文献类型：期刊文章

作　　者：李业波[1] 李秋红[1] 黄向华[1] 赵永平[2]

机构地区：[1]南京航空航天大学能源与动力学院江苏省航空动力系统重点实验室,江苏南京210016 [2]南京理工大学机械工程学院,江苏南京210094

出　　处：《航空学报》

基　　金：国家自然科学基金(51006052;61104067);航空科学基金(20110652003);中央高校基本科研业务费专项基金(NZ2012104);江苏省2012年度普通高校研究生科研创新计划(CXZZ12_0169)~~

年　　份：2014

卷　　号：35

期　　号：6

起止页码：1612-1622

语　　种：中文

收录情况：AJ、AMR、BDHX、BDHX2011、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2013_2014、EI(收录号：20142817936176)、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对发动机气路部件故障,提出了一种基于模型和基于数据驱动的融合诊断方法。采用极端学习机(ELM)实现基于数据驱动的故障诊断。针对ELM随机选择输入层权值和隐含层偏置带来的缺点,采用改进微分进化(IDE)算法以训练样本的均方根误差(RMSE)和输出层权值的范数为评价标准对其进行优化,减少了ELM的隐含层节点数,提高了网络的泛化能力。同时,由于传感器数目的不足,采用基于奇异值分解(SVD)的Kalman(SVD-Kalman)滤波器实现基于模型的部件故障诊断。为了提高航空发动机部件故障诊断的精度,利用改进的迭代约简最小二乘支持向量回归机(IRR-LSSVR)算法对两种算法的估计结果在特征层进行定量融合。仿真结果表明,在发动机稳态状态下,与单独使用基于模型和数据驱动的诊断方法相比,采用特征层融合有效地提高了部件故障诊断的精度和准确率。

关 键 词：航空发动机 极端学习机 部件故障  微分进化 KALMAN滤波器 信息融合

分 类 号：V233.7]