支持向量機在航空發(fā)動機氣路故障診斷中的應(yīng)用.pdf

1、航空器的核心部件——航空發(fā)動機，一旦出現(xiàn)故障，勢必會對飛行過程的穩(wěn)定性、安全性造成極大的威脅。航空發(fā)動機故障一般分為氣路部件故障、附件故障和轉(zhuǎn)子故障。據(jù)不完全統(tǒng)計，90％的發(fā)動機故障都是氣路故障，而氣路故障又是最難以判斷的。因此對發(fā)動機氣路部件進行故障診斷，對于航空發(fā)動機的及時預(yù)警和檢修都有著重大意義。
　　傳統(tǒng)的故障診斷算法有基于線性化模型的故障方程的方法，該方法隨著發(fā)動機規(guī)模的復(fù)雜程度不斷提升，建模精度難以保證；而神經(jīng)網(wǎng)絡(luò)相關(guān)

2、方法需要大量數(shù)據(jù)樣本進行訓(xùn)練，且具有容易陷入局部最優(yōu)等缺陷。而數(shù)據(jù)驅(qū)動的支持向量機方法，無需建立數(shù)學(xué)模型，無需大量故障數(shù)據(jù)進行訓(xùn)練，采用相關(guān)的數(shù)據(jù)特征提取方法對數(shù)據(jù)進行處理，便可對故障數(shù)據(jù)進行分類，完成故障診斷問題。
　　基于數(shù)據(jù)驅(qū)動的方法在處理實際工程問題時，數(shù)據(jù)的來源都是傳感器測量獲得。一旦傳感器自身出現(xiàn)故障，其測量數(shù)據(jù)就不可靠，勢必會造成氣路故障診斷的誤判。故本文對傳感器自身故障診斷進行研究分析。查閱相關(guān)文獻后，決定從傳感器

3、故障信號的表現(xiàn)形式上著手，通過MAT LAB仿真出其出現(xiàn)故障時，傳感器輸出信號的表現(xiàn)形式，并采用PCA主元分析法和小波包分解，提取傳感器故障特征。已有文獻采用小波分析或者神經(jīng)網(wǎng)絡(luò)的故障診斷方法，對于傳感器的某些故障診斷效果較好，而傳感器的某些故障則診斷效果不好。本文研究分析后，提出一種新興的Multi-kernel SVM的方法應(yīng)用于傳感器故障診斷中，實驗證明該方法能有效地提高傳感器各種故障的診斷效果。并驗證了支持向量機方法在實際應(yīng)用中

4、的推廣性能，并給出了發(fā)動機氣路部件故障和傳感器自身故障的區(qū)分方案。
　　本文以某型號雙轉(zhuǎn)子渦噴發(fā)動機為研究對象，利用已有文獻中的氣路部件故障數(shù)據(jù)，對其氣路部件故障進行診斷。采用數(shù)據(jù)驅(qū)動的經(jīng)典方法，如KNN、LDA和SVM方法分別應(yīng)用于氣路部件故障診斷中，實驗發(fā)現(xiàn)其診斷效果均不理想。而Multi-kernel SVM方法在發(fā)動機氣路部件故障診斷的應(yīng)用上，需要處理多個傳感器特征提、特征融合系數(shù)計算等問題，這個過程將會相當(dāng)復(fù)雜，運算成本