航空发动机信号采集处理及故障检测方法研究

作者：刘伟; 周卓峰; 黄新阳

来源：内燃机与配件, 2023, (07): 68-70.

DOI：10.19475/j.cnki.issn1674-957x.2023.07.006

• 旋转机械
• 滚动轴承
• 故障诊断
• 机器学习
• 特征提取
• 集成学习

近年来，随着现代航空发动机信号数据越来越庞大，以往基于信号处理的传统故障诊断方法已经逐步无法满足航空设备“大数据”时代的故障检测要求，在故障检测领域，以人工智能为代表的计算机技术得到了越来越多的应用。本文将机器学习应用于发动机旋转机械故障诊断，提出了一种基于集成学习的深度神经网络模型(Ensemble learning Deep Neural Network, EDNN)。该模型利用堆栈泛化的方式分别学习数据在时域、频域、时频域上的深层特征进行综合诊断。经实验验证，EDNN模型在噪声环境、变载环境下的平均准确率分别达到了98%和97%,具有比SVM、1D-CNN、DBN等模型更强的抗噪与变负载适应性能力。