Vol. 39. No. 10火力與指揮控制第39卷第10期Oct,2014Fire control command control2014年10月文章編號(hào):1002-0640(2014)10-0130-05主元分析法和模糊積分的航空發(fā)動(dòng)機(jī)氣路狀態(tài)監(jiān)測崔建囯,吳燦1,董世良2,劉海港2,蔣麗英(1沈陽航空航天大學(xué)自動(dòng)化學(xué)院,沈陽110136;2.沈陽飛機(jī)設(shè)計(jì)研究所,沈陽110035)摘要:航空發(fā)動(dòng)機(jī)是一個(gè)大系統(tǒng),由于結(jié)構(gòu)復(fù)雜、工作條件惡劣等因素影響,對其進(jìn)行有效地健康狀態(tài)監(jiān)測成為航空領(lǐng)域長期難以解決的關(guān)鍵技術(shù)之一。為有效監(jiān)測航空發(fā)動(dòng)機(jī)健康狀態(tài),以航空發(fā)動(dòng)機(jī)氣路系統(tǒng)為例,提出-種基于主元分析和模糊積分的航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測方法。首先,利用主元分析法提取發(fā)動(dòng)機(jī)狀態(tài)樣本集的主元,對樣本數(shù)據(jù)進(jìn)行降維,實(shí)現(xiàn)樣本的最優(yōu)壓縮。其次,利用BP神經(jīng)網(wǎng)絡(luò)和 Elman神經(jīng)網(wǎng)絡(luò)對發(fā)動(dòng)機(jī)狀態(tài)信息的特征向量進(jìn)行初步狀態(tài)監(jiān)測。最后,利用模糊積分對采用兩種神經(jīng)網(wǎng)絡(luò)的初步監(jiān)測結(jié)果進(jìn)行決策層融合,從而有效地實(shí)現(xiàn)對航空發(fā)動(dòng)機(jī)氣路系統(tǒng)的狀態(tài)監(jiān)測。通過某型真實(shí)航空發(fā)動(dòng)機(jī)驗(yàn)證表明,所提出基于主元分析和模糊積分的狀態(tài)監(jiān)測方法,能有效提高監(jiān)測的準(zhǔn)確度,滿足航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測的實(shí)時(shí)性要求,具有良好的工程應(yīng)用價(jià)值。關(guān)鍵詞:航空發(fā)動(dòng)機(jī)氣路系統(tǒng),狀態(tài)監(jiān)測,主元分析,模糊積分中圖分類號(hào):TH17文獻(xiàn)標(biāo)識(shí)碼:ACondition Monitoring of Aeroengine Gas Path System Based onPrincipal Component Analysis and Fuzzy IntegralCUI jian-guo, WU can, DONG shi-liang, LIU hai-gang, JIANG li-ying( 1. School of Automation, Shenyang Aerospace University, Shenyang 110136, china;2. Shenyang A ircraft Design Research Institute, Shenyang 1 10035, China)Abstract: The aeroengine is a large-scale system, because of its complex structure, poor workinconditions and other factors, the effective health condition monitoring has become one of the keytechniques in the aviation field that is difficult to resolve. In order to monitor the health condition ofaeroengine effectively, taking thepath system as an example, this paper puts forward acondition monitoring method of aeroengine based on principal component analysis and fuzzy integralFirst of all, using the method of principal component analysis to extract the main element and featurenformation and reduce the dimension of the sample data, it achieves optimal compression samplesSecondly, based on the feature vector of the engine condition sample data, it uses Bp and Elman neuralnetwork to monitor the condition of aeroengine Finally, using two kinds of neural network results fordecision level fusion based on fuzzy integral. By a certain type of aircraft engine real validation, itshowed that this method took advantage of principal component analysis and fuzzy integral, improvedcraftrequirements, which has a good value in enapplIcKey words: aeroengine gas path system, condition monitoring, principal component analysis, fuzz收稿日期:2013-07-19修回日期:2013-10-27非基金項(xiàng)目:航空科學(xué)基金(2010ZD54012);囯防預(yù)研基金(A0520110023);囯防基礎(chǔ)科研基金資助項(xiàng)目(Z052012BO2作者簡介:崔建國(1963-),男,遼寧人,博士后,教授。研究方向:飛行器健康診斷與系統(tǒng)綜合健康管理、信號(hào)檢測與控制可視化仿真技術(shù)與應(yīng)用。崔建國,等:主元分析法和模糊積分的航空發(fā)動(dòng)機(jī)氣路狀態(tài)監(jiān)測(總第39-1809)引言少數(shù)幾個(gè)變量是原變量的線性組合,同時(shí)這些新變量要盡可能多地表征原變量的數(shù)據(jù)結(jié)構(gòu)特征而不隨著航空發(fā)動(dòng)機(jī)系統(tǒng)不斷發(fā)展,其性能得到提丟失信息的多元統(tǒng)計(jì)方法。其優(yōu)點(diǎn)是得到的主成分高,它的系統(tǒng)結(jié)構(gòu)也越來越復(fù)雜,系統(tǒng)的可靠性顯相互獨(dú)立,不受主觀因素影響,從根本上排除了信得尤為重要。航空發(fā)動(dòng)機(jī)作為飛機(jī)的“心臟”,經(jīng)常息之間的相互重疊的部分。工作在高溫高壓的惡劣環(huán)境,不可避免地會(huì)發(fā)生故設(shè)原始數(shù)據(jù)樣本集∈R",其中m是樣本的障,這些對于航空發(fā)動(dòng)機(jī)的性能和飛行安全造成嚴(yán)個(gè)數(shù),n是傳感器測量變量的個(gè)數(shù)。它們組成的觀測重威脅。航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測技術(shù)對評(píng)定發(fā)動(dòng)機(jī)工機(jī)的飛行安全性、可靠性和其運(yùn)營成本具有重要的矩陣為x-3作用。為了提高發(fā)動(dòng)機(jī)的安全性和可靠性,研究發(fā)動(dòng)機(jī)故障診斷系統(tǒng),實(shí)時(shí)監(jiān)測航空發(fā)動(dòng)機(jī)部件的運(yùn)行狀況,及時(shí)地發(fā)現(xiàn)故障并做出正確的應(yīng)對,顯得對于航空發(fā)動(dòng)機(jī)而言,不同的參數(shù)具有不同的很有必要1-2量綱,為了消除量綱的影響及數(shù)量級(jí)的差異,需要來,涌現(xiàn)出能狀態(tài)監(jiān)測方法,對變量進(jìn)行標(biāo)準(zhǔn)化處理。標(biāo)準(zhǔn)化的方法是觀測矩陣元分析狀態(tài)監(jiān)測方法逐漸受到研究者重視,在航的各個(gè)變量減去其均值再除以相應(yīng)的方差。對于矩空工業(yè)領(lǐng)域已有成功應(yīng)用。文獻(xiàn)[3]提出了一種基以表示于主元分析( Principal Component Analysis,PCA)模cxx型的航空發(fā)動(dòng)機(jī)故障診斷算法,能夠?qū)崿F(xiàn)故障檢測和定位。文獻(xiàn)[4提出了PCA故障診斷算法,對主元分析過程實(shí)質(zhì)上是對C;矩陣的特征值分航空發(fā)動(dòng)機(jī)傳感器進(jìn)行故障診斷。文獻(xiàn)[5提出了解過程。種基于PCA和神經(jīng)網(wǎng)絡(luò)的組合故障診斷算法C P,=np通過PCA來監(jiān)測雷達(dá)的狀態(tài),確定故障部位,最后得到C的n個(gè)特征值A(chǔ)≥A2…≥An和n個(gè)特用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。文獻(xiàn)[6提出了一種基征向量ppP,…pn。數(shù)據(jù)矩陣可以主元分解為:于核主元分析和多級(jí)神經(jīng)網(wǎng)絡(luò)集成的汽輪機(jī)故障X=TP+tP=tP+E(2)診斷方法,采用了核主元分析法對汽輪機(jī)故障樣其中,T∈R",T∈R"m8),P=,P2…,P∈R"本數(shù)據(jù)進(jìn)行特征提取,然后采用基于正交最小二P=IPP+2… Paler(n-k),E稱之為殘差矩陣,代表乘算法的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)來集成各個(gè)子網(wǎng)的X在非主元p,…,p上的變化輸出并得到最終的診斷結(jié)果。以上論述的故障診在對數(shù)據(jù)降維的過程中,主元個(gè)數(shù)k選擇是否斷方法的不足是需要大量的樣本數(shù)據(jù)、耗時(shí)長診合理會(huì)直接影響到主元模型的準(zhǔn)確性。本文選擇主斷率不高。通過以上分析,本文給出了一種基于主元分析元貢獻(xiàn)率法計(jì)算主元個(gè)數(shù),主元貢獻(xiàn)率定義如下法、神經(jīng)網(wǎng)絡(luò)和模糊積分的組合故障診斷方法,以CONT實(shí)現(xiàn)航空發(fā)動(dòng)機(jī)氣路系統(tǒng)狀態(tài)監(jiān)測。采用PCA對航空發(fā)動(dòng)機(jī)狀態(tài)樣本數(shù)據(jù)進(jìn)行降維,提取狀態(tài)樣本集其中:COMT表示第i個(gè)主元的貢獻(xiàn)率,在應(yīng)用的主元,利用BP和 Elman神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)發(fā)動(dòng)機(jī)的主元分析法進(jìn)行數(shù)據(jù)壓縮時(shí),為了使舍棄的原有數(shù)狀態(tài)分類,再以模糊積分理論對兩種神經(jīng)網(wǎng)絡(luò)的分據(jù)信息量不影響對系統(tǒng)的分析,要求前k個(gè)主元的類結(jié)果進(jìn)行決策層融合,以期提高狀態(tài)分類的準(zhǔn)確累積貢獻(xiàn)率必須大于某一數(shù)值cl,即主元貢獻(xiàn)率法度。該方法結(jié)合了PCA將數(shù)據(jù)降維,排除信息重疊選取主元的標(biāo)準(zhǔn)部分的特點(diǎn),簡化了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),提高了診斷∑λ精度。CONT =E(41PCA基本理論[7-8其中cl為門限貢獻(xiàn)率,cl∈[0,1]。由于主元的主元分析法的原理是利用數(shù)據(jù)降維的思想,通貢獻(xiàn)率一般較大,所以cl可設(shè)定為95%,這時(shí)提取過研究多個(gè)變量的相關(guān)性,將原變量進(jìn)行轉(zhuǎn)換,使的主元參數(shù)盡可能多地表征原始數(shù)據(jù)的結(jié)構(gòu)特征(總第39-1810)火力與指揮控制2014年第10期2模糊積分基本理論[9-101設(shè)X為一個(gè)待分類模式,S={o1,o2,…,n})為類別的集合,X={(x1,x2,…,x}為n個(gè)分類器的集合。分設(shè)(X,Ω)為一可測空間為X的所有子集組成類器x認(rèn)為輸入模式ⅹ屬于類ω的置信水平函的非空集,是g:9→0,1]上的一個(gè)模糊測度,g滿數(shù)。對于有限集合X={x;,x2,…,x}置信水平函數(shù)h足:①邊界條件:g(Φ)=0,g(X)=1關(guān)于模糊測度g的模糊積分C"=」b"(x)g()②2單調(diào)性:VA,B∈9,若ACB則s(B)≥g(A)③連續(xù)性:若AA2g…cA≤…,則 max[min(h"(x),g(A1)](k=1,2,…,m)其中,g(A,)=g(1imA,)。則稱g為一個(gè)模糊測度。(x)≥h“(x2)≥…≥=h“(x,)“(x)=0,A={x,x2對于一個(gè)有限集合X={x1,x2,…,x},令g為模x}對于模糊測度重點(diǎn)在于g(A1)的求得,這里g糊測度,將單個(gè)元素的模糊測度記為g=g(x),x到(A)的值可通過如下迭代方式求出g模糊測度的映射:x→g=g{x}),=1,2,…,n稱為模s(4)=g(x)=g糊密度函數(shù)。假設(shè)x的識(shí)別率為g(4)=g+(4)+gs(4lk≤n選擇C(中最大值對應(yīng)的類別為輸出類別。3航空發(fā)動(dòng)機(jī)氣路系統(tǒng)狀態(tài)監(jiān)測試驗(yàn)l∈[0,1為主觀值。如果存在λ>-1.VA,BcX,研究A∩B=中,滿足s(AUB)=g(A)+g(B)+g(A)g(B),3.1航空發(fā)動(dòng)機(jī)氣路系統(tǒng)狀態(tài)監(jiān)測方案當(dāng)A=0則X的任意集A上的模糊測度等于A中所本文選用某型真實(shí)航空發(fā)動(dòng)機(jī)的參數(shù)數(shù)據(jù)對有元素的模糊密度之和,g(X)=∑g;反之,若A≠0發(fā)動(dòng)機(jī)氣路系統(tǒng)進(jìn)行狀態(tài)檢測。航空發(fā)動(dòng)機(jī)氣路系統(tǒng)健康狀態(tài)監(jiān)測方案如圖1。在航空發(fā)動(dòng)機(jī)健康監(jiān)則X的任意子集A上的模糊測度為測專用試驗(yàn)平臺(tái)上,用傳感器網(wǎng)絡(luò)實(shí)時(shí)監(jiān)測航空發(fā)g(x)=1(+g)-4,x>1,x≠0(6)動(dòng)機(jī)氣路系統(tǒng)的健康狀態(tài)獲取氣路系統(tǒng)的相關(guān)健康狀態(tài)信息。在具體狀態(tài)監(jiān)測實(shí)現(xiàn)上,對采集到的其中,λ的值可以通過求解g(X)=1即λ+1=氣路系統(tǒng)數(shù)據(jù),采用PCA對數(shù)據(jù)信息進(jìn)行降維,提取樣本主元,為神經(jīng)網(wǎng)絡(luò)的狀態(tài)監(jiān)測提供狀態(tài)特征1+g)得。已經(jīng)證明解得的A雖然有多個(gè),向量:其次,利用B和即m神經(jīng)網(wǎng)絡(luò)對發(fā)動(dòng)機(jī)各狀態(tài)下的特征向量進(jìn)行分類決策,最后利用模糊積但是在[-1,∞)上是唯一的,這里選擇在[-1,∞)上分對兩種神經(jīng)網(wǎng)絡(luò)的分類結(jié)果進(jìn)行決策層融合,得的解為最終的A值。到最終的航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測結(jié)果型健傳感器模糊積分航空發(fā)子和對(傳感器狀上元分析法BP神經(jīng)網(wǎng)絡(luò)測dmam神經(jīng)網(wǎng)C/2機(jī)下氣機(jī)出口壓力}(感器N圖1航空發(fā)動(dòng)機(jī)氣路系統(tǒng)健康狀態(tài)監(jiān)測方案32基于PCA和神經(jīng)網(wǎng)絡(luò)的初步狀態(tài)監(jiān)測P6、發(fā)動(dòng)機(jī)進(jìn)口溫度T2、發(fā)動(dòng)機(jī)進(jìn)口壓力P2、大氣根據(jù)航空發(fā)動(dòng)機(jī)氣路數(shù)據(jù)的特點(diǎn)和實(shí)際情況,壓力P0。對采集到的氣路系統(tǒng)數(shù)據(jù)進(jìn)行主元分析經(jīng)分析和研究,本文選取可以較好表征航空發(fā)動(dòng)機(jī)取采樣時(shí)間間隔為0.1s,總采樣時(shí)間為20s。這組的13個(gè)參數(shù)包括:相對物理轉(zhuǎn)速N2、高壓導(dǎo)葉實(shí)際數(shù)據(jù)包括200個(gè)樣本數(shù)據(jù)X∈R3013,對數(shù)據(jù)進(jìn)行標(biāo)值A(chǔ)lfa2、壓氣機(jī)出口壓力P3、25截面壓氣機(jī)進(jìn)口溫準(zhǔn)化處理,減去每個(gè)變量的均值并除以各自的標(biāo)準(zhǔn)度γ25、低壓轉(zhuǎn)子相對物理轉(zhuǎn)速M(fèi)1、主燃油流量給差,建立PCA主元模型,提取主元特征。本文采用累定值 WfmDem、噴口喉道面積反饋值A(chǔ)8、增壓比反計(jì)方差貢獻(xiàn)率來選取主元個(gè)數(shù)。由于前4個(gè)主元累饋值EPR、低壓渦輪后溫度T6、低壓渦輪后壓力計(jì)貢獻(xiàn)率為96.46%,能夠解釋超過95%的數(shù)據(jù)變崔建國,等:主元分析法和模糊積分的航空發(fā)動(dòng)機(jī)氣路狀態(tài)監(jiān)測(總第39-1811)化,故選取主元個(gè)數(shù)為4表2發(fā)動(dòng)機(jī)狀態(tài)特征向量航空發(fā)動(dòng)機(jī)的4種常見健康狀態(tài)模式包括A1,A2,A3,A4},其中,元素A1代表慢車狀態(tài),A2樣本征向量模式代表巡航狀態(tài),A3代表加力狀態(tài),A4代表故障狀1(430028,-1.35855,-0.99994,2.84507)A1態(tài)。對于航空發(fā)動(dòng)機(jī)每種健康狀態(tài)模式選用50組2(4373053,-1.39013,-0.99994,3.053747)A1共200組樣本數(shù)據(jù)。經(jīng)過PCA提取的四維主元特征3(441621,-0.83695,-0.99994,3.114434)A1向量作為神經(jīng)網(wǎng)絡(luò)新的輸入,輸出則為發(fā)動(dòng)機(jī)的四4(4.321662,-1.23171,-0.99994,2758695)A1種狀態(tài)。各個(gè)主元的貢獻(xiàn)率如表1所示,發(fā)動(dòng)機(jī)狀態(tài)特征向量如表2所示。表1各個(gè)主元的貢獻(xiàn)率200(-29.0221,-233079,-0.99994,-85.3731)A4一主元特征值貢獻(xiàn)率(%)累積貢獻(xiàn)率(%)果。根據(jù)樣本參數(shù)和狀態(tài)模式數(shù)設(shè)置Elmn、BP神9.906經(jīng)網(wǎng)絡(luò)的輸入層和輸出層神經(jīng)元數(shù)分別均為4和234103179484.144。輸入即為實(shí)際參數(shù)歸一化后的結(jié)果。歸一化的公1.00091.83式為:y=1/(1+e-)。A1、A2、A3、44的健康狀態(tài)模式0.6014.6396.46目標(biāo)輸出分別為(1,0,0,0),(O,1,0,0)r,(0,0,1,0),(0,0,0,1)7對于航空發(fā)動(dòng)機(jī)每種健康0.000030.00027100.0狀態(tài)模式分別選用30組樣本作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)經(jīng)過多次試驗(yàn),發(fā)現(xiàn)采用 Elman和BP神經(jīng)網(wǎng)20組作為測試數(shù)據(jù)。BP神經(jīng)網(wǎng)絡(luò)和 Elman神經(jīng)網(wǎng)絡(luò)對其健康狀態(tài)進(jìn)行監(jiān)測,可以取得較好的監(jiān)測效絡(luò)對測試樣本狀態(tài)監(jiān)測結(jié)果如表3所示。表3神經(jīng)網(wǎng)絡(luò)的監(jiān)測結(jié)果測試樣本監(jiān)測方法實(shí)際輸出監(jiān)測結(jié)果/實(shí)際結(jié)果樣本1Elman神經(jīng)網(wǎng)絡(luò)(0.7143,0.143,0.1714,0)Al/A1BP神經(jīng)網(wǎng)絡(luò)(0.9995,0,0,0.0068)A 1/A1樣本2Elman神經(jīng)網(wǎng)絡(luò)0.1923,0.6923,0.0385,0.0769)A2/A1BP神經(jīng)網(wǎng)絡(luò)(0.7619,0.1429,0.0476,0.0476)Al/AI樣本79Elman神經(jīng)網(wǎng)絡(luò)(00533,00400,0.1600,0.7467)A4/44BP神經(jīng)網(wǎng)絡(luò)(0.0294,0.0294,0,0.9412)A4/A4樣本80Eman神經(jīng)網(wǎng)絡(luò)(0,0.0370,0.8519,0.1111)A3/4BP神經(jīng)網(wǎng)絡(luò)(0,0,0.1042,0.8958)A4/4試驗(yàn)表明,采用 Elman神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)③由測得的網(wǎng)絡(luò)的診斷精度確定模糊密度g;絡(luò)對航空發(fā)動(dòng)機(jī)進(jìn)行狀態(tài)監(jiān)測的準(zhǔn)確率分別為④根據(jù)前面確定的模糊密度,計(jì)算λ值然后求82.5%和80%得模糊測度g(A);3.3基于模糊積分的決策層狀態(tài)監(jiān)測⑤計(jì)算最終的模糊積分值。將融合結(jié)果作為航單一的神經(jīng)網(wǎng)絡(luò)分類器因其算法的局限性具空發(fā)動(dòng)機(jī)的診斷結(jié)果輸出有一些固有缺陷,為了避免其缺陷,需融入更多算按照以上步驟得到融合結(jié)果如表4所示。法信息來識(shí)別航空發(fā)動(dòng)機(jī)的狀態(tài),增加診斷的準(zhǔn)確表4模糊積分的融合結(jié)果性。將BP和Elmm神經(jīng)網(wǎng)絡(luò)初步診斷與模糊積測試樣本模糊積分融合結(jié)果融合結(jié)果/實(shí)分的融合方法結(jié)合起來,構(gòu)造決策融合模型。首先際結(jié)果采用不同的神經(jīng)網(wǎng)絡(luò)對航空發(fā)動(dòng)機(jī)進(jìn)行局部診斷樣本1(0.9444,00453,0.3151,0.0193)A1A1然后將各個(gè)神經(jīng)網(wǎng)絡(luò)的初步診斷結(jié)果采用模糊積樣本2(1.0114,0.0453,0.0124,0.1556)A1A1分進(jìn)行決策融合,基于模糊積分的狀態(tài)監(jiān)測基本步樣本3(0.9444,0.3169,00201,0.0312)A1A1驟如下。①運(yùn)用 Elman和BP神經(jīng)網(wǎng)絡(luò)對航空發(fā)動(dòng)機(jī)的相關(guān)數(shù)據(jù)進(jìn)行初步診斷,得出分類器的初步診斷結(jié)樣本79(0904.084.04818,0991414果(見3.2節(jié));②每個(gè)神經(jīng)網(wǎng)絡(luò)的輸出作為置信水平函數(shù)h;樣本80(0.0884,0.0911,0.6010,0.4805)A3/A4(總第39-1812)火力與指揮控制2014年第10期根據(jù)上述仿真結(jié)果,計(jì)算得出采用模糊積分對(5):595-599Elman和BP神經(jīng)網(wǎng)絡(luò)的初步監(jiān)測結(jié)果進(jìn)行決策層2張光明航空發(fā)動(dòng)機(jī)氣路系統(tǒng)故障診斷技術(shù)研究[D]沈融合的準(zhǔn)確率為95‰%。根據(jù)表3、表4的結(jié)果,統(tǒng)計(jì)陽:沈陽航空航天大學(xué),2010神經(jīng)網(wǎng)絡(luò)和模糊積分的監(jiān)測的準(zhǔn)確率,統(tǒng)計(jì)結(jié)果如3楊帆,胡金海,陳衛(wèi).主元分析方法在航空發(fā)動(dòng)機(jī)故表5所示。障檢測與診斷中的應(yīng)用[J].機(jī)械科學(xué)與技術(shù),2008,2表5各種監(jiān)測方法的準(zhǔn)確率統(tǒng)計(jì)(3):330-333[4]龔志飛,郭迎清基于主元分析法的航空發(fā)動(dòng)機(jī)傳感器故方法名稱模糊積分障診斷研究[J.計(jì)算機(jī)測量與控制,2012,20(8):準(zhǔn)確率80%825%2017-2019.與神經(jīng)網(wǎng)絡(luò)單分類器相比,運(yùn)用模糊積分進(jìn)行5]景濤.基于PCA和神經(jīng)網(wǎng)絡(luò)的雷達(dá)故障組合診斷方法[J].科學(xué)技術(shù)與工程,2009,9(16):4836-4839決策融合可以有效提高監(jiān)測的準(zhǔn)確率,其準(zhǔn)確率達(dá)[6]基于核主元分析和多級(jí)神經(jīng)網(wǎng)絡(luò)集成的汽輪機(jī)故障診斷到了95J].電力科學(xué)與工程,2009,25(6):67-704結(jié)論]龔志飛,郭迎清.基于主元分析法的航空發(fā)動(dòng)機(jī)傳感器故障診斷研究[J].計(jì)算機(jī)測量與控制,2012,20(8)本文將航空發(fā)動(dòng)機(jī)氣路健康狀態(tài)數(shù)據(jù)經(jīng)過2017-2019PCA模型處理提取主元特征后輸入Elmn和BP神[81胡金海,謝壽生基于遺傳算法的航空發(fā)動(dòng)機(jī)性能監(jiān)控與經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)輸出作為決策層模糊積分的初始信故障診斷[J].推進(jìn)技術(shù),2003,24(3):198-200息,按照進(jìn)行模糊積分融合規(guī)則計(jì)算,得到發(fā)動(dòng)機(jī)9]姚明海,何通能一種基于模糊積分的多分類器聯(lián)合方法[J]浙江工業(yè)大學(xué)學(xué)報(bào),2002,30(2):156-15每種狀態(tài)的信任度。這種融合方法與神經(jīng)網(wǎng)絡(luò)單分101 James M K, Gader p, ahani,al. Advances in Fuzzy類器相比可以有效提高狀態(tài)監(jiān)測的準(zhǔn)確率,達(dá)到對Integration for Pattern Recognition [J]. Fuzzy Sets and航空發(fā)動(dòng)機(jī)有效健康狀態(tài)監(jiān)測的效果。Systems,1994(65):273-283參考文獻(xiàn)[I]趙立杰,柴天佑,王綱.多元統(tǒng)計(jì)性能監(jiān)視和故障診1]王旭輝,黃圣國,舒平.基于最小二乘支持向量機(jī)的航斷技術(shù)研究進(jìn)展[J].信息與控制,2004,33(2)空發(fā)動(dòng)機(jī)故障遠(yuǎn)程診斷[J].機(jī)械科學(xué)與技術(shù),2007,26197-201小m(上接第129頁)由圖4看出,波束響應(yīng)在-30°、-18°0°、10°、仿真實(shí)驗(yàn)表明,本文方法能夠有效地對同時(shí)到達(dá)的18°、2φ處為極大值點(diǎn),極大值點(diǎn)處有可能為信號(hào)來多個(gè)寬帶信號(hào)進(jìn)行測向,且算法簡單,運(yùn)算量小,易波方向,圖中在0方向處信號(hào)波束響應(yīng)最強(qiáng),故0于工程應(yīng)用。處必是信號(hào)到達(dá)方向,經(jīng)查表可得,0°方向處有信號(hào)時(shí),其他高副瓣波位點(diǎn)分別為-30°、-17°17°、30°,參考文獻(xiàn)故可判定-30°、-18°、18°、29°處4個(gè)方向不是信號(hào)到達(dá)方向,10處是極大值點(diǎn),又不是高副瓣點(diǎn),故可[1張光義多波束形成技術(shù)在相控陣?yán)走_(dá)中的應(yīng)用J現(xiàn)代判定10處為信號(hào)的到達(dá)方向,綜合判定信號(hào)到達(dá)雷達(dá),2007,29(8):1-6方向?yàn)?°和10°兩個(gè)方向。綜合判定結(jié)果與原信號(hào)[2]蘇成曉,羅景青寬帶光控陣多波束超分辨測向算法[J]信號(hào)處理,2013,29(5):640-646.到達(dá)方向基本相一致,說明多波束組合印證測向方[3]陳建峰,黃建國.基于多波東系統(tǒng)的多目標(biāo)高分辨定向新法科學(xué)有效方法[J]電子學(xué)報(bào),1999,3(5):107-1095結(jié)束語[4]侯穎妮,黃建國,馮國安基于多波束系統(tǒng)的波束域方位估計(jì)方法研究[J.彈箭與制導(dǎo)學(xué)報(bào),2007,27(3):80-82針對稀布陣下無法對同時(shí)到達(dá)的多個(gè)寬帶信號(hào)[5]羅玉蘭,景永剛,許偉杰多波束形成方法及其實(shí)現(xiàn)[J聲測向的問題,本文提出一種新的多波束測向方學(xué)技術(shù),2007,26(2):315-319法—一多波束組合印證測向法,該方法充分利用了[6龍寧,張風(fēng)荔基于FT的數(shù)字多波束測向算法研究稀布陣下信號(hào)波束響應(yīng)的高副瓣特點(diǎn),通過學(xué)習(xí)訓(xùn)J].電子科技大學(xué)學(xué)報(bào)練,建立了多波束學(xué)習(xí)訓(xùn)練匹配表,通過查表,對來71顧敏劍多波束比幅測向系統(tǒng)精度分析艦船電子對波信號(hào)波束響應(yīng)與它所在波位處的高副瓣進(jìn)行比抗,2007,30(3):70-73.[8]黃玉學(xué),李其福,桑微數(shù)字多波束技術(shù)信號(hào)處理算法對,通過組合印證,綜合分析判定信號(hào)的到達(dá)方向。研究[J].無線電工程,2006,36(7):18-19,52.