王小雷,　林学森,　杨欣毅

(1.中国人民解放军91715部队82分队,广东 广州　510750;2.海军航空工程学院 飞行器工程系,山东 烟台　264001)



ELM在航空发动机气路部件故障诊断的应用研究

王小雷1,林学森2,杨欣毅2

(1.中国人民解放军91715部队82分队,广东 广州510750;2.海军航空工程学院 飞行器工程系,山东 烟台264001)

摘要：针对航空发动机故障呈现复杂性、多样性、非线性等特点,运用传统的BP、ELman神经网络进行发动机气路部件故障诊断存在网络训练参数设置复杂,迭代次数多,训练速度慢,泛化能力欠缺等问题。为此提出利用极限学习机(Extreme Learning Machine,ELM)法识别涡扇发动机气路部件故障。该方法通过为输入权和隐藏层偏置随机赋值,利用MP逆求解输出权值。以某型涡扇发动机为对象,进行ELM、 BP、ELman气路部件故障诊断比较研究,实验结果验证了利用ELM识别涡扇发动机气路部件故障的精确性、快速性、稳定性。

关键词：航空发动机; 气路部件; 故障诊断; 极限学习机(ELM)

1引言

航空发动机气路部件故障对飞机影响巨大,在飞行过程中,航空发动机气路部件一旦发生故障,后果不堪设想,轻则对飞机的飞行性能造成一定的影响,重则有可能机毁人亡,造成重大损失,所以对航空发动机气路故障诊断一直受到高度重视[1]。

目前,应用比较广泛的航空发动机气路部件数据驱动的方法是神经网络法,而在神经网络中应用较多的是BP神经网络和ELman神经网络。传统的BP神经网络和ELman神经网络等方法构造信度函数矩阵,网络训练参数设置复杂,迭代次数多,训练速度慢,泛化能力欠缺,容易产生局部最优解,存在一定的随机性和片面性,可信度较差。……