錄
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]基于弱分類器調(diào)整的多分類Adaboost算法[J]. 楊新武,馬壯,袁順.  電子與信息學(xué)報(bào). 2016(02)
[2]AdaBoost算法研究進(jìn)展與展望[J]. 曹瑩,苗啟廣,劉家辰,高琳.  自動(dòng)化學(xué)報(bào). 2013(06)
[3]AdaBoost及其改進(jìn)算法綜述[J]. 廖紅文,周德龍.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2012(05)
[4]不平衡多分類問題的連續(xù)AdaBoost算法研究[J]. 付忠良.  計(jì)算機(jī)研究與發(fā)展. 2011(12)
[5]基于Boosting-SVM算法的航空發(fā)動(dòng)機(jī)故障診斷[J]. 孫超英,劉魯,劉傳武,尉詢楷.  航空動(dòng)力學(xué)報(bào). 2010(11)
[6]航空發(fā)動(dòng)機(jī)故障診斷技術(shù)研究[J]. 鄭波,朱新宇.  航空發(fā)動(dòng)機(jī). 2010(02)
[7]基于動(dòng)態(tài)權(quán)重裁剪的快速Adaboost訓(xùn)練算法[J]. 賈慧星,章毓晉.  計(jì)算機(jī)學(xué)報(bào). 2009(02)
[8]一種基于指數(shù)損失函數(shù)的多類分類AdaBoost算法及其應(yīng)用[J]. 胡金海,駱廣琦,李應(yīng)紅,汪誠,尉詢凱.  航空學(xué)報(bào). 2008(04)
[9]一種用于不平衡數(shù)據(jù)分類的改進(jìn)AdaBoost算法[J]. 郭喬進(jìn),李立斌,李寧.  計(jì)算機(jī)工程與應(yīng)用. 2008(21)
[10]Diverse AdaBoost-SVM分類方法及其在航空發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用[J]. 胡金海,謝壽生,蔡開龍,何秀然,彭靖波.  航空學(xué)報(bào). 2007(05)

碩士論文
[1]基于SVM多分類的PW4000故障診斷研究[D]. 張卓.中國民航大學(xué) 2015



本文編號(hào)：3095419