基于极限学习机的航空发动机传感器故障诊断研究

摘要

针对基于梯度的传统学习算法多存在参数选择困难、容易陷入局部最小化、过拟合等问题，研究了基于极限学习机的航空发动机传感器故障诊断方法。内容涉及极限学习机算法的优势及改进、双冗余传感器故障诊断机制的建立及传感器故障的仿真验证。
　　首先分析和论述了极限学习机算法的优势。极限学习机算法仅需设置隐含层神经元的个数和选择激活函数，缩短了训练时间。仿真表明：在所建的训练模型精度相近的情况下，极限学习机算法的训练速率比BP神经网络算法的训练速率快两百多倍，且他们的测试精度和测试时间相近。
　　其次分析比较贴合实际的在线贯序极限学习机算法，并提出加权在线贯序极限学习机算法。运用给新旧数据分配不同的权值的方法，实现了对新数据和旧数据的不等权处理。仿真表明：加权在线贯序极限学习机算法比在线贯序极限学习机算法拥有更高的模型测试精度。
　　然后利用加权在线贯序极限学习机算法建立航空发动机传感器的双冗余故障诊断模型，运用空间冗余和时间冗余的结合来实现故障传感器的诊断与定位。并提出用空间冗余残差变化幅值来检测软故障的方法，使软故障的检测时间减短。仿真结果表明：该方案具有一定的可行性，它能够准确进行单一传感器的软故障与硬故障诊断以及直观显示诊断结果。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 论文主要工作内容

1.4 本章小结

第二章 航空发动机传感器故障诊断方法

2.1 传感器故障类型

2.2 传感器故障诊断理论方法分析

2.3 极限学习机算法及其优势

2.4 本章小结

第三章 航空发动机传感器故障诊断算法的改进

3.1 OS-ELM算法概述

3.2 WOS-ELM算法

3.3 WOS-ELM算法与OS-ELM算法的对比

3.4 本章小结

第四章 基于WOS-ELM算法的航空发动机传感器故障诊断

4.1 双冗余模型

4.2 基于WOS-ELM算法的双冗余航空发动机传感器故障诊断方法

4.3 本章小结

第五章 航空发动机传感器故障诊断的仿真研究

5.1 故障诊断窗口设计

5.2 航空发动机传感器无故障状态仿真

5.3 航空发动机传感器硬故障诊断

5.4 航空发动机传感器软故障诊断

5.5 航空发动机传感器故障信号的重构

5.6 本章小结

结论

参考文献

致谢

攻读硕士期间发表论文