基于多分类器融合的航空发动机气路故障诊断

《基于多分类器融合的航空发动机气路故障诊断》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、2010年4月沈阳航空工业学院学报Apr．2010第27卷第2期JournalofShenyangInstituteofAeronauticalEngineeringV01．27No．2文章编号：1007—1385(20LO)02—0042—03基于多分类器融合的航空发动机气路故障诊断张宗杰1蒋丽英1黄燕2(1．沈阳航空工业学院自动化学院，辽宁沈阳110136；2．青岛恒星技术学院数控学院，山东青岛266100)摘要：为解决航空发动机这一复杂系统的故障诊断问题，提高智能化诊断方法的准确率，使用了D—s证据理论

2、对RBF神经网络、BP神经网络和支持向量机三个诊断子系统的诊断结果进行决策级融合，结果表明D—S证据理论的使用可以达到比单独运用三个子系统具有更好的诊断效能，经过融合降低了误诊率，改善了诊断性能。关键词：航空发动机；气路故障诊断；神经网络；支持向鼍机；D—S证据理论中图分类号：TP277文献标识码：A发动机故障在飞行故障中占有相当大的比例，是影响飞行安全和经济性的重要因素。在发动机故障诊断技术中，气路参数分析技术具有重要地位，气路故障诊断是利用带有噪音或偏置的气路参数对发动机性能进行诊断。当前气路故障诊断主要

3、是利用单一的分类算法对气路故障进行诊断，误诊率比较高。航空发动机气路故障存在的主要困难有：发动机系统的复杂性和高度非线性，可用于诊断的数据参数非常有限，以及噪音和测量偏差导致的传感器测量不确定性。在模式识别领域，不同的分类算法可能得到不同的分类性能，但没有一种分类算法能对所有的应用都取得很好的效果。多分类器融合(multi—pieclassifierfusion，MCF)或多分类器系统(multi—pieclassifiersystems，MCS)是模式识别领域近年来最重大的进步之一，无论是理论还是实际研究都

4、表明多分类器融合在提高复杂分类问题的分类性能方面比单分类器有效得多。因此，MCS已被应用于很多领域，但在航空发动机故障诊断领域的研究还很少。本文通过对JT9D发动机的10种故障进行仿真研究，仿真结果表明MCS具有更好的诊断效能，经过融合降低了误诊率，改善了诊断性能。1多分类器系统设计1．1设计模型收稿日期：2009—09—25作者简介：张宗杰(1980一)．男。山东l临沂人，硕士研究生，主要研究方向：模拟识别与故障诊断，E—mail：traveler817@gmail．tom。MCS通过某种规则将系统中各分类

5、器的判决结果融合起来，得到系统的决策结果。从MCS的运作过程可以看出，它可由4个互不排斥的部分表征⋯，分别是系统输人、单分类器设计、MCS体系结构、融合规则。对于一个MCS，系统输入与具体问题相关，体系结构的变化也相对较少，因而其设计主要集中在对单分类器和融合规则的设计上。系统输入是指输入的表示方式及单个分类器输入的确定；单分类器设计是指各个分类器学习算法和相关参数的定义；MCS体系结构有串行和并行两种类型，本文采用并行结构；融合规则指分类器判决的组合方式，我们选用的是D—S证据理论。一旦这4个部分确定，一个

6、MCS也随之确定。对于MCS，如果把参与融合的单分类器看作分类特征，而把融合规则当作一个组合器，则MCS实际就是一个分类器。当前分类系统的设计没有统一的理论作指导，可行的方法只能是通过实验来验证。1．2单分类器选择近年来神经网络、支持向量机和数据融合等智能化方法在航空发动机故障诊断中得到应用，取得了不错的诊断效果。然而南于航空发动机对象的复杂性，上述智能化方法在使用中还存在误诊和漏诊的情况，如果能将智能故障诊断方法有效结合起来，使其能够互补就可以明显提高现有诊断方法的准确率。人工神经网络具有人脑功能的基本特征

7、即学习，记忆和归纳。故障诊断的实质就是对诊断对象的故障模式进行分类和识别，或根据现有的知识和一定的推理机制推断出其故障的所在部位和第2期张宗杰等：基于多分类器融合的航空发动机气路故障诊断43严重程度。由于神经网络具有处理复杂模式及进行联想，推测和记忆的功能，因而它非常适合应用于各种系统的故障诊断，被认为是最具潜力的诊断工具【2J，具有良好的工程应用前景。在发动机气路诊断中，常用的网络模型有BP网络、RBF网络等。其中BP网络是一种前馈的，有导师监督的学习网络，神经元节点通过权连接，可以实现输入与输出的非线性映

8、射，从而实现模式空间的转换。BP网络算法成熟，结构简单，获得了广泛应用。BP神经网络算法进行故障诊断的基本原理是用向量Y表示发动机的故障状态，向量x表示发动机可测量的特征参数。利用大量的x—Y故障样本对网络进行训练，将故障特征信息学习并存储到网络神经元之间的连接权值上。诊断时，根据输入发动机可测量的特征参数即可在网络输出层找到对应的故障识别。RBF网络具有的强大的非线性映射特性、容错性、自适应性、更