关键词
改进多元宇宙算法在航空发动机不暖机模型修正中的应用
作者: 钱仁军   李本威   宋汉强   武晓龙   张赟   来源: 推进技术 年份: 2022 文献类型 : 期刊 关键词: 暖机   混沌   涡扇发动机   多元宇宙优化算法   模型修正   虫洞机制公式  
描述: 航空发动机不暖机会产生性能损失,此时原有发动机模型已经不能准确表达发动机性能,因此,需要利用模型修正技术对原有的发动机模型进行修正,以获得发动机不暖机情况下的数学模型。提出了一种改进多元宇宙优化算法(Multi-verse optimization,MVO),并将其应用于发动机不暖机模型的修正研究。在常规MVO算法基础上,修改虫洞机制公式,解决解区间偏离0轴较远时寻优计算易陷入局部最优的问题,并引入混沌思想,通过混沌化初始宇宙和在每一代最优宇宙附近区域内进行混沌搜索,增强了算法的全局搜索能力。将改进后的算法应用于发动机模型的修正研究,并将常规MVO,改进MVO,粒子群算法(Particle swarm optimization,PSO)和遗传算法(Genetic algorithm,GA)四种算法的修正结果进行了对比。结果表明:修正后发动机不暖机模型精度得到很大提高,其中推力误差仅为0.07%,能够满足舰载机起飞动力学模型输入条件的精度要求;改进MVO算法对发动机模型的修正效果优于常规MVO算法,且相比PSO和GA,改进MVO修正效果同样更优。
应用深度核极限学习机的航空发动机部件故障诊断
作者: 逄珊   杨欣毅   张勇   韦祥   来源: 推进技术 年份: 2018 文献类型 : 期刊 关键词: 极限学习机   故障诊断   深度神经网络   核方法   涡扇发动机   部件  
描述: 运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题。为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM)。算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类。这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高。将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具。
应用深度核极限学习机的航空发动机部件故障诊断
作者: 逄珊   杨欣毅   张勇   韦祥   来源: 推进技术 年份: 2018 文献类型 : 期刊 关键词: 极限学习机   故障诊断   深度神经网络   核方法   涡扇发动机   部件  
描述: 运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题。为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM)。算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类。这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高。将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具。
应用深度核极限学习机的航空发动机部件故障诊断
作者: 逄珊   杨欣毅   张勇   韦祥   来源: 推进技术 年份: 2018 文献类型 : 期刊 关键词: 极限学习机   故障诊断   深度神经网络   核方法   涡扇发动机   部件  
描述: 运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题。为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM)。算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类。这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高。将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具。
应用深度核极限学习机的航空发动机部件故障诊断
作者: 逄珊   杨欣毅   张勇   韦祥   来源: 推进技术 年份: 2018 文献类型 : 期刊 关键词: 极限学习机   故障诊断   深度神经网络   核方法   涡扇发动机   部件  
描述: 运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题。为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM)。算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类。这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高。将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具。
< 1 2
Rss订阅