深度置信网络在发动机气路部件性能衰退故障诊断中的应用研究

• 作者: 宋汉强 李本威 杨欣毅 林学森 赵勇
• 来源期刊: 推进技术
• 学科: 航空航天
• 关键词: 深度置信网络 航空发动机 转动部件 故障诊断
• 年，卷（期）: 2016,（11）
• 所属期刊栏目: 控制 测量 故障诊断
• 页码范围: 2173-2180
• 页数: 8页
• 分类号: V235.13
• 语种: 中文
• DOI: 10.13675/j.cnki.tjjs.2016.11.023

摘要

为提高发动机转动部件性能衰退故障诊断精度，针对传统的浅层网络和支持向量机（SVM）方法在诊断时存在泛化能力欠缺、易产生局部最优解等问题，引入近年来在模式识别领域取得巨大突破，模拟人脑多层结构的深度置信网络（DBN）进行发动机部件性能衰退故障的诊断。为改进深度置信网络性能，提出一种在无监督和有监督训练阶段都可自适应调整权值的改进算法（ad_DBN）。以涡扇发动机为对象，将两种DBN算法与BP，RBF和SVM方法从诊断精度、计算时间、抗噪能力三方面进行综合比较分析。结果表明DBN算法诊断精度明显优于反向传播（BP）神经网络，径向基（RBF）神经网络和支持向量机（SVM）方法，得益于权值的自适应调整， ad_DBN诊断的平均精度高达97.84%，其抗噪声能力也明显优于其他算法，能够提高故障诊断的有效性和可靠性。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李本威	海军航空工程学院飞行器工程系	106	498	11.0	16.0
2	杨欣毅	海军航空工程学院飞行器工程系	53	229	7.0	12.0
3	林学森	海军航空工程学院飞行器工程系	11	32	3.0	5.0