基于深度学习的航空发动机传感器故障检测

刘云龙; 谢寿生; 郑晓飞; 边涛

doi:10.13873/j.1000-9787(2017)09-0147-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于深度学习的航空发动机传感器故障检测

计算与测试 | 更新时间：2025-09-11

- 基于深度学习的航空发动机传感器故障检测
- Fault diagnosis of aero-engine sensor based on deep learning
- 传感器与微系统 2017年36卷第9期页码：147-150
- 作者机构：
  
  空军工程大学航空航天工程学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金资助项目（51476187,51506221）
- DOI：10.13873/j.1000-9787(2017)09-0147-04
  中图分类号： TP212;V263.6
- 纸质出版：2017
- 稿件说明：
移动端阅览
[1]刘云龙,谢寿生,郑晓飞,边涛.基于深度学习的航空发动机传感器故障检测[J].传感器与微系统,2017,36(09):147-150.

LIU Yun-long, XIE Shou-sheng, ZHENG Xiao-fei, et al. Fault diagnosis of aero-engine sensor based on deep learning[J]. 2017, 36(9): 147-150.
[1]刘云龙,谢寿生,郑晓飞,边涛.基于深度学习的航空发动机传感器故障检测[J].传感器与微系统,2017,36(09):147-150. DOI： 10.13873/j.1000-9787(2017)09-0147-04.

LIU Yun-long, XIE Shou-sheng, ZHENG Xiao-fei, et al. Fault diagnosis of aero-engine sensor based on deep learning[J]. 2017, 36(9): 147-150. DOI： 10.13873/j.1000-9787(2017)09-0147-04.

摘要

针对传统反向传播（BP）神经网络和支持向量机（SVM）存在的过拟合、维数灾难、参数选择困难等问题

提出了一种基于深度学习算法的航空发动机传感器故障检测方法。对发动机参数记录仪采集的多维数据进行预处理

建立基于深度置信网络（DBN）的故障检测模型

利用预处理后的数据对检测模型进行训练

经过DBN故障检测模型逐层特征学习实现了传感器故障检测。仿真结果表明:在无人工特征提取和人工特征提取的情况下

基于DBN故障检测的准确率均高于BP神经网络和SVM模型。

Abstract

Aiming at the problems of traditional back propogation（ BP） neural network and support vector machine（ SVM） learning algorithm

such as over fitting

dimension disaster and difficulty of parameter selection

put forward an aircraft engine sensor fault detection method learning algorithm based on deep learning algorithm.Preprocess the multi dimensional data acquired by aero-engine parameter recorder; fault detection model based on the deep belief network（ DBN） is set up; fault detection model is trained using proprocessed data

after DBN fault detection model characteristics learning layer by layer

sensor fault detection is realized. It is shown from the simulation results

in the absence of artificial feature extraction and feature extraction

accuracy based on DBN fault detection is higher than that of BP neural network and SVM model.

关键词

Keywords

references

基于DBN的故障特征提取及诊断方法研究 [J]. 赵光权,葛强强,刘小勇,彭喜元. 仪器仪表学报 . 2016(09)

基于DBNs的车辆悬架减振器异响鉴别方法 [J]. 黄海波,李人宪,杨琪,丁渭平,杨明亮. 西南交通大学学报 . 2015(05)

主元分析法和模糊积分的航空发动机气路状态监测 [J]. 崔建国,吴灿,董世良,刘海港,蒋丽英. 火力与指挥控制 . 2014(10)

基于SVM和SNN的航空发动机气路故障诊断 [J]. 王修岩,李萃芳,高铭阳,李宗帅. 航空动力学报 . 2014(10)

基于极限学习机的航空发动机传感器故障诊断 [J]. 孙毅刚,刘静雅,赵珍. 传感器与微系统 . 2014(08)

玻尔兹曼机研究进展 [J]. 刘建伟,刘媛,罗雄麟. 计算机研究与发展 . 2014(01)

航空发动机传感器故障与部件故障诊断技术 [J]. 李业波,李秋红,黄向华,赵永平. 北京航空航天大学学报 . 2013(09)

深度学习的昨天、今天和明天 [J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展 . 2013(09)

改进关联规则挖掘算法航空发动机故障检测 [J]. 芮少辉,张凤鸣,徐显亮. 火力与指挥控制 . 2011(09)

航空发动机传感器故障诊断方法研究 [J]. 孙晓倩,艾延廷,张振. 沈阳航空工业学院学报 . 2010(02)

一种缺失飞行参数预处理的新方法 [J]. 谢川,倪世宏,张宗麟. 计算机仿真 . 2005(04)

基于深度学习的分类算法研究及应用 [D]. 吴同. 吉林大学 2016

A Fast Learning Algorithm for Deep Belief Nets [J] . Geoffrey E. Hinton,Simon Osindero,Yee-Whye Teh. Neural Computation . 2006 (7)

Training Products of Experts by Minimizing Contrastive Divergence [J] . Geoffrey E. Hinton. Neural Computation . 2002 (8)

浏览量

794

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

面向复杂视觉系统的自监督引导滤波轻量化深度估计

融合CSWin Transformer与聚焦线性注意力的图像分割方法

基于压阻传感器和IMU信号的下肢步态识别

表面肌电肌力估计模型研究进展

基于单目视觉的乒乓球识别与定位系统设计