基于支持向量机的航空发动机故障诊断

被引:52
作者
徐启华
师军
机构
[1] 淮海工学院电子工程系
[2] 西北工业大学自动控制系 江苏连云港
[3] 陕西西安
关键词
航空、航天推进系统; 航空发动机; 支持向量机; 故障诊断; 鲁棒性;
D O I
10.13224/j.cnki.jasp.2005.02.025
中图分类号
V263 [航空发动机制造];
学科分类号
082503 ;
摘要
支持向量机是一种具有完备统计学习理论基础和出色学习性能的新型机器学习方法,它能够较好地克服神经网络容易出现的过学习和泛化能力低等缺陷。提出一种基于支持向量机的航空发动机故障诊断方法,应用该方法成功地对发动机气路部件的几种典型故障进行了正确诊断。在对检验样本施加噪声后,支持向量机构成的故障分类器仍然能够满足发动机故障诊断的要求,表明提出的故障诊断算法具有良好的鲁棒性,可以作为工程应用的基础。
引用
收藏
页码:298 / 302
页数:5
相关论文
共 6 条
[1]   基于新型机器学习的电子装备系统智能故障诊断研究 [J].
杨云 ;
朱家元 ;
张恒喜 ;
不详 .
计算机工程与应用 , 2003, (22) :210-211+232
[2]   自组织神经网络航空发动机气路故障诊断 [J].
陈恬 ;
孙健国 ;
杨蔚华 ;
秦海波 ;
卓刚 .
航空学报, 2003, (01) :46-48
[3]   基于自组织拓扑映射图的发动机故障诊断研究附视频 [J].
朱家元 ;
邓振挺 ;
张恒喜 ;
屈裕安 .
航空动力学报, 2002, (05) :533-537
[4]   基于小波和模糊神经网络的涡喷发动机故障诊断 [J].
杨建国 ;
孙扬 ;
郑严 .
推进技术, 2001, (02) :114-117
[5]   模糊自组织神经网络在航空发动机故障诊断中的应用 [J].
蒋东翔 ;
王风雨 ;
周明 ;
倪维斗 .
航空动力学报, 2001, (01) :80-82
[6]  
航空发动机建模及故障诊断 .2 杨蔚华. 南京航空航天大学 . 2000