论文研究-RVM在航空发动机故障诊断中的应用研究.pdf

所需积分/C币:9 2019-09-08 17:40:36 607KB .PDF
61
收藏 收藏
举报

针对支持向量机算法存在的不足,研究了一种基于稀疏贝叶斯框架的机器学习方法——相关向量机在航空发动机故障检测中的应用。排气温度是进行发动机监控与故障诊断的重要依据,应用相关向量机对其进行预测。通过仿真实验,证明了相关向量机方法在样本数据较少的情况下只产生了很少的相关向量,并且能够及时准确地预测出发动机排气温度;同时可以使用真实值与预测值的相对误差作为系统是否发生故障的判断依据。
2222012,48(25) Computer Engineering and Applications计算机工程与应用 50 实际值 …预测值 45 预测值 45 真实值 相关问量 营监试 8把 30 巡监 10 050100150200250300350 050100150200250300350 样本序号i 样本序号i 图1RVM预测数据与实测数据比较图 图2 LSSVM预测数据与实测数据比较图 Plot, a 排气温度TG进行预测,将预测值与实测值进行比较 这样该模型的求解就转变为如何获取a和(数据进行了处理,只代表相对变化率)以验证算法 σ的问题上了。因为没有解析方法可以求解式(4)的有效性。 的最大值,所以可以使用数值方法求近似解。在式(4) 仿真实验中首先使用RⅤM方法对发动机排气温 中对a和a2求偏导叮得 度进行预测,并与使用最小二乘支持向量机( Least Squares Support Vectors machine, LSSVM)方法得 new 到的预测结果进行了比较。两种预测方法参数设定 如下:(1)RⅤM选用高斯核函数,高斯核宽度σ=4.51, t-gp (6)(2) LSSVM:选用径向基核函数核宽度σ=2.3,惩罚 N-∑7 系数C=300。 22彷真结果及分析 按2节的RM和LSVM算法设置,使用选择 其中,Σ,为∑屮第i项对角元素。可以先给出a和 的样本数据建立RVM和 LSSVM模型以预测排气温 的估计值,再由式(6)不断更新,就能得到aM和度。两种算法的仿真结果如图1、图2所示 o2p的近似解了 图1、图2为RVM方法与LSSⅥM方法对Tc的 由相关向量机得到的预测模型可以建立在较少预测结果比较;图3、图4为RVM方法与 LSSVM方法 的训练样本上,而超参数的训练过程中会有很少一的预测相对误差比较。从以上仿真结果可以看出, 部分不趋向于无穷大,最终产生了很好的稀疏解。在数据样本集较少的情况下,相关向量机仍然能够 这些超参数对应的样本即为相关向量(Rⅴs),类似于进行准确快速的预测。由表1给出的两种方法比较 支持向量机屮的支持向量(SVs)。 结果可知,与LSSⅤM方法相比,RVM方法方法误差 12RVM预测过程 较小,建模时间长,但是预测时间短,有较强实时性。 航空发动机日常主要监控数据样本包括发动机23RVM诊断 排气温度T、高压转子转速N、低压转子转速M1、 以某型航空发动机出现偏置故障时的数据为样 燃油流量FF等,本文使用RVM对排气温度进行预本,验证利用RVM对系统进行诊断的效果。图5、图 测。受现役发动机测试和监控条件等因素的限制,6给出了仿真结果。 很难得到人量的样本数据,并∏许多测量数据也不 在图6中,可以看出在系统出现故障即第350组 完全。在使用2.1节研究的RVM算法对排气温度进数据前,RVM的预测结果与实测数据的相对误差只 行预测时,首先从发动机试车数据中选择适当原始有幅度很小的波动,这是由预测误差产生的,当发生 样本,进行归一化处理后,带入式,超参数α和方差故障时,误差会在短时间内增大。因此,只要将相对 σ2按照式计算,最后由式即可得到概率性预测结果。误差与设定阈值相比较,当超出某一范围时即可认 为发动机出现故障。 2算例验证及分析 21算例设置 3结论 本文选择某型航空发动机试车数据中的前150 航空发动机排气温度是发动机气动热力参数的 组数据进行建模,然后对全部350组数据中的发动机重要组成部分,通过对EGT的监控,能够实现肮空发 沈默,廖瑛,尹大伟:RVMⅥ在航空发动机故障诊断中的应用研究 2012,48(25)223 0.04 0.02 0.02 三 原-0.04 -0.08 0.10 050100150200250300350 050100150200250300350 样本序号i 样本序号 图3RVM预测数据与实测数据相对误差图 图4SSVM预测数据与实测数据相对误差图 0.10 ………预测值 一真实值 0.08 64 45 0.02 -0.04 0.06 0.08 340360380400420440460 340360380400420440460 样本序号i 样本序号i 图5RVM故障数据预测图 图6故障数据相对误差图 表1RVM与LSSⅤM颜测模型对比 京:南京航空航天大学,2008 RVM LSSVM [3]丁刚基于过程神经网络的航空发动机排气温度预测[]航 均方根误差004180.0723 空动力学报,2009,24(5):1035-1039 建模时间/s0.35150.0439 [4]尉询楷,陆波支持向量机在航空发动机故障诊断中的应 预测时间/s000500.1224 用[航空动力学报,2004,19(6):844-848 [5 Tipping M eBayesian inference: an introduction to prin 动机状态监测12。本文采用了一种基于RⅤM的智 ciples and practice in machine learning[J]. Machine Learning 能学习方法对航空发动机排气口温度进行建模,并 2004(7):41-62 对其变化进行了预测,进而对发动机故障预测及诊6] Tipping M E Sparse Bayesian learning and the rele 断提供帮助。由本文的研究可以得到以下结论 vance vector machine[J]. Machine Learning Research 2001(1):211244 (1)使用RVM进行发动机排气温度预测,能够得 [7 Chen S, Gunn S R, Harris C T The relevance vector 到准确的概率性预测结果,可以为故障诊断提供依据。 machine technique for channel equalization application[j 为提高诊断的准确度,可以对转子转速等多个监控参 IEEE Transactions on Neural Networks, 2001, 12(6) 数同时进行预测,具体操作方法还需进步研究。 1529-1532 2)RVM的解有着非常好的稀疏特性,产生的[8]杨树仁,沈洪远基于相关向量机的机器学习算法硏究与 RVs远远少于SⅥM方法产生的Ss,在保持了泛化 应用门计算技术与自动化,2010,29(1):43-47 性的同时,复杂度较SM要低得多,具有明显的优势。[9 Tzikas D sparse bayesian methods for regression prob (3)RⅥM的预测时间短,实现了对故障情况的实 lems[D. University of Ioannina, 2004 时监测,但建模时间较长,因此在样本数量较多时如 [10] Camps Valls G, Martnez Ramn M, Rojol J L Nonlinear 何缩短RwM的建模时间还有待进一步研究 system identification with composite relevance vector machines [J]IEEE Signal Processing Letters, 2007, 14 279-298 参考文献: [1]l陈果用结构自适应神经网络预测航空发动机性能趋势[ [1]费成巍,艾延延,王蕾基于支持向量机的航空发动机整机 航空学报,2007,28(3):535-539 振动故障诊断技术研究沈阳航空工业学报,2010,27[12]钟诗胜,栾圣罡,丁刚基于过程神经网络与气动热力参 (2):29-32. 数的航空发动机状态监视肌南京理工大学学报,2006, [2]杨海龙基于智能技术的航空发动机气路故障诊断[D]南 30(5):533-541

...展开详情
试读 4P 论文研究-RVM在航空发动机故障诊断中的应用研究.pdf
立即下载
限时抽奖 低至0.43元/次
身份认证后 购VIP低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-RVM在航空发动机故障诊断中的应用研究.pdf 9积分/C币 立即下载
1/4
论文研究-RVM在航空发动机故障诊断中的应用研究.pdf第1页

试读结束, 可继续读1页

9积分/C币 立即下载