留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

免疫支持向量机用于航空发动机磨损故障诊断

张建 李艳军 曹愈远 张丽娜

张建, 李艳军, 曹愈远, 等 . 免疫支持向量机用于航空发动机磨损故障诊断[J]. 北京航空航天大学学报, 2017, 43(7): 1419-1425. doi: 10.13700/j.bh.1001-5965.2016.0553
引用本文: 张建, 李艳军, 曹愈远, 等 . 免疫支持向量机用于航空发动机磨损故障诊断[J]. 北京航空航天大学学报, 2017, 43(7): 1419-1425. doi: 10.13700/j.bh.1001-5965.2016.0553
ZHANG Jian, LI Yanjun, CAO Yuyuan, et al. Immune SVM used in wear fault diagnosis of aircraft engine[J]. Journal of Beijing University of Aeronautics and Astronautics, 2017, 43(7): 1419-1425. doi: 10.13700/j.bh.1001-5965.2016.0553(in Chinese)
Citation: ZHANG Jian, LI Yanjun, CAO Yuyuan, et al. Immune SVM used in wear fault diagnosis of aircraft engine[J]. Journal of Beijing University of Aeronautics and Astronautics, 2017, 43(7): 1419-1425. doi: 10.13700/j.bh.1001-5965.2016.0553(in Chinese)

免疫支持向量机用于航空发动机磨损故障诊断

doi: 10.13700/j.bh.1001-5965.2016.0553
基金项目: 

航空科学基金 20153352040

南京航空航天大学校开放基金 kfjj20150701

详细信息
    作者简介:

    张建  男, 硕士研究生。主要研究方向:故障诊断与健康监测、适航技术与管理

    李艳军  男, 博士, 教授, 硕士生导师。主要研究方向:故障诊断与健康监测、适航技术与管理

    通讯作者:

    李艳军, E-mail:lyj@nuaa.edu.cn

  • 中图分类号: V263.6;TK418

Immune SVM used in wear fault diagnosis of aircraft engine

Funds: 

Aeronautical Science Foundation of China 20153352040

Open Foundation of Nanjing University of Aeronautics and Astronautics kfjj20150701

More Information
  • 摘要:

    航空发动机在使用寿命周期内会不断磨损最终出现故障,通过对发动机油液监测铁谱分析数据的挖掘可实现磨损故障的诊断。本文研究免疫算法优化的支持向量机(SVM)在航空发动机磨损故障诊断中的运用。首先,总结了支持向量机和免疫算法的运行流程和关键算法。然后,用改进的免疫算法优化支持向量机惩罚因子、松弛变量及核函数参数。某型航空发动机的油液铁谱分析数据和加入噪声数据验证结果表明,该方法可有效实现航空发动机磨损故障诊断且具有较好的鲁棒性。最后,研究了核函数、多分类决策方法、初始种群大小、亲和力计算公式、支持向量机优化方法和归一化方法对磨损故障诊断准确率的影响,得到了最佳诊断方法。

     

  • 图 1  支持向量机分类问题及解决思路

    Figure 1.  Problem and solution of SVM classification

    图 2  免疫优化算法流程图

    Figure 2.  Flowchart of immune optimization algorithm

    图 3  准确率随迭代次数的变化

    Figure 3.  Variation of accuracy with iteration times

    图 4  诊断结果

    Figure 4.  Diagnosis results

    图 5  含有噪声样本诊断准确率

    Figure 5.  Accuracy of samples corrupted by noise

    图 6  初始种群个数对检测器成熟时间和诊断准确率的影响

    Figure 6.  Impact of initial population number on detector maturation time and accuracy

    表  1  样本数据

    Table  1.   Sample data

    状态 编号 层状磨粒 疲劳剥块 严重滑动磨粒
    正常(Ⅰ) 1 0.0298 0.0975 0.0741
    2 0.0021 0.1429 0.0941
    49 0.0025 0.0539 0.0157
    50 0.0311 0.1375 0.1223
    轴承疲劳磨损(Ⅱ) 1 0.5015 0.4725 0.0495
    2 0.4627 0.5026 0.0581
    49 0.6005 0.5780 0.1854
    50 0.4219 0.4275 0.1721
    齿轮过载疲劳(Ⅲ) 1 0.0067 0.7018 0.1182
    2 0.0132 0.6125 0.0094
    49 0.0147 0.6251 0.2142
    50 0.0024 0.5276 0.0241
    齿轮胶合或擦伤(Ⅳ) 1 0.0072 0.0089 0.8053
    2 0.0261 0.1055 0.7218
    49 0.0179 0.1403 0.6732
    50 0.0188 0.0852 0.7829
    下载: 导出CSV

    表  2  支持向量机最优参数向量、迭代次数及准确率

    Table  2.   Optimal parameter vector, iteration times and accuracy of SVM

    分类 最优参数向量v=(C, ξ, σ) 迭代次数 准确率/%
    Ⅰ/Ⅱ (3.58, 0.41, 1.88) 30 98.3
    Ⅰ/Ⅲ (14.63, 5.01, 9.25) 27 99.5
    Ⅰ/Ⅳ (7.47, 11.12, 1.84) 35 97.9
    Ⅱ/Ⅲ (35.48, 18.12, 4.96) 68 94.4
    Ⅱ/Ⅳ (42.03, 7.15, 2.48) 54 93.9
    Ⅲ/Ⅳ (27.50, 15.42, 4.83) 73 95.2
    下载: 导出CSV

    表  3  测试样本量及准确率

    Table  3.   Number and diagnostic accuracy of testing sample

    样本量 100 200 300 400 500 600
    准确率/% 98 98.5 98.3 98.25 97.8 98.1
    下载: 导出CSV

    表  4  不同核函数准确率

    Table  4.   Accuracy of different kernel functions

    核函数 公式 准确率/%
    线性核函数 K(x, xi)=xTxi 94.8
    多项式核函数 K(x, xi)=(x·xi+1)d 95.5
    感知器核函数 K(x, xi)=tanh(βxi+b) 95.2
    高斯径向基核函数 K(x, xi)=exp(-||x-xi2/2σ2) 98.3
    注:dβb代表系数和常数。
    下载: 导出CSV

    表  5  不同多分类决策方法准确率

    Table  5.   Accuracy of different multi-classification decision methods

    多分类决策方法 向量机个数 运算时间/s 准确率/%
    一对多 4 11.07 97.6
    一对一 6 12.45 98.3
    DAGSSVM 3 10.36 93.5
    下载: 导出CSV

    表  6  亲和力计算方法对诊断准确率的影响

    Table  6.   Impact of affinity calculation method on accuracy

    计算方法 计算公式 准确率/%
    欧氏距离 D1=[(x1-x2)2+(y1-y2)2+ (z1-z2)2)1/2 95.7
    曼哈顿距离 D2=|x1-x2|+|y1-y2|+|z1-z2| 90.4
    切比雪夫距离 D3=max(|x1-x2|, |y1-y2|, |z1-z2|) 80.2
    本文方法 D4=1/(1+D1) 98.3
    下载: 导出CSV

    表  7  不同算法优化性能

    Table  7.   Optimization performance of different algorithms

    优化算法 优化时间/s 准确率/%
    遗传算法 17.98 98.2
    粒子群算法 11.58 96.4
    交叉验证 9.83 92.9
    免疫算法 12.45 98.3
    下载: 导出CSV

    表  8  不同归一化方法对诊断准确率的影响

    Table  8.   Impact of different normalization methods on accuracy

    归一化区间 归一化方式 准确率/%
    (-∞,+∞) 不归一化 80.9
    [-1, 1] (x-xmean)/(xmax-xmin) 97.4
    (x-xmean)/xvar 94.1
    [0, 1] x/xmax 82.2
    (x-xmin)/(xmax-xmin) 98.3
    下载: 导出CSV
  • [1] 李艳军, 左洪福, 吴振锋.基于磨粒分析方法的发动机磨损故障智能诊断技术[J].南京航空航天大学学报, 2001, 33(3):221-226. http://www.cnki.com.cn/Article/CJFDTOTAL-NJHK200103003.htm

    LI Y J, ZUO H F, WU Z F.Intelligent diagnostics for engine wear failure based on debris analysis[J]. Journal of Nanjing University of Aeronautics and Astronautics, 2001, 33(3):221-226(in Chinese). http://www.cnki.com.cn/Article/CJFDTOTAL-NJHK200103003.htm
    [2] 王汉功, 陈桂明.铁谱图像分析理论与技术[M].北京:科学出版社, 2005:245.

    WANG H G, CHEN G M.Ferro graphic image analysis theory and technology[M]. Beijing:Science Press, 2005:245(in Chinese).
    [3] 李民赞.光谱分析技术及其应用[M].北京:科学出版社, 2006:1.

    LI M Z.Spectral analysis technique and application[M]. Beijing:Science Press, 2006:1(in Chinese).
    [4] 吴振锋, 左洪福, 孙有朝.航空发动机磨损故障的常用监控手段及其对比[J].航空工程与维修, 2000, 60(5):25-26. http://www.cnki.com.cn/Article/CJFDTOTAL-KONG200005010.htm

    WU Z F, ZUO H F, SUN Y C.The common monitoring techniques of aero engine and their comparison[J]. Aviation Maintenance & Engineering, 2000, 60(5):25-26(in Chinese). http://www.cnki.com.cn/Article/CJFDTOTAL-KONG200005010.htm
    [5] 邓明, 金业壮.航空发动机故障诊断[M].北京:北京航空航天大学出版社, 2012:187-191.

    DENG M, JIN Y Z.The aircraft engine fault diagnosis[M]. Beijing:Beihang University Press, 2012:187-191(in Chinese).
    [6] 杨云, 朱家元, 张恒喜.基于新型机器学习的电子装备系统智能故障诊断研究[J].计算机工程与应用, 2003, 39(22):210-213. doi: 10.3321/j.issn:1002-8331.2003.22.068

    YANG Y, ZHU J Y, ZHANG H X.Electronic equipment systems intelligent fault diagnosis based on new machine learning approach[J]. Computer Engineering and Applications, 2003, 39(22):210-213(in Chinese). doi: 10.3321/j.issn:1002-8331.2003.22.068
    [7] 孙铁轩, 邵春福, 计寻, 等.基于ARIMA与信息粒化SVR组合模型的交通事故时序预测[J].清华大学学报(自然科学版), 2014, 54(3):348-354. http://www.cnki.com.cn/Article/CJFDTOTAL-QHXB201403011.htm

    SUN T X, SHAO C F, JI X, et al.Urban traffic accident time series prediction model based on combination of ARIMA and information granulation SVR[J]. Journal of Tsinghua University(Science and Technology), 2014, 54(3):348-354(in Chinese). http://www.cnki.com.cn/Article/CJFDTOTAL-QHXB201403011.htm
    [8] 王旭辉, 黄圣国, 曹力, 等.基于LS-SVM的航空发动机气路参数趋势在线预测[J].吉利大学学报(工学版), 2008, 38(1):239-244. http://www.cnki.com.cn/Article/CJFDTOTAL-JLGY200801048.htm

    WANG X H, HUANG S G, CAO L, et al.LS-SVM based online trend prediction of gas path parameters of aero engine[J]. Journal of Jilin University (Engineering and Technology Edition), 2008, 38(1):239-244(in Chinese). http://www.cnki.com.cn/Article/CJFDTOTAL-JLGY200801048.htm
    [9] 陈立波, 宋兰琪, 宋科, 等.基于支持向量机的航空发动机磨损趋势预测[J].润滑与密封, 2008, 33(5):84-87. http://www.cnki.com.cn/Article/CJFDTOTAL-RHMF200805025.htm

    CHEN L B, SONG L Q, SONG K, et al.Wear trend forecast of aviation engine based on support vector machine model[J]. Lubrication Engineering, 2008, 33(5):84-87(in Chinese). http://www.cnki.com.cn/Article/CJFDTOTAL-RHMF200805025.htm
    [10] 张周锁, 李凌均, 何正嘉.基于支持向量机的机械故障诊断方法研究[J].西安交通大学学报, 2002, 36(2):1303-1306. http://cdmd.cnki.com.cn/Article/CDMD-10407-2010020205.htm

    ZHANG Z S, LI L J, HE Z J.Research on diagnosis method of machinery fault based on support vector machine[J]. Journal of Xi'an Jiaotong University, 2002, 36(2):1303-1306(in Chinese). http://cdmd.cnki.com.cn/Article/CDMD-10407-2010020205.htm
    [11] SHIN H J, EOM D H, KIM S S.One-class support vector machines an application in machine fault detection and classification[J]. Computers & Industrial Engineering, 2005, 48(2):395-408.
    [12] 徐启华, 师军.基于支持向量机的航空发动机故障诊断[J].航空动力学报, 2005, 20(2):298-302. http://cdmd.cnki.com.cn/Article/CDMD-10143-1015534019.htm

    XU Q H, SHI J.Aero-engine fault diagnosis based on support vector machine[J]. Journal of Aerospace Power, 2005, 20(2):298-302(in Chinese). http://cdmd.cnki.com.cn/Article/CDMD-10143-1015534019.htm
    [13] 孙超英, 刘鲁, 刘传武, 等.基于Boosting-SVM算法的航空发动机故障诊断[J].航空动力学报, 2010, 25(11):2584-2588. http://www.cnki.com.cn/Article/CJFDTOTAL-HKDI201011026.htm

    SUN C Y, LIU L, LIU C W, et al.Aero-engine fault diagnosis based on Boosting-SVM[J]. Journal of Aerospace Power, 2010, 25(11):2584-2588(in Chinese). http://www.cnki.com.cn/Article/CJFDTOTAL-HKDI201011026.htm
    [14] 莫宏伟.人工免疫系统原理与应用[M].哈尔滨:哈尔滨工业大学出版社, 2003:48-57.

    MO H W.Principle and application of artificial immune system[M]. Harbin:Harbin Institute of Technology Press, 2003:48-57(in Chinese).
    [15] ENDOH S, TOMA N, YAMADA K.Immune algorithm for n-TSP[C]//IEEE International Conference on Systems, Man and Cybernetics.Piscataway, NJ:IEEE Press, 1998, 4:3844-3849.
    [16] SASAKI M, KAWAFUKU M, TAKAHASHI K.An immune feedback mechanism based adaptive learning of neural network controller[C]//ICONIP'99, 6th International Conference on Neural Information Processing.Piscataway, NJ:IEEE Press, 1999, 2:502-507.
    [17] 蒋加伏, 陈荣元, 唐贤瑛, 等.基于免疫-蚂蚁算法的多约束QoS路由选择[J].通信学报, 2004, 25(8):89-95. http://www.cnki.com.cn/Article/CJFDTOTAL-TXXB200408011.htm

    JIANG J F, CHEN R Y, TANG X Y, et al.A multiple constrained QoS routing based on immune-ant algorithm[J]. Journal of Communications, 2004, 25(8):89-95(in Chinese). http://www.cnki.com.cn/Article/CJFDTOTAL-TXXB200408011.htm
    [18] 颜瑞, 张祥.基于改进免疫算法优化支持向量机的钢材消费预测[J].工业工程, 2013, 16(5):90-95. http://www.cnki.com.cn/Article/CJFDTOTAL-GDJX201305017.htm

    YAN R, ZHANG X.Forecasting of steel demands by using support vector machine and immune algorithm[J]. Industrial Engineering, 2013, 16(5):90-95(in Chinese). http://www.cnki.com.cn/Article/CJFDTOTAL-GDJX201305017.htm
    [19] 高文军. 基于人工免疫算法优化支持向量机的电力变压器故障诊断研究[D]. 太原: 太原理工大学, 2012.

    GAO W J.Study on fault diagnosis foe power transformer based on support vector machine of artificial immune algorithm[D]. Taiyuan:Taiyuan University of Technology, 2012(in Chinese).
  • 加载中
图(6) / 表(8)
计量
  • 文章访问数:  496
  • HTML全文浏览量:  12
  • PDF下载量:  465
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-06-27
  • 录用日期:  2016-09-21
  • 刊出日期:  2017-07-20

目录

    /

    返回文章
    返回
    常见问答