为解决对航空发动机传感器故障诊断时单域特征反映故障信息不全面问题,提出了一种基于优化的多域特征进行智能故障诊断的方法。该方法提取了传感器信号的时、频域特征和形态信息,共同组成多域特征,从多维度描述传感器的健康状况;并提出...为解决对航空发动机传感器故障诊断时单域特征反映故障信息不全面问题,提出了一种基于优化的多域特征进行智能故障诊断的方法。该方法提取了传感器信号的时、频域特征和形态信息,共同组成多域特征,从多维度描述传感器的健康状况;并提出了一种新的元启发式算法—改进亨利气体溶解度优化算法(Boosted Henry gas solubility optimization,BHGSO)进行特征选择,尽量以最低维度但知识丰富的高品质信息来训练故障识别模型,以减轻计算负担,并提高诊断可靠性;最后将特征向量作为传感器的健康指标,基于深度置信网络(Deep belief network,DBN)实现智能故障诊断。仿真结果表明,该研究提出的方法能够对航空发动机传感器进行有效的故障诊断,且具有较高的准确度和较小的计算负担。展开更多
文摘为解决对航空发动机传感器故障诊断时单域特征反映故障信息不全面问题,提出了一种基于优化的多域特征进行智能故障诊断的方法。该方法提取了传感器信号的时、频域特征和形态信息,共同组成多域特征,从多维度描述传感器的健康状况;并提出了一种新的元启发式算法—改进亨利气体溶解度优化算法(Boosted Henry gas solubility optimization,BHGSO)进行特征选择,尽量以最低维度但知识丰富的高品质信息来训练故障识别模型,以减轻计算负担,并提高诊断可靠性;最后将特征向量作为传感器的健康指标,基于深度置信网络(Deep belief network,DBN)实现智能故障诊断。仿真结果表明,该研究提出的方法能够对航空发动机传感器进行有效的故障诊断,且具有较高的准确度和较小的计算负担。
