車(chē)暢暢， 王華偉， 倪曉梅， 洪驥宇

(南京航空航天大學(xué) 民航學(xué)院， 南京 210016)

航空發(fā)動(dòng)機(jī)結(jié)構(gòu)復(fù)雜，數(shù)學(xué)模型嚴(yán)重非線性，多故障類(lèi)型之間監(jiān)控?cái)?shù)據(jù)變化相似程度高，同時(shí)測(cè)量誤差容易對(duì)氣路故障診斷造成干擾，從而影響故障診斷結(jié)果的準(zhǔn)確性和可靠性。目前航空發(fā)動(dòng)機(jī)故障診斷的研究主要有[1]：基于模型的故障診斷(如卡爾曼濾波器模型)、基于信號(hào)和數(shù)據(jù)處理的故障診斷(如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等智能算法)、基于知識(shí)的故障診斷(如D-S證據(jù)理論、故障樹(shù)理論、蒙特卡羅方法)。薛薇和王濤[2]針對(duì)航空發(fā)動(dòng)機(jī)傳感器特征，設(shè)計(jì)出對(duì)應(yīng)的濾波器來(lái)進(jìn)行故障診斷，提出傳感器和執(zhí)行機(jī)構(gòu)信息融合的診斷方案。俞剛和黃金泉[3]先將航空發(fā)動(dòng)機(jī)異常監(jiān)測(cè)參數(shù)輸入到最小二乘支持向量機(jī)模型中，得出故障分類(lèi)結(jié)果；再用卡爾曼濾波器估計(jì)故障參數(shù)，從而完成故障綜合診斷。廖洪一[4]使用費(fèi)舍爾判別分析法和云模型理論，將從子空間中提取出的特征輸入到極限學(xué)習(xí)機(jī)模型中來(lái)診斷航空發(fā)動(dòng)機(jī)故障，進(jìn)一步確定相應(yīng)的故障類(lèi)型。趙世榮和黃向華[5]針對(duì)航空發(fā)動(dòng)機(jī)氣路部件故障，融合神經(jīng)網(wǎng)絡(luò)算法和模糊集合論，建立故障診斷模型，估計(jì)與判斷出故障狀態(tài)。徐啟華等[6]建立了基于層次支持向量機(jī)的快速多分類(lèi)算法模型，研究了大數(shù)據(jù)樣本條件下的航空發(fā)動(dòng)機(jī)多類(lèi)故障診斷問(wèn)題。孫偉超等[7]融合粗糙集和證據(jù)診斷理論，提出了用于解決航空電子裝備多源故障診斷信息沖突問(wèn)題的故障診斷方法。于勁松等[8]建立了貝葉斯網(wǎng)絡(luò)模型的量化評(píng)價(jià)指標(biāo)，為故障診斷系統(tǒng)的性能評(píng)價(jià)提供依據(jù)。Tai等[9]使用了隱馬爾可夫模型監(jiān)測(cè)在過(guò)程控制中的機(jī)械故障，該模型能夠?qū)杀鎰e以及不可辨識(shí)的單元進(jìn)行分析。 Gómez等[10]使用小波變換與徑向基人工神經(jīng)網(wǎng)絡(luò)架構(gòu)結(jié)合的模型從振動(dòng)信號(hào)入手檢測(cè)轉(zhuǎn)軸裂縫，對(duì)機(jī)械參數(shù)和缺陷條件進(jìn)行故障識(shí)別，并調(diào)節(jié)模型參數(shù)對(duì)成功率進(jìn)行優(yōu)化。Bajric等[11]提出了一種基于離散小波變換和時(shí)間同步平均的故障診斷新方法，用于高速軸齒輪剝落故障診斷和跟蹤，提高了變速箱故障診斷能力。Simani[12]從模型結(jié)構(gòu)、參數(shù)辨識(shí)方法、殘差生成技術(shù)和故障診斷策略出發(fā)，建立了基于模糊識(shí)別的故障診斷模型，用于復(fù)雜系統(tǒng)動(dòng)態(tài)故障診斷。

從上述研究可以發(fā)現(xiàn)，使用單一模型進(jìn)行故障診斷時(shí)結(jié)果抗干擾性較差；但使用多種模型結(jié)合進(jìn)行故障診斷又存在建模復(fù)雜，輸出結(jié)果不直觀等問(wèn)題，當(dāng)研究對(duì)象的故障特征發(fā)生變換時(shí)，就會(huì)嚴(yán)重影響故障診斷準(zhǔn)確度。基于上述問(wèn)題，本文在結(jié)合深度學(xué)習(xí)模型和決策融合算法的基礎(chǔ)上，提出了基于深度學(xué)習(xí)的航空發(fā)動(dòng)機(jī)故障融合診斷方法，把航空發(fā)動(dòng)機(jī)的性能參數(shù)和故障類(lèi)型樣本輸入到深度信念網(wǎng)絡(luò)(DBN)模型中，提取出樣本特征，從而輸出故障分類(lèi)數(shù)據(jù)，然后把輸出數(shù)據(jù)代入到?jīng)Q策融合算法模型中進(jìn)行決策融合，得出航空發(fā)動(dòng)機(jī)故障融合診斷結(jié)果。該方法能夠在結(jié)合2種模型優(yōu)勢(shì)的基礎(chǔ)上，構(gòu)建故障融合診斷模型,該模型結(jié)構(gòu)簡(jiǎn)單，不僅有效提高故障診斷準(zhǔn)確度，而且能夠得出更加直觀的故障診斷結(jié)果，同時(shí)有一定抗干擾性。通過(guò)數(shù)據(jù)仿真實(shí)驗(yàn)，驗(yàn)證該方法具有有效性。

1 航空發(fā)動(dòng)機(jī)故障診斷

航空發(fā)動(dòng)機(jī)故障診斷能夠在檢測(cè)出系統(tǒng)故障時(shí)，分離故障部件、判斷故障種類(lèi)、評(píng)估故障嚴(yán)重程度，從而在第一時(shí)間展開(kāi)維修工作，減少經(jīng)濟(jì)損失。在發(fā)動(dòng)機(jī)試驗(yàn)故障診斷中，可利用的狀態(tài)信息有：發(fā)動(dòng)機(jī)振動(dòng)、氣動(dòng)熱力等過(guò)程參數(shù)、滑油參數(shù)以及試驗(yàn)操縱控制信息等。由于航空發(fā)動(dòng)機(jī)結(jié)構(gòu)復(fù)雜性，單純依靠單一信息進(jìn)行故障診斷的準(zhǔn)確度不高，多元狀態(tài)監(jiān)測(cè)信息從不同角度實(shí)現(xiàn)了對(duì)故障的深層次認(rèn)識(shí)，能夠提高故障診斷的準(zhǔn)確度。本文，首先采用基于深度學(xué)習(xí)的故障融合診斷方法對(duì)發(fā)動(dòng)機(jī)主要參數(shù)[13]如：低壓轉(zhuǎn)子轉(zhuǎn)速(N1)、高壓轉(zhuǎn)子轉(zhuǎn)速(N2)、排氣口燃?xì)鉁囟?EGT)、燃油量消耗量(FF)建立模型，然后進(jìn)行故障融合診斷。

2 深度學(xué)習(xí)與決策融合算法

2.1 深度學(xué)習(xí)模型

深度學(xué)習(xí)是相對(duì)于淺層學(xué)習(xí)而言的，淺層學(xué)習(xí)包可以BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和最大熵方法等。這些模型結(jié)構(gòu)只含有一層隱層或者沒(méi)有隱層，理論分析難度大，同時(shí)訓(xùn)練方法依賴于經(jīng)驗(yàn)和技巧，得出的樣本特征也較為淺顯。相對(duì)于淺層學(xué)習(xí)，深度學(xué)習(xí)模型是多隱層的人工神經(jīng)網(wǎng)絡(luò)，通過(guò)無(wú)監(jiān)督學(xué)習(xí)實(shí)現(xiàn)網(wǎng)絡(luò)模型的逐層學(xué)習(xí)，具有良好的特征提取和學(xué)習(xí)能力，在樣本分類(lèi)方面有獨(dú)特的優(yōu)勢(shì)。深度學(xué)習(xí)模型的主要包括深度信念網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)等。深度信念網(wǎng)絡(luò)模型較為靈活，與其他方法的兼容性較好，因此本文采用深度信念網(wǎng)絡(luò)模型用于故障分類(lèi)，并將分類(lèi)結(jié)果輸入決策融合模型得出故障融合診斷結(jié)果。

DBN模型由多個(gè)限制玻爾茲曼機(jī)(RBM)[14]層組成，一個(gè)典型的RBM結(jié)構(gòu)如圖1所示。該結(jié)構(gòu)包括3個(gè)部分：顯層、隱層、偏置層。其中顯層作為輸入層，隱層作為輸出層，偏置層用來(lái)控制隱層和顯層節(jié)點(diǎn)的激活，層內(nèi)單元間相互獨(dú)立。

圖1 RBM結(jié)構(gòu)

設(shè)顯層向量為v，隱層向量為h，權(quán)值向量為w；對(duì)顯層偏置為a，隱層偏置為b。對(duì)隱層和顯層各單元參數(shù)定義如下：

v=(v1,v2,…,vi,…,vm)Ti,m∈Z*

h=(h1,h2,…,hj,…,hn)Tj,n∈Z*

w=(wij)i∈[1,m],j∈[1,n]

a=(a1,a2,…,ai,…,am)T

b=(b1,b2,…,bj,…,bn)T

2.1.1 建立深度信念網(wǎng)絡(luò)模型

DBN模型需要引入能量函數(shù)，首先用能量函數(shù)推導(dǎo)出顯層和隱層的條件概率；然后求解偏置層，得出顯層和隱層被激活的概率；最后求解能量函數(shù)，對(duì)模型參數(shù)進(jìn)行更新。

1) 引入能量函數(shù)

網(wǎng)絡(luò)的穩(wěn)態(tài)對(duì)應(yīng)能量函數(shù)最低值狀態(tài)，針對(duì)RBM模型而言，輸入v向量和隱層輸出向量h之間的能量函數(shù)為

(1)

2) 求隱層和顯層的條件概率分布

v和h的聯(lián)合概率為

(2)

(3)

(4)

(5)

(6)

3) 偏置層求解

通過(guò)隱層和顯層的條件概率分布和能量函數(shù)能夠得到隱層和顯層節(jié)點(diǎn)被激活(取值為1)的概率，從而得到偏置層的求解結(jié)果：

(7)

(8)

4) 能量函數(shù)求解

(9)

從式(1)可以看出，如果要使系統(tǒng)(這里即指DBN網(wǎng)絡(luò))達(dá)到穩(wěn)定，則應(yīng)該是系統(tǒng)的能量值最小，由式(9)可知，要使能量E(v,h)最小，應(yīng)該使f(v)最小，也就是要使P(v)最大。因此,此時(shí)的損失函數(shù)可以看做是-P(v)，且求導(dǎo)時(shí)需要是加上負(fù)號(hào)的。設(shè)θ={a,b,w}，對(duì)P(v;θ)求偏導(dǎo)取負(fù)可得

(10)

將式(1)中的E(v,h)代入可得

1|v))vi)

(11)

同理可得P(v;θ)的偏導(dǎo)展開(kāi)有

(12)

(13)

從偏導(dǎo)結(jié)果可以看出左邊的減數(shù)是輸入樣本數(shù)據(jù)的自由能量函數(shù)期望值，v狀態(tài)已知。右邊的被減數(shù)是模型產(chǎn)生樣本數(shù)據(jù)的自由能量函數(shù)期望值，v狀態(tài)未知。

2.1.2 訓(xùn)練深度信念網(wǎng)絡(luò)模型

1) 深度信念網(wǎng)絡(luò)訓(xùn)練流程

DBN由多層RBM組成，是一種無(wú)監(jiān)督學(xué)習(xí)模型，有一定的“黑箱性”。在實(shí)際應(yīng)用過(guò)程中為了方便理解，更加直觀得出分類(lèi)結(jié)果，需要利用已知特征的樣本對(duì)模型反向修正，相當(dāng)于上述的RBM結(jié)構(gòu)從隱層推導(dǎo)出顯層，使故障樣本的性能參數(shù)與故障類(lèi)型想匹配，提高故障分類(lèi)置信度。本文采用如今比較成熟的有監(jiān)督算法BP神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)DBN網(wǎng)絡(luò)反向調(diào)節(jié)參數(shù)。由圖2可以看出DBN網(wǎng)絡(luò)的訓(xùn)練過(guò)程，先輸入樣本的狀態(tài)參數(shù)到多層RBM中，逐層更新參數(shù)；其后把RBM訓(xùn)練結(jié)果和樣本特征輸入到BP神經(jīng)網(wǎng)絡(luò)中反向調(diào)節(jié)完成對(duì)模型的參數(shù)優(yōu)化。

2) RBM訓(xùn)練過(guò)程

RBM的訓(xùn)練就是為了通過(guò)反復(fù)迭代得出DBN的隱藏特征。根據(jù)式(11)～式(13)可以得出參數(shù)θ的更新流程如圖3所示，k為訓(xùn)練次數(shù)[15]。

圖2 DBN訓(xùn)練流程圖

步驟1參數(shù)初始化。初始化參數(shù)w、a、b、學(xué)習(xí)率ε，允許重構(gòu)誤差r、最大訓(xùn)練次數(shù)p，k初值賦為1。把原始的數(shù)據(jù)v輸入到網(wǎng)絡(luò)。

步驟2參數(shù)更新。更新w、a、b，計(jì)算輸出從顯層v推導(dǎo)到隱層h的第1次訓(xùn)練結(jié)果h.1，然后又反推v.1，繼續(xù)計(jì)算h.2，h.3，…，h.k。

(14)

a=a+ε(v(k)-v(k+1))

(15)

(16)

圖3 RBM訓(xùn)練過(guò)程

2.2 決策融合算法

決策融合算法以D-S證據(jù)理論[16]為基礎(chǔ)，假設(shè)共有m個(gè)故障，其集合為{A1,A2,…,Am},n次診斷結(jié)果{B1,B2,…,Bn}對(duì)應(yīng)的函數(shù)為{F1,F2,…,Fn}，結(jié)果Fi(Ak)和Fj(Ak)的相似度函數(shù)定義為

(17)

式中：i≠j;i,j=1,2,…,n;k=1,2,…,m。

可以看出2個(gè)結(jié)果之間相似度相差越小，相似度值越大。當(dāng)2個(gè)結(jié)果的相似度完全相同時(shí)，相似度為最高值1。定義結(jié)果Bi(Ak)的支持度為和置信度分別為

(18)

(19)

求出經(jīng)n個(gè)結(jié)果數(shù)據(jù)融合后得出的置信度，然后取max(C(A1),C(A2),…,C(Ak))作為最終結(jié)果。

3 故障融合診斷流程

基于深度學(xué)習(xí)的航空發(fā)動(dòng)機(jī)故障融合模型結(jié)合了DBN模型和決策融合模型，先通過(guò)DBN模型提取故障樣本的性能參數(shù)特征，再對(duì)故障分類(lèi)結(jié)果進(jìn)行決策融合。具體診斷流程如圖4所示。

步驟1采集故障樣本數(shù)據(jù)，構(gòu)建訓(xùn)練樣本矩陣、樣本標(biāo)簽矩陣和測(cè)試樣本矩陣。樣本是m×n矩陣，其中n為狀態(tài)參數(shù)個(gè)數(shù)。

步驟3模型參數(shù)優(yōu)化，把訓(xùn)練樣本輸入DBN網(wǎng)絡(luò)中，從高層到底層訓(xùn)練DBN中的所有RBM，得出權(quán)值w和各參數(shù)。把訓(xùn)練得到的參數(shù)輸入到BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行反向優(yōu)化訓(xùn)練，得到最終的DBN網(wǎng)絡(luò)模型。

圖4 基于深度學(xué)習(xí)的航空發(fā)動(dòng)機(jī)故障融合診斷流程

步驟4輸入測(cè)試樣本的故障狀態(tài)參數(shù)得出故障分類(lèi)置信度。

步驟5重復(fù)步驟4進(jìn)行多次實(shí)驗(yàn)，把得出的故障分類(lèi)置信度結(jié)果輸入到?jīng)Q策融合模型中。

步驟6根據(jù)決策融合結(jié)果得出故障融合診斷結(jié)果。

步驟7分析故障融合診斷結(jié)果，與實(shí)際故障情況對(duì)比并統(tǒng)計(jì)正確率。

4 算例分析

4.1 故障樣本生成

本文選用普惠公司的JT9D發(fā)動(dòng)機(jī)[17]為研究對(duì)象，選擇排氣口燃?xì)鉁囟绕?ΔEGT)、燃油消耗量偏差(ΔFF)、低壓轉(zhuǎn)子轉(zhuǎn)速偏差(ΔN1)、高壓轉(zhuǎn)子轉(zhuǎn)速偏差(ΔN2)作為狀態(tài)參數(shù)，用表1的發(fā)動(dòng)機(jī)故障表作為原始樣本進(jìn)行仿真拓展，公式[14]如下：

表1 JT9D發(fā)動(dòng)機(jī)故障

x=x0+lσ·rand

(20)

式中：x0為原始樣本；l為噪聲控制因子用來(lái)模擬噪聲受到環(huán)境干擾的情況；σ為樣本標(biāo)準(zhǔn)差；rand函數(shù)用來(lái)生成服從正態(tài)分布的隨機(jī)數(shù)。

4.2 建立故障融合診斷模型

首先建立4維樣本矩陣，每維代表各個(gè)性能參數(shù)。根據(jù)仿真建立1 000個(gè)有樣本故障狀態(tài)標(biāo)簽的訓(xùn)練樣本，每種故障類(lèi)型100個(gè)，其中故障因子設(shè)置為0.1～0.5，每隔0.1仿真20個(gè)樣本。另外建立1 000個(gè)無(wú)標(biāo)簽的訓(xùn)練樣本，參數(shù)設(shè)置與有標(biāo)簽樣本相同。然后構(gòu)建層數(shù)分別為2、3、4的共7個(gè)4DBN網(wǎng)絡(luò)，代入所有訓(xùn)練樣本求出樣本的總重構(gòu)誤差如表2所示，可以看出網(wǎng)絡(luò)結(jié)構(gòu)為[4,8,9，10]的DBN網(wǎng)絡(luò)，重構(gòu)誤差最小，說(shuō)明該網(wǎng)絡(luò)結(jié)構(gòu)能夠更加準(zhǔn)確地挖掘出性能參數(shù)中的隱藏特征。因此，本文選取該網(wǎng)絡(luò)結(jié)構(gòu)做進(jìn)一步的反向調(diào)節(jié)優(yōu)化。

網(wǎng)絡(luò)結(jié)構(gòu)為[4,8,9,10]的DBN網(wǎng)絡(luò)重構(gòu)誤差見(jiàn)圖5。可以看出在多次重構(gòu)后，重構(gòu)誤差逐步下降到較小值。

表2 DBN網(wǎng)絡(luò)結(jié)構(gòu)與重構(gòu)誤差

圖5 網(wǎng)絡(luò)結(jié)構(gòu)為[4,8,9,10]的DBN網(wǎng)絡(luò)重構(gòu)誤差圖

圖6 BP神經(jīng)網(wǎng)絡(luò)誤差圖

并對(duì)帶標(biāo)簽樣本進(jìn)行反向調(diào)節(jié)，可以得到BP神經(jīng)網(wǎng)絡(luò)誤差曲線如圖6所示，BP神經(jīng)網(wǎng)絡(luò)誤差反映出狀態(tài)參數(shù)的隱藏特征與故障類(lèi)型的匹配程度，其誤差為所有訓(xùn)練樣本的特征值與故障類(lèi)型的標(biāo)準(zhǔn)差總和。由于RBM訓(xùn)練過(guò)程為無(wú)監(jiān)督訓(xùn)練，所以提取出的樣本特征不能直接與故障類(lèi)型相對(duì)應(yīng)。從圖6可以看出，剛開(kāi)始訓(xùn)練時(shí)BP神經(jīng)網(wǎng)絡(luò)誤差很大，在2 500次左右樣本誤差已經(jīng)大幅度下降。在運(yùn)算30 000次后最終BP誤差僅為0.41，已滿足要求。

4.3 故障融合診斷結(jié)果

截取故障F05的5次實(shí)驗(yàn)結(jié)果，其置信度見(jiàn)表3。從表中可以看出每次診斷得出的置信度(置信度1～置信度5)都有一定偏差，對(duì)于F05的置信度1約為0.278，同時(shí)F09的置信度1約為0.716，發(fā)生了明顯的分類(lèi)錯(cuò)誤。對(duì)比故障F05和F09的狀態(tài)參數(shù)可以看出由于范圍較為接近，在故障仿真中的數(shù)據(jù)特征較為模糊，因此容易在單次故障診斷結(jié)果出錯(cuò)。為了消除個(gè)別實(shí)驗(yàn)結(jié)果對(duì)診斷結(jié)果的影響，需要決策融合再進(jìn)行更準(zhǔn)確的診斷。同時(shí)應(yīng)當(dāng)對(duì)那些特征不明顯的樣本，應(yīng)再仿真出一些類(lèi)似樣本，添加到深度信念網(wǎng)絡(luò)的訓(xùn)練集中，從而對(duì)深度信念網(wǎng)絡(luò)的參數(shù)進(jìn)行進(jìn)一步優(yōu)化。

為了消除運(yùn)算結(jié)果偏差對(duì)最終故障診斷結(jié)果所造成的影響，進(jìn)一步提高診斷正確率，把表3中數(shù)據(jù)代入到?jīng)Q策融合算法中可得到最終結(jié)果見(jiàn)表4。其中C(F) 為決策融合算法得出的置信度，診斷結(jié)果0表示無(wú)故障，1表示有故障。從表中可以看出經(jīng)過(guò)決策融合，故障在所屬F05的置信度極高，達(dá)到了故障分類(lèi)要求。

通過(guò)上述實(shí)驗(yàn)，選擇網(wǎng)絡(luò)結(jié)構(gòu)為[4,6,8,10]的深度信念網(wǎng)絡(luò)模型和決策融合模型組合成故障融合診斷模型。仿真出1 000個(gè)有故障狀態(tài)標(biāo)簽的測(cè)試樣本，每種故障類(lèi)型100個(gè)，為檢驗(yàn)?zāi)Ｐ涂垢蓴_性，故障因子設(shè)置為0.1～1.0每隔0.1仿真10個(gè)樣本。把測(cè)試樣本代入到故障融合診斷模型中，把得出故障融合診斷結(jié)果與故障狀態(tài)標(biāo)簽對(duì)比可以得出故障融合診斷正確率。

表3 故障分類(lèi)置信度

表4 故障診斷結(jié)果

表5 故障診斷正確率對(duì)比

下面將測(cè)試樣本代入到基于深度學(xué)習(xí)的故障融合診斷模型與BP神經(jīng)網(wǎng)絡(luò)和單獨(dú)深度信念網(wǎng)絡(luò)模型進(jìn)行對(duì)比，并統(tǒng)計(jì)正確率。從表5中的可以看出，本文所采用的基于深度學(xué)習(xí)的故障融合診斷模型正確率為99.58%，比無(wú)決策融合模型略高，同時(shí)BP神經(jīng)網(wǎng)絡(luò)模型在多故障診斷中效果較差。說(shuō)明通過(guò)決策融合有效地提高了模型抗干擾型，有更高地故障診斷正確率。

5 結(jié) 論

1) 本文提出的基于深度學(xué)習(xí)的故障融合診斷模型與BP神經(jīng)網(wǎng)絡(luò)和單獨(dú)深度信念網(wǎng)絡(luò)模型相比有更高的故障診斷正確率，例如對(duì)JT9D發(fā)動(dòng)機(jī)進(jìn)行故障診斷的正確率達(dá)到99.58%。

2) 本文模型中的深度學(xué)習(xí)方法能夠充分發(fā)掘大樣本特征，對(duì)多故障進(jìn)行分析，提取故障樣本隱含特征。

3) 本文模型結(jié)構(gòu)簡(jiǎn)單，輸入輸出清晰直觀。先把故障樣本的狀態(tài)參數(shù)作為輸入，輸出各個(gè)故障分類(lèi)置信度；然后再用決策融合算法把多次故障分類(lèi)結(jié)果相融合得出最終診斷結(jié)果。

4) 本文模型使用決策融合算法消除了深度信念網(wǎng)絡(luò)故障分類(lèi)結(jié)果中的偶然誤差，有較好的抗干擾能力。

為了使本模型的故障診斷結(jié)果更精確、速度更快，仍需要優(yōu)化相關(guān)參數(shù)和模型結(jié)構(gòu)。

參考文獻(xiàn)(References)

[1] 黃強(qiáng)，王建，張桂剛. 一種航空發(fā)動(dòng)機(jī)傳感器故障診斷方法[J]. 傳感技術(shù)學(xué)報(bào)，2014，27(10)：1315-1320.

HUANG Q，WANG J，ZHANG G G.A kind of approach for aero-engine sensor fault diagnosis [J].Chinese Journal of Sensors and Actuators，2014，27(10)：1315-1320(in Chinese).

[2] 薛薇，王濤.基于一組卡爾曼濾波器信息融合的故障診斷 [J].計(jì)算機(jī)測(cè)量與控制，2015，23(7)：2285-2287.

XUE W，WANG T.Application of a bank of Kalman filters for aircraft engine sensor actuator fault diagnosis[J].Computer Measurement and Control，2015，23(7)：2285-2287(in Chinese).

[3] 俞剛，黃金泉.基于支持向量機(jī)和卡爾曼濾波器的航空發(fā)動(dòng)機(jī)故障診斷研究[J].航空發(fā)動(dòng)機(jī)，2012，38(1)：47-50.

YU G，HUANG J Q.Aeroengine fault diagnosis based on support vector machine and Kalman filter[J].Aero-Engine，2012，38(1)：47-50(in Chinese).

[4] 廖洪一.基于極限學(xué)習(xí)機(jī)的航空發(fā)動(dòng)機(jī)故障診斷研究[D].廣漢：中國(guó)民用航空飛行學(xué)院，2012.

LIAO H Y.Research on aero-engine fault diagnosis based on extreme learning machine[D].Guanghan：Civil Aviation Flight University of China，2012(in Chinese).

[5] 趙世榮，黃向華.應(yīng)用神經(jīng)網(wǎng)絡(luò)信息融合診斷航空發(fā)動(dòng)機(jī)故障[J].航空動(dòng)力學(xué)報(bào)，2008，23(1)：164-168.

ZHAO S R，HUANG X H.Fault diagnosis for aeroengine gas path components based on neural network multisensor data fusion [J].Journal of Aerospace Power，2008，23(1)：164-168(in Chinese).

[6] 徐啟華，師軍，耿帥.應(yīng)用快速多分類(lèi)SVM的航空發(fā)動(dòng)機(jī)故障診斷方法[J].推進(jìn)技術(shù)，2012，33(6)：961-967.

XU Q H，SHI J，GENG S.Aero-engine fault diagnosis by a new fast multi-class support vector algorithm[J].Journal of Propulsion Technology，2012，33(6)：961-967(in Chinese).

[7] 孫偉超，李文海，李文峰.融合粗糙集與D-S證據(jù)理論的航空裝備故障診斷[J].北京航空航天大學(xué)學(xué)報(bào)，2015，41(10)：1902-1909.

SUN W C，LI W H，LI W F.Avionic devices fault diagnosis based on fusion method of rough set and D-S theory[J].Journal of Beijing University of Aeronautics and Astronautics，2015，41(10)：1902-1909(in Chinese).

[8] 于勁松，沈琳，唐荻音.基于貝葉斯網(wǎng)絡(luò)的故障診斷系統(tǒng)性能評(píng)價(jià)[J].北京航空航天大學(xué)學(xué)報(bào)，2016，42(1)：35-40.

YU J S，SHEN L，TANG D Y.Performance evaluation of fault diagnosis system based on Bayesian network[J].Journal of Beijing University of Aeronautics and Astronautics，2016，42(1)：35-40(in Chinese).

[9] TAI A H，CHING W K，CHAN L Y.Detection of machine failure：Hidden Markov model approach[J].Computers & Industrial Engineering，2009，57(2)：608-619.

[11] BAJRIC R, ZUBER N, SKRIMPAS G A, et al.Feature extraction using discrete wavelet transform for gear fault diagnosis of wind turbine gearbox[J].Shock & Vibration, 2016, 2016(1):1-10.

[12] SIMANI S.Residual generator fuzzy identification for automotive diesel engine fault diagnosis[J].International Journal of Applied Mathematics & Computer Science, 2013, 23(2):419-438.

[13] 周利敏，閆國(guó)華，瞿紅春.一種云環(huán)境下的發(fā)動(dòng)機(jī)健康管理系統(tǒng)及其應(yīng)用[J].計(jì)算機(jī)測(cè)量與控制，2014，22(12)：3926-3928.

ZHOU L M，YAN G H，QU H C.Engine health management system in cloud and its applications[J].Computer Measurement and Control，2014，22(12)：3926-3928(in Chinese).

[14] 單外平.基于深度信念網(wǎng)絡(luò)的變速器故障分類(lèi)識(shí)別研究[D].廣州：華南理工大學(xué)，2015.

SHAN W P.Classification and recognition of transmission fault based on deep belief network[D].Guangzhou：South China University of Technology，2015(in Chinese).

[15] 劉偉峰，楊?lèi)?ài)蘭.基于BIC準(zhǔn)則和Gibbs采樣的有限混合模型無(wú)監(jiān)督學(xué)習(xí)算法[J].電子學(xué)報(bào)，2011，39(S1)：134-139.

LIU W F，YANG A L.Unsupervised learning for finite mixture models based on BIC criterion and Gibbs sampling[J].Acta Electronica Sinica，2011，39(S1)：134-139(in Chinese).

[16] 李文立，郭凱紅.D-S證據(jù)理論合成規(guī)則及沖突問(wèn)題[J].系統(tǒng)工程理論與實(shí)踐，2010，30(8)：1422-1432.

LI W L，GUO K H.Combination rules of D-S evidence theory and conflict problem[J].Systems Engineering Theory and Practice，2010，30(8)：1422-1432(in Chinese).

[17] 張光明.航空發(fā)動(dòng)機(jī)氣路故障診斷技術(shù)研究[D].沈陽(yáng)：沈陽(yáng)航空工業(yè)學(xué)院，2010.

ZHANG G M.Research on gas path fault diagnosis for aero-engine[D].Shenyang：Shenyang Institute of Aeronautical Engineering，2010(in Chinese).