一种可用于航空发动机健康状态预测的动态集成极端学习机模型附视频

被引：8

作者：

钟诗胜

雷达

机构：

[1] 哈尔滨工业大学机电工程学院

来源：

航空动力学报 | 2014年 / 09期

关键词：

航空发动机; 健康状态预测; 集成学习; 动态集成; 极端学习机;

D O I：

10.13224/j.cnki.jasp.2014.09.010

中图分类号：

V263.6 [故障分析及排除];

学科分类号：

摘要：

提出一种动态集成极端学习机模型用于航空发动机健康状态预测.采用AdaBoost.RT集成学习算法对极端学习机(ELM)进行集成,在训练时采用每个训练样本的近邻样本对ELM的局域性能进行评估;在预测时首先确定新样本在训练样本集中的近邻样本,然后根据ELM在近邻样本上的性能来赋予集成权值实现弱学习机的动态集成.以燃油流量为指标进行航空发动机健康状态预测,动态集成ELM模型短期预测结果的平均相对误差绝对值(MAPE)为3.688%,小于单一ELM模型的3.830%以及静态集成ELM模型的3.719%;长期预测结果中动态集成ELM模型的MAPE为3.075%,小于单一ELM模型的4.355%以及静态集成ELM模型的3.884%.因此动态集成ELM模型更适用于航空发动机健康状态预测.

引用

页码：2085 / 2090

页数：6

共 5 条

[1] 航空发动机振动趋势预测的过程神经网络法 [J].

金向阳 ;

林琳 ;

钟诗胜 ;

丁刚 ;

刘义翔 .

振动测试与诊断., 2011, 31 (03) :331-334+396

[2] 基于过程神经网络的航空发动机排气温度预测 [J].

丁刚 ;

徐敏强 ;

侯立国 .

航空动力学报, 2009, 24 (05) :1035-1039

[3] 航空发动机复杂磨损趋势的神经网络多变量预测模型 [J].

陈果 ;

杨虞微 .

中国机械工程, 2007, (01) :70-74

[4]

Extreme learning machines: A survey .2 Huang,Guang-Bin,Wang,Dian Hui,Lan,Yuan. International Journal of Machine Learning and Cybernetics . 2011

[5]

Adaboost.RT: a boosting algorithm for regression problems .2 D. P. Solomatine,D. L. Shrestha. 2004 IEEE International Joint Conference on Neural Networks . 2004

← 1 →