基于主成分分析和线性判别的航空发动机状态监视

摘要/Abstract

摘要：

利用航空发动机传感器数据对发动机状态进行监视,采用主成分分析（PCA）方法和线性判别法（LDA）对发动机传感器数据进行二次特征提取,按照最优近邻思想进行分类。将2008年IEEE PHM数据作为实验数据,将基于PCA和LDA的分类结果与基于PCA的分类方法以及深度信念网（DBN）分类方法的结果进行了对比分析,结果表明,基于PCA和LDA方法的识别率综合最优且结构简单,对于工程应用该方法有效可行。

关键词: 航空发动机, 状态监视, 主成分分析, 线性判别, 深度信念网

Abstract:

This paper proposed an approach for aero-engine condition monitoring by sensors data based on PCA and LDA. The failure features of sensors data were re-extracted via PCA and LDA, and the engine conditions were classified by the nearest neighbor algorithm. The experiments were conducted on the 2008 IEEE PHM challenge data, and the proposed approach was compared with a PCA based classification method and a DBN based classification method. The results show that the proposed method exhibits a higher recognition accuracy with simpler structure which is practicable and efficient to engineering apllications.

Key words: aero-engine, condition monitoring, principal component analysis(PCA), linear discriminant analysis(LDA);deep belief net(DBN)

中图分类号:

周媛, 左洪福. 基于主成分分析和线性判别的航空发动机状态监视[J]. 中国机械工程, 2014, 25(11): 1433-1437.

Zhou Yuan, Zuo Hongfu. Condition Monitoring of Aero-engine Based on PCA and LDA[J]. China Mechanical Engineering, 2014, 25(11): 1433-1437.

参考文献

[1]Tamilselvan P，Wang P. Failure Diagnosis Using Deep Belief Learning Based Health State Classification[J].Reliability Engineering & System Safety，2013,115:124-135.
[2]单晓明，宋云峰，黄金泉，等．基于神经网络和模糊逻辑的航空发动机状态监视[J]．航空动力学报，2009，24(10)：2356-2361．
Shan Xiaoming，Song Yunfeng，Huang Jinquan，et al.Condition Monitoring of Aero-engine Based on Neural Network and Fuzzy Logic[J].Journal of Aerospace Power，2009，24(10)：2356-2361．
[3]王旭辉，黄圣国，施鼎豪，等．基于支持向量机的发动机气路故障预诊断[J]．交通运输工程学报，2008，8(5)：33-37．
Wang Xuhui，Huang Shengguo，Shi Dinghao，et al.Gas Path Fault Prognosis of Aeroengine Based on Support Vector Machine[J]．Journal of Traffic and Transportation Engineering，2008，8(5)：33-37．
[4]梁胜杰，张志华，崔立林．主成分分析法与核主成分分析法在机械噪声数据降维中的应用比较[J]．中国机械工程，2011，22(1)：80-83．
Liang Shengjie，Zhang Zhihua，Cui Lilin.Comparison between PCA and KPCA Method in Dimensional Reduction of Mechanical Noise Data[J]．China Mechanical Engineering，2011，22(1)：80-83．
[5]Hinton G E，Osindero S，Teh Y W．A Fast Learning Algorithm for Deep Belief Nets[J]．Neural Computation，2006，18(7)：1527-1554．
[6]Hinton G. A Practical Guide to Training Restricted Boltzmann Machines[J]．Momentum，2010，9(1):926．
[7]Jolliffe I．Principal Component Analysis[M]．New York:John Wiley & Sons，Ltd.，2005．
[8]Kuncheva L I，Faithfull W J．PCA Feature Extraction for Change Detection in Multidimensional Unlabeled Data[J]. IEEE Transactions on Neural Networks and Learning Systems, 2013,25(1):69-80．
[9]朱永宣，单莘，郭军．入侵检测系统中基于PCA和C-SSGA的双向数据压缩[J]．哈尔滨工业大学学报，2009,49(9)：123-127．
Zhu Yongxuan，Shan Shen，Guo Jun．Bidirectional Data Reduction based on PCA and Combined C-SSGA in Intrusion Detection System[J]．Journal of Harbin Institute of Technology，2009,49(9)：123-127．
[10]章万锋．基于PCA与LDA的说话人识别研究[D]．杭州：浙江大学，2004．
[11]李建林．一种基于PCA的组合特征提取文本分类方法[J]．计算机应用研究，2013，30(8)：2398-2401．
Li Jianlin．Combination of Feature Extraction in Text Classification Algorithm Based on PCA[J]．Application Research of Computers，2013，30(8)：2398-2401．
[12]孟一飞，袁雪，魏学业，等．基于样本扩展和线性子空间特征提取的单样本人脸识别[J].应用科学学报，2013，31(5):488-494.
Meng Yifei，Yuan Xue，Wei Xueye，et al．Single Sample Face Recognition with Virtual Samplesand Linear Subspace Feature Extraction[J]．Journal of Applied Sciences，2013，31(5):488-494.
[13]Saxena A，Goebel K，Simon D，et al．Damage Propagation Modeling for Aircraft Engine Run-to-failure Simulation[C]//International Conference on Prognostics and Health Management, 2008(PHM 2008). Denver:IEEE, 2008: 47114141-9.
[14]Heimes F O．Recurrent Neural Networks for Remaining Useful Life Stimation[C]//International Conference on Prognostics and Health Management，2008(PHM 2008). Denver:IEEE, 2008: 47114221-6.

[1]	陈换过, 刘培君, 俞杭, 肖雪. 基于改进PCA-SOM的电静压伺服作动器油滤堵塞故障诊断[J]. 中国机械工程, 2021, 32(07): 799-805.
[2]	张琨, 陈定方, 高铭鑫, 黄永亮, 刘洋, 门燕青. [车辆工程与测控]有监督学习下的市域铁路隧道结构裂缝边缘识别方法[J]. 中国机械工程, 2021, 32(04): 446-453.
[3]	孙惠斌, 颜建兴, 魏小红, 常智勇, . [数字孪生驱动的智能制造]数字孪生驱动的航空发动机装配技术[J]. 中国机械工程, 2020, 31(07): 833-841.
[4]	栾孝驰1,2;沙云东1;郭小鹏3;杨帝思4;马侹1,4. 装配参数对附件机匣锥齿轮破裂故障的影响[J]. 中国机械工程, 2020, 31(04): 438-444.
[5]	张强;李坚;谢里阳;何雪浤. 考虑二层因素影响的综合因子可靠性分配法[J]. 中国机械工程, 2019, 30(19): 2301-2305.
[6]	刘洋;刘晓波;梁珊. 基于傅里叶分解方法的航空发动机转子故障诊断[J]. 中国机械工程, 2019, 30(18): 2156-2163.
[7]	周友行;马逐曦;石弦韦;孔拓. HSI颜色空间下的直线导轨表面缺陷检测方法[J]. 中国机械工程, 2019, 30(18): 2179-2184.
[8]	韩晓芹1,2;宋永锋1;刘雨1;李雄兵1. 基于超声无损评价的表面粗糙度测量方法[J]. 中国机械工程, 2019, 30(08): 883-889.
[9]	何刘海;吴桂娇;王平. 基于支持向量机决策树的航空发动机轴心轨迹识别方法[J]. 中国机械工程, 2019, 30(08): 969-974.
[10]	葛亮, 苗瑞, 葛秋原, 吴易洲. [质量优化]窄搭接焊缝涡流信号的特征提取与缺陷识别[J]. 中国机械工程, 2019, 30(02): 225-229.
[11]	张世雄;蔡艳平;石林锁;王旭. 基于离散广义S变换与双向二维主成分分析的内燃机故障诊断[J]. 中国机械工程, 2018, 29(08): 899-905.
[12]	王洪斌1;王红1;何群2;王跃灵1;周振1. 基于深度信念网络的风机主轴承状态监测方法[J]. 中国机械工程, 2018, 29(08): 948-953.
[13]	鄂东辰1，2;张立杰1，2. 基于分块多向主成分分析的翻车机液压系统故障诊断[J]. 中国机械工程, 2018, 29(08): 958-964.
[14]	曾达幸;王娟娟;樊明洲;岳晓博;侯雨雷. 基于主成分分析方法的并联机构参数优化[J]. 中国机械工程, 2017, 28(24): 2899-2905.
[15]	李联辉1,2;孙红霞1;李红梅1;张秦玮1;高阳1;雷婷1;袁颖2. 基于单一产品数据源和多色集的装配数据建模与组织[J]. 中国机械工程, 2017, 28(19): 2346-2353.