研究了基于小波变换的故障诊断方法和RBF神经网络，以针对民用航空发动机传感器的非线性故障。过小波变换提取数据样本，并通过根据非线性失效模型形成的RBF神经网络进行分类。统测试采用Matlab实验进行，结果表明该方法能够满足故障诊断要求，取得了良好的效果。用发动机;传感器;故障诊断;小波变换; RBF神经网络;特征提取数CLC：TN949.6 4？ 34; TP277文件代码：A货号：1004？ 373X（2018）？ 0137？ 04Résumé参照非线性缺陷民用飞机发动机传感器，基于小波的组合的故障诊断方法变换和RBF网络进行了研究，其被采用来提取样品特性数据。用Matlab对系统进行了试验，结果表明该方法能够满足故障诊断要求，取得了良好的效果。键词：民用飞机发动机;故障诊断，小波处理，RBF神经网络，特征提取民航业是最苛刻的设备安全行业之一，无论其是否可靠。接影响飞机的飞行安全[1]。
机发动机传感器是广泛用于飞机的重要装置：如果飞机发动机传感器发生故障，飞机的飞行员或控制系统将发送不正确的信号或无法传输信号，这将威胁飞行安全[2]。此，快速寻找被测设备的故障点已成为民用航空领域的一个重要研究课题。文研究了一种基于小波变换和RBF神经网络的民航发动机传感器故障诊断方法。过小波变换对收集的数据进行预处理，并通过学习的RBF神经网络分类器识别缺陷。试证明该方法可以达到预期目标，满足故障诊断要求。1非线性故障模型本文档不研究环境或其他因素对飞机发动机传感器的影响，而只研究非线性分析误差。系式（2）表明，由于存在非线性因素，空气动力传感器的输入/输出功能之间的关系变得非常复杂。
果不能快速处理非线性误差，恒温阀芯测量结果将非常错误，尤其是在复合测量系统中，多个飞机发动机传感器中的误差叠加可能导致输出的更大差异整体。用航空发动机传感器的非线性缺陷[4]主要包括：完全失效故障，恒定增益故障和精度降低。2诊断非线性故障的方法现代故障诊断方法主要分为三类：信号处理方法，基于分析模型的方法和基于知识的诊断方法[5] 。文采用第一种策略作为指导思想，主要依靠小波变换特征提取方法和RBF神经网络故障分类策略。于小波变换的故障提取方法小波变换是一种常用于图像处理，信号处理和大多数非线性科学领域的变换分析方法。
组到小波变换是一种改进的小波变换方法。普通小波变换相比，其分辨率更高，频带分为几个等级[6]。于最初未处理的高频数据区域，小波包变换算法可以对其进行分解。后，根据数据的特性，自适应地选择合适的频段，有效地提高时频分辨率，提高分解效果。
组到小波变换可以对原始样本进行滤波预处理，有效地提取样本中的特征向量，从而提高计算的准确性和速度。于RBF神经网络的故障分类方法RBF神经网络是一种直接作用神经网络，如图1所示。结构由输入层，隐藏层和输出层[9]。
RBF神经网络通过隐含层将输入向量转换为大空间，隐藏层空间由RBF作为隐藏单元的“基础”组成;掩蔽的层空间到输出层通过对掩蔽的单元的输出进行线性加权来获得空间，以获得计算结果。算法学习计算函数中心ci，宽度σi和权重wik的参数。于连接到RBF神经网络的输出单元的突触权重和隐含层非线性激活函数被更新为不同的“时间尺度”，因此不同类型的隐藏层的最优策略和输出层是合理的策略[10]。
RBF神经网络的隐藏层的每个节点的学习可以通过以下步骤逐步实现。监督学习，主要目的是通过算法获得隐藏层ci和σi的基本功能的值。时，K 分类算法装置用于将给定样本分成多个不同的部分。个部分的数据尽可能具有相同的属性，并且基本功能的中心位于输入空间的大参数范围。[cknm1k = 1]是第n个中心计算点的基本函数，其中m1是函数的数量。
此，可以根据给定的标准样本集形成RBF神经网络，并确定每个层的节点数和拓扑。练后，全局最优解输出被认为是神经网络RBF的最佳参数，从而实现待测样本中的误差分类。3实施非线性故障诊断故障诊断过程为了验证诊断方法的有效性，设计经验使用空客A320使用的CFM56-5发动机温度传感器作为研究对象。先，构建样品库，并在正常条件下根据三种类型的故障状态，通过热电偶检测装置在0至650℃的温度范围内提供温度传感器。
线性，恒温阀芯并且温度被加热到5℃的斜率。出参数记录在每个状态中并用作系统的原始数据。温度传感器的标准信号和误差状态获得采样信号，并且使用小波变换来应用预处理。此获得特征向量以形成RBF神经元网络，以识别被测设备的故障类型。要测量的温度传感器施加外部刺激并对样品进行取样。波变换算法用于预处理样本以获得特征向量。获取的特征向量发送到训练的RBF神经网络以实现故障识别。）发送被测设备的故障信息，并确定其所处的状态类型。障诊断理论使用工业计算机作为故障诊断系统的主控制器，直流电源和热电偶探测器提供航空发动机探头所需的功率和温度的外部激励。万用表用作空气动力学发动机探头的输出采集装置。面已经讨论了三种类型的非线性传感器故障，在每种状态下，通过热电偶温度读取装置分别获得130个测量数据并将其发送到诊断系统。先，通过小波变换对数据进行预处理，并且将数据代入等式（8）和（9）中以进行预处理以减少数据误差。
后将预处理的数据代入等式（10）中以进行归一化。集每个状态特征向量，并使用20组数据形成RBF神经网络。4中示出了四个小波变换提取状态的特征向量的平滑拟合曲线。
1比较了特征向量和传感器状态之间的对应关系，并给出了明显的数据特征。诊断结果为了分析以验证该策略具有改善功能，相同的数据采样的方法并在神经网络故障由BP为分类结果的诊断方法输入，见表2相比之下，与BP神经网络方法相比，该方法得到了显着改善，并且其持续时间缩短了0.03秒。此，该方法可以提高民航发动机传感器故障识别的准确率和效率。4结论本文研究了一种基于小波变换和RBF神经网络分类器的民用飞机发动机传感器非线性故障诊断方法，可以对故障类型进行正确检查和改进。率满足检测要求。论方法能够实现飞机发动机传感器的自动检测，降低人工成本，为民航缺陷诊断理论提供新思路，为航班提供安全保障。
民。一步研究故障诊断，隔离和信号重建，以进一步改善其运行。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com