基于GANBP的航空发动机性能退化预测模型

以神经网络为代表的人工智能技术,为通过状态监测信息全面表征航空发动机状态提供了可能。如何获取足够的监测样本成为神经网络成功应用的关键。生成式对抗网络(Generative adversarial networks,GAN)的应用可实现在已有状态监测信息的基础上扩大样本量。结合经典的误差反向传播BP(back propagation)神经网络预测方法,设计一种新的具有扩展训练样本能力的GANBP预测模型。以航空发动机为例,利用生成式对抗网络生成航空发动机状态监测样本,通过算例来说明本方法的可行性。实验结果表明在大量的网络迭代训练后,GAN能够提取监测样本的特征信息,利用BP算法对航空发动机性能退化预测并与其它预测方法相比较,证明本文构建的GANBP模型能够有效解决因航空发动机状态监测样本量过小而导致性能衰退预测不准确的问题。     

基于迁移学习与加权多通道融合的齿轮箱故障诊断

针对齿轮箱单一传感器故障识别精度波动大、数据利用率低、可靠性低及故障诊断模型在多工况下泛化能力不足等问题,提出了一种加权融合多通道数据与深度迁移模型的齿轮箱故障诊断方法。首先,为了充分挖掘齿轮箱多通道数据的信息,提出了基于信息熵加权的多通道融合方法,采用信息熵法计算各通道数据的融合权重,并对各通道的采样数据进行加权融合。其次,利用源域的融合数据对深度迁移模型进行预训练,将预训练得到的模型参数作为目标域模型的初始化参数,同时冻结目标域模型特征提取器的参数,并利用目标域的融合数据对目标域模型分类器的参数进行微调,实现深度迁移模型从源域到目标域的迁移以适应新的目标样本识别任务。最后,齿轮箱多工况迁移诊断试验结果表明,所提方法可有效用于齿轮箱的故障诊断,相比传统迁移学习方法平衡分布自适应算法(balanced distribution adaptation,BDA)、迁移成分分析(transfer component analysis,TCA)、联合分布自适应算法(joint distribution adaptation,JDA)、统计分布和几何空间联合调整算法(joint geometric and statistical alignment,JGSA)、测地线流式核算法(geodesic flow kernel,GFK)及深度迁移学习方法自适应批归一化(adaptive batch normalization,AdaBN)、多核最大均值差异(multi-kernel maximum mean discrepancy,MK-MMD)、深度卷积迁移学习网络(deep convolutional transfer learning network,DCTLN)这8种当前常用方法,具有更高的平均迁移诊断精度和变工况下良好的泛化性能。     

基于1D-CNN和Bi-LSTM的航空发动机剩余寿命预测

剩余寿命预测对航空发动机的预防性维修有重要指导作用,是保障飞机安全运行,提高维修保障效率的重要手段.一维卷积神经网络(1-dimensional convolutional neural network,1D-CNN)和双向长短时记忆神经网络(Bidirectional long short memory,Bi-LST...