基于KPCA和深度信念网络的发动机故障检测

• 作者: 刘君强 张振良 张曦 黄亮
• 来源期刊: 武汉理工大学学报（交通科学与工程版）
• 学科: 交通运输
• 关键词: 核主成分分析 深度信念网络 故障检测 降维 神经网络
• 年，卷（期）: 2019,（5）
• 页码范围: 920-925
• 页数: 6页
• 分类号: U464.173
• 字数: 5714字
• 语种: 中文
• DOI: 10.3963/j.issn.2095-3844.2019.05.024

摘要

传统的故障检测方法在进行发动机故障检测中存在数据维度高且准确性不高等一系列问题,提出一种基于核主成分分析(kernel principal component analysis,KPCA)和深度信念网络(deep belief networks,DBN)的组合方法来检测发动机故障.通过KPCA分析法来降低样本数据维数,建立基于DBN深层网络的故障检测模型,利用降维后的数据对DBN故障检测模型进行逐层特征学习.与传统的BP神经网络进行测试对比,实验结果表明,基于DBN故障识别的准确率高于传统的BP神经网络,表明了文中方法进行故障识别的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘君强	南京航空航天大学民航学院	33	135	6.0	10.0
2	黄亮	南京航空航天大学民航学院	12	48	3.0	6.0
3	张振良	南京航空航天大学民航学院	3	2	1.0	1.0
4	张曦	南京航空航天大学民航学院	4	2	1.0	1.0