基于深度学习的航空发动机传感器故障检测*
2017-09-11刘云龙谢寿生郑晓飞
传感器与微系统 2017年9期
刘云龙, 谢寿生, 郑晓飞, 边 涛
(空军工程大学 航空航天工程学院,陕西 西安 710038)
基于深度学习的航空发动机传感器故障检测*
刘云龙, 谢寿生, 郑晓飞, 边 涛
(空军工程大学 航空航天工程学院,陕西 西安 710038)
针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法。对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测。仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型。
航空发动机传感器; 故障检测; 深度学习; 深度置信网络; 飞参数据
0 引 言
航空发动机传感器通常于在高温、高压等恶劣、复杂的工作环境下,传感器故障频发,占发动机控制系统故障的很大比例[1]。因此,研究传感器故障检测技术,提高故障检测水平,对于保证飞行安全具有重要意义。
传感器故障诊断技术理论方法主要分为三大类:基于冗余技术的传感器故障诊断方法、基于信号处理的故障诊断方法和人工智能方法[2,3]。在人工智能方法中,反向传播(back propogation,BP)神经网络、支持向量机(support vector machine,SVM)及其改进方法被广泛用于航空发动机传感器故障检测中,并取得了一定的成果。在长期实践中,BP神经网络和SVM等具有单隐含层节点的浅层机器学习模型的问题显现。……
登录APP查看全文
