为了提高支持向量机(SVM)对航空发动机气路故障诊断的准确率以及在诊断过程中的可靠性,引入量子自适应粒子群优化算法(QAPSO)对其惩罚因子、核函数参数以及松弛变量进行寻优,并利用优化后的支持向量机对航空发动机气路故障进行诊断。以P...为了提高支持向量机(SVM)对航空发动机气路故障诊断的准确率以及在诊断过程中的可靠性,引入量子自适应粒子群优化算法(QAPSO)对其惩罚因子、核函数参数以及松弛变量进行寻优,并利用优化后的支持向量机对航空发动机气路故障进行诊断。以PW4056发动机的EHM(Equipment Health Monitoring)状态监控系统为例,将QAPSO-SVM算法、QPSO-SVM、PSO-SVM、SVM、BP和Elman神经网络用于航空发动机气路故障诊断中,从发动机故障诊断的性能参数、抗噪能力、训练时间以及诊断精度四方面进行综合比较分析。仿真结果表明:QAPSO-SVM方法在多种故障模式的诊断中准确度都要优于其他两种优化的SVM以及BP与Elman神经网络;QAPSO-SVM的平均诊断准确度与抗噪能力也要优于其他方法,并且在故障诊断性能参数不同的情况下,也能够很好地对其进行诊断,展现出较强适应能力。展开更多
文摘为了提高支持向量机(SVM)对航空发动机气路故障诊断的准确率以及在诊断过程中的可靠性,引入量子自适应粒子群优化算法(QAPSO)对其惩罚因子、核函数参数以及松弛变量进行寻优,并利用优化后的支持向量机对航空发动机气路故障进行诊断。以PW4056发动机的EHM(Equipment Health Monitoring)状态监控系统为例,将QAPSO-SVM算法、QPSO-SVM、PSO-SVM、SVM、BP和Elman神经网络用于航空发动机气路故障诊断中,从发动机故障诊断的性能参数、抗噪能力、训练时间以及诊断精度四方面进行综合比较分析。仿真结果表明:QAPSO-SVM方法在多种故障模式的诊断中准确度都要优于其他两种优化的SVM以及BP与Elman神经网络;QAPSO-SVM的平均诊断准确度与抗噪能力也要优于其他方法,并且在故障诊断性能参数不同的情况下,也能够很好地对其进行诊断,展现出较强适应能力。
