文献类型：期刊文章

作　　者：胡超[1] 杨妍[1] 王松涛[1] 谢中敏[1]

HU Chao;YANG Yan;WANG Song-tao;XIE Zhong-min(College of Aeronautical Engineering,Jiangsu Aviation Technical College,Zhenjiang,China,Post Code:212134)

机构地区：[1]江苏航空职业技术学院航空工程学院,江苏镇江212134

出　　处：《热能动力工程》

基　　金：江苏省自然科学基金(BK20180863);镇江市科技计划(GY2018029)。

年　　份：2020

卷　　号：35

期　　号：12

起止页码：40-46

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了提高支持向量机(SVM)对航空发动机气路故障诊断的准确率以及在诊断过程中的可靠性,引入量子自适应粒子群优化算法(QAPSO)对其惩罚因子、核函数参数以及松弛变量进行寻优,并利用优化后的支持向量机对航空发动机气路故障进行诊断。以PW4056发动机的EHM(Equipment Health Monitoring)状态监控系统为例,将QAPSO-SVM算法、QPSO-SVM、PSO-SVM、SVM、BP和Elman神经网络用于航空发动机气路故障诊断中,从发动机故障诊断的性能参数、抗噪能力、训练时间以及诊断精度四方面进行综合比较分析。仿真结果表明:QAPSO-SVM方法在多种故障模式的诊断中准确度都要优于其他两种优化的SVM以及BP与Elman神经网络;QAPSO-SVM的平均诊断准确度与抗噪能力也要优于其他方法,并且在故障诊断性能参数不同的情况下,也能够很好地对其进行诊断,展现出较强适应能力。

关 键 词：航空发动机 支持向量机 量子粒子群 故障诊断  

分 类 号：TH17] V231.1]