科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了提高发动机气路部件性能衰退故障的诊断精度,针对传统的浅层神经网络在诊断时存在泛化能力欠缺、易产生局部最优解等问题,引入了深度置信网络(DBN)对发动机部件性能衰退故障进行诊断研究。以涡扇发动机为对象,从诊断精度、计算时间、抗噪能力3个方面综合比较分析了DBN算法与核极限学习机(KELM)算法。结果表明,DBN算法在低、中、高水平噪声下的诊断精度分别为89.44%、88.38%和86.59%,诊断精度和抗噪声能力明显优于KELM算法,且诊断速度更快。
-
单位南京模拟技术研究所; 南京航空航天大学
