基于深度学习的飞行器智能故障诊断方法

论文摘要

高温度、快转速、重载荷、大扰动和强冲击的复杂运行工况使得飞行器关键机械部件不可避免地发生故障。飞行器的关键机械部件故障特征往往具有微弱性、非线性、耦合性、不确定性以及因果关系复杂等特点。以"先进信号处理技术+特征提取及选择"为框架的传统智能方法难以有效承担飞行器故障检测任务,深度学习作为智能故障诊断领域中的新起之秀,能自主挖掘隐藏于原始数据中的代表性诊断信息,直接建立原始数据与运行状态间的精确映射联系,在很大程度上摆脱了对人工特征设计与工程诊断经验的依赖。介绍了深度置信网络、卷积神经网络、深度自动编码机和循环神经网这四种主流深度学习模型的基本原理,总结了深度学习在故障诊断领域中最新研究现状,描述了基于四种深度学习模型的故障诊断思路,并依次实现了其在机械部件智能诊断和预测中的应用。试验结果表明深度学习方法能有效建立监测数据与关键机械部件健康状态间的精确映射联系,实现准确的故障诊断和预测。

论文目录

• 0前言
• 1 深度学习主流模型简介
•   1.1 深度置信网络模型
•   1.2 卷积神经网络模型
•   1.3 深度自动编码器模型
•   1.4 循环神经网络模型
• 2 试验验证
•   2.1 基于连续深度置信网络的轴承故障预测
•   2.2 基于最优卷积神经网络的轴承故障识别
•   2.3 基于深度小波自动编码器的故障特征学习
•   2.4 基于自适应循环神经网络的智能故障诊断
• 3 结论

文章来源

类型: 期刊论文

作者: 姜洪开,邵海东,李兴球

关键词: 飞行器,深度学习,智能故障诊断

来源: 机械工程学报 2019年07期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 航空航天科学与工程,自动化技术

单位: 西北工业大学航空学院

基金: 国家自然科学基金(91860124,51875459),航空科学基金(20170253003)资助项目

分类号: TP183;V267

页码: 27-34

总页数: 8

文件大小: 742K

下载量: 1754