| 【中文题名】 | 基于径向基神经网络的飞机发动机故障诊断研究 |
| 【英文题名】 | Study of Aircraft Engine Fault Diagnosis Based on RBF Neural Network |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-7-5 |
| 【中关键词】 | 飞机发动机,神经网络,故障诊断,径向基（RBF）神经网络,, |
| 【英关键词】 | aircraft engine,neural network,fault diagnosis,Radial Basis Function （RBF） network, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
飞机发动机的故障诊断对航空公司有着非常重要的意义,如果能全面了解发动机性能并对其故障进行快速、准确的隔离和辨识,就可以更好的有计划的换发以及确定发动机送修时的工作范围和深度,从而大大的减少运营和维修成本,提高公司效益,并有效避免重大事故的发生。本文在介绍当前飞机发动机故障诊断技术及分析神经网络用于发动机故障诊断现状的基础上,将径向基神经网络用于飞机发动机故障诊断作为研究课题。
本文首先对神经网络和当前飞机发动机故障诊断技术进行了介绍,结合神经网络的一些特性,对神经网络用于故障诊断的优点进行了分析。对神经网络的研究表明,神经网络具有良好的工程应用前景,神经网络被认为是最有潜力的诊断工具。目前用于发动机故障诊断的神经网络主要有BP网络、自组织(SOM)神经网络、概率(PNN)神经网络。BP网络是靠整个网络“记住”了故障模式,自组织特征映射网络利用样本的距离来聚类。概率神经网络则是由已知模式样本估计类条件的概率密度,然后得到Bayes意义下的最优分类且其网络训练无需迭代。本文分别对这三种网络进行了仿真实现。
在此基础上对径向基(RBF)神经网络用于飞机发动机故障诊断进行了研究。首先介绍了径... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
ABSTRACT |
6-9 |
|
第一章 绪论 |
9-15 |
|
1.1 引言 |
9 |
|
1.2 人工神经网络概述 |
9-13 |
|
1.2.1 人工神经网络发展简史 |
9-11 |
|
1.2.2 人工神经网络的基本特征与功能 |
11-12 |
|
1.2.2.1 神经网络的基本特征 |
11 |
|
1.2.2.2 神经网络的基本功能 |
11-12 |
|
1.2.3 人工神经网络的应用 |
12-13 |
|
1.3 基于神经网络的故障诊断 |
13-14 |
|
1.4 个人工作和论文简述 |
14-15 |
|
第二章 飞机发动机故障诊断技术现状 |
15-18 |
|
2.1 飞机发动机故障诊断技术现状 |
15-16 |
|
2.2 发动机气路故障诊断主要方法 |
16-18 |
|
2.2.1 小偏差故障方程法 |
16 |
|
2.2.2 基于非线性稳态模型的诊断方法 |
16-17 |
|
2.2.3 人工智能诊断技术 |
17-18 |
|
第三章 径向基（RBF）网络的模型结构及其算法 |
18-26 |
|
3.1 径向基（RBF）网络的结构及数学模型 |
18-20 |
|
3.2 RBF 网络的基本学习算法 |
20-21 |
|
3.3 RBF 神经网络的先进学习算法 |
21-22 |
|
3.4 RBF 网络的改进算法 |
22-25 |
|
3.4.1 离线学习算法 |
22-23 |
|
3.4.2 在线学习算法—最邻近聚类学习算法 |
23-25 |
|
3.5 RBF 网络与多层感知器的比较[23] |
25 |
|
3.6 RBF 网络的应用及推广能力 |
25-26 |
|
第四章 神经网络飞机发动机故障诊断研究现状 |
26-45 |
|
4.1 MATLAB 概述 |
26-27 |
|
4.2 网络训练及测试数据 |
27-28 |
|
4.3 基于BP 神经网络的飞机发动机故障诊断 |
28-35 |
|
4.3.1 BP 神经网络概述 |
28-29 |
|
4.3.2 基于BP 神经网络的飞机发动机故障诊断 |
29-35 |
|
4.3.2.1 输入和目标向量设计 |
29-31 |
|
4.3.2.2 网络设计 |
31-32 |
|
4.3.2.3 网络训练与测试 |
32-35 |
|
4.4 自组织特征映射（SOM）神经网络用于飞机发动机故障诊断 |
35-40 |
|
4.4.1 自组织特征映射(SOM)神经网络介绍 |
35-37 |
|
4.4.2 自组织特征映射(SOM)神经网络用于飞机发动机故障诊断 |
37-40 |
|
4.4.2.1 输入向量设计 |
37 |
|
4.4.2.2 网络设计 |
37 |
|
4.4.2.3 网络训练和测试 |
37-40 |
|
4.5 概率神经网络应用于飞机发动机故障诊断 |
40-45 |
|
4.5.1 概率神经网络介绍 |
40-41 |
|
4.5.2 概率神经网络用于飞机发动机故障诊断 |
41-45 |
|
4.5.2.1 输入和目标向量设计 |
41-42 |
|
4.5.2.2 网络设计 |
42 |
|
4.5.2.3 网络训练和测试 |
42-45 |
|
第五章 基于径向基（RBF）神经网络的发动机故障诊断 |
45-60 |
|
5.1 利用MATLAB 的径向基（RBF）网络故障诊断仿真 |
45-49 |
|
5.1.1 神经网络故障诊断模型 |
45 |
|
5.1.2 输入信号及目标输出的选择 |
45 |
|
5.1.3 网络设计 |
45-46 |
|
5.1.4 网络训练和测试 |
46-49 |
|
5.2 利用.NET 编程进行故障诊断 |
49-56 |
|
5.2.1.n et 介绍 |
49 |
|
5.2.2 RBF 神经网故障诊断系统络 |
49-56 |
|
5.2.2.1 系统结构图 |
49-50 |
|
5.2.2.2 故障样本编辑 |
50 |
|
5.2.2.3 网络训练与测试 |
50-54 |
|
5.2.2.4 故障诊断 |
54-55 |
|
5.2.2.5 RBF 网络与其他几种网络的比较 |
55-56 |
|
5.3 结果分析 |
56 |
|
5.4 集成神经网络发动机故障诊断 |
56-60 |
|
5.4.1 设备诊断信息融合方法 |
56-57 |
|
5.4.2 集成神经网络 |
57-58 |
|
5.4.3 集成神经网络发动机故障诊断 |
58-60 |
|
第六章 总结及展望 |
60-61 |
|
6.1 总结 |
60 |
|
6.2 展望 |
60-61 |
|
致谢 |
61-62 |
|
参考文献 |
62-65 |
|
攻读硕士期间发表的论文 |
65 |
|
| 【DOI】 | LunWen.ID:2.2008.388601 |
