-
题名应用快速多分类SVM的航空发动机故障诊断方法
被引量：20
- 1
-
-
作者
徐启华
师军
耿帅
-
机构
淮海工学院电子工程学院
西北工业大学第
-
出处
《推进技术》
EI
CAS
CSCD
北大核心
2012年第6期961-967,共7页
-
文摘
提出了一种新的快速多分类SVM算法,用于解决大样本情况下航空发动机的多类故障诊断问题。首先,选用层次支持向量机(H-SVM)来实现多类分类,用各类数据中心代表该类数据,通过自组织特征映射神经网络(SOFM)进行聚类,把类中心之间距离较近的数据归为同一个子类进行训练,得到H-SVM层次结构。其次,在训练H-SVM中的二元分类器时,应用相对边界向量(RBV)代替全部训练样本,在保持分类精度几乎不变的条件下大幅度减少了训练样本数,使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短。在分类数据混迭较为严重的情况下,新算法先剔除混迭的异类数据,再计算RBV,并且把与计算的RBV距离小于一定数值的样本都选择来训练SVM,保证了RBV的合理性,防止了关键数据的丢失,有效提高了分类精度。针对一个航空涡喷发动机5类复合故障的分类进行了实例仿真,总的故障分类正确率达到91.2%,二元SVM的训练时间最多只有原来的16.20%;当训练样本总数达到7500的大规模情况下,根据本算法,约减后的样本数量只有原来的3.05%。仿真结果表明,提出的算法有效、可靠,容易实现。
-
关键词
航空发动机
支持向量机
故障诊断
大规模训练集
样本约减
神经网络
-
Keywords
Aero-engine
Support vector machines
Fault diagnosis
Large-scale training set
Sample pruning
Neu- ral networks
-
分类号
V263.6
[航空宇航科学与技术—航空宇航制造工程]
TP181
[自动化与计算机技术—控制理论与控制工程]
-
