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

基于多分类AdaBoost的航空发动机故障诊断

曹惠玲 高升 薛鹏

曹惠玲, 高升, 薛鹏等 . 基于多分类AdaBoost的航空发动机故障诊断[J]. 北京航空航天大学学报, 2018, 44(9): 1818-1825. doi: 10.13700/j.bh.1001-5965.2017.0774
引用本文: 曹惠玲, 高升, 薛鹏等 . 基于多分类AdaBoost的航空发动机故障诊断[J]. 北京航空航天大学学报, 2018, 44(9): 1818-1825. doi: 10.13700/j.bh.1001-5965.2017.0774
CAO Huiling, GAO Sheng, XUE Penget al. Aeroengine fault diagnosis based on multi-classification AdaBoost[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(9): 1818-1825. doi: 10.13700/j.bh.1001-5965.2017.0774(in Chinese)
Citation: CAO Huiling, GAO Sheng, XUE Penget al. Aeroengine fault diagnosis based on multi-classification AdaBoost[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(9): 1818-1825. doi: 10.13700/j.bh.1001-5965.2017.0774(in Chinese)

基于多分类AdaBoost的航空发动机故障诊断

doi: 10.13700/j.bh.1001-5965.2017.0774
基金项目: 

中央高校基本科研业务费专项资金 3122014D010

详细信息
    作者简介:

    曹惠玲  女, 博士, 教授, 硕士生导师。主要研究方向:航空发动机状态监控、故障诊断与性能分析

    高升  男, 硕士研究生。主要研究方向:发动机状态监控与故障诊断、数据挖掘、机器学习

    通讯作者:

    曹惠玲, E-mail:hlcao@cauc.edu.cn

  • 中图分类号: V19

Aeroengine fault diagnosis based on multi-classification AdaBoost

Funds: 

the Fundamental Research Funds for the Central Universities 3122014D010

More Information
  • 摘要:

    对航空发动机运行数据进行数据挖掘的方法,是发动机故障诊断研究领域的重要研究内容。由于各种算法自身的局限性,通过某种单一算法很难大幅度提升故障分类的准确性。运用组合分类的AdaBoost算法,综合多个分类模型进行诊断,是提升故障识别精度的一种较好的方法。通过AdaBoost算法及其改进算法的结合,建立一种多分类的AdaBoost算法,以支持向量机(SVM)为基础分类器,进行综合诊断模型的建立。通过单位向量法、比值系数法和相关系数法将指印图中统计的故障标识数据进行处理,得到不受故障程度影响的训练数据,再进行建模。实验表明,AdaBoost相关结合算法能够显著提升分类器性能。根据实际故障案例,验证了所建立的诊断模型能够较好地用于发动机的故障诊断。

     

  • 图 1  AdaBoost算法结构

    Figure 1.  Structure of AdaBoost algorithm

    图 2  发动机故障诊断的多分类AdaBoost算法流程图

    Figure 2.  Flowchart of multi-classification AdaBoost algorithm for engine fault diagnosis

    图 3  发动机故障诊断指印图

    Figure 3.  Fingerprint map for engine fault diagnosis

    图 4  不同训练数据下单个SVM模型的正确率

    Figure 4.  Accuracy of single SVM under different training data

    图 5  M=50时各弱分类器的训练误差

    Figure 5.  Training errors of each weak classifier when M=50

    图 6  不同模型诊断错误率随弱分类器个数的变化

    Figure 6.  Variation of diagnosis error rate of different models with number of weak classifier

    图 7  案例1的实际排故检测结果

    Figure 7.  Actual detection and troubleshooting results of Instance 1

    表  1  PW4000指印图故障偏差数据

    Table  1.   Fault deviation data of PW4000 fingerprint map

    故障序号 故障类别 ΔEGT/℃ ΔFF/% ΔN2/% ΔN1/%
    1 +5℃ TAT -17.0 -1.4 -1.0 -1.0
    2 -5℃ TAT 17.0 1.4 1.0 1.0
    3 +0.02MACH 2.0 -2.2 -0.1 -0.1
    4 -0.02MACH -2.0 2.2 0.1 0.1
    5 +500 ALT 0 2.4 0 0
    6 -500 ALT 0 -2.4 0 0
    7 -2% HPC 12.0 1.6 0 0
    24 -2% LPT -2.0 -2.1 0.7 -1.7
    下载: 导出CSV

    表  2  单位向量法故障标识

    Table  2.   Fault identification of unit vector method

    故障序号 ΔEGT/℃ ΔFF/% ΔN2/% ΔN1/% ΔEGT/ΔFF
    1 -0.993 -0.082 -0.058 -0.058 12
    2 0.993 0.082 0.058 0.058 12
    3 0.672 -0.739 -0.034 -0.034 -1
    4 -0.672 0.739 0.034 0.034 -1
    5 0 1 0 0 0
    6 0 -1 0 0 0
    7 0.991 0.132 0 0 8
    24 -0.583 -0.612 0.204 -0.495 1
    下载: 导出CSV

    表  3  交叉验证法中最优参数下的正确率和经AdaBoost算法提升后的正确率

    Table  3.   Comparison between accuracy of cross-validation method with the best parameters and that improved by AdaBoost algorithm

    %
    故障诊断模型 弱分类器最高正确率 应用AdaBoost算法后正确率
     比值系数法 77.00 97.3
     相关系数法 70.10 87.50
     单位向量法 64.38 86.52
     单位向量法
    (加入ΔEGT/ΔFF)
    83.04 87.45
    下载: 导出CSV

    表  4  相关系数法中数值相似的故障标识

    Table  4.   Numerical approximation fault identification of correlation coefficient method

    故障序号 1 2 3 4 5 6 7 8 9 24
    1 1 -1 -0.803 0.803 0.311 -0.311 -0.994 -0.995 -0.993 0.377
    7 -0.994 0.994 0.734 -0.734 -0.208 0.208 1 0.999 0.999 -0.435
    8 -0.995 0.995 0.740 -0.740 -0.217 0.217 1 1 1 -0.422
    9 -0.994 0.994 0.734 -0.734 -0.208 0.208 0.999 1 1 -0.405
    24 0.377 -0.377 0.031 -0.031 -0.414 0.414 -0.435 -0.422 -0.405 1
    下载: 导出CSV

    表  5  案例诊断结果

    Table  5.   Cases' diagnosis results

    故障诊断模型 故障序号
    案例1 案例2 案例3
    比值系数法(1) 7 7 20
    比值系数法(2) 7 7 1
    相关系数法(2) 8 7 1
    单位向量法(1) 7 7 1
    单位向量法(2) 7 12 1
    单位向量法(加入ΔEGT/ΔFF)(2) 7 7 2
    下载: 导出CSV
  • [1] WU X, KUMAR V.The top ten algorithms in data mining[M].Boca Raton:CRC Press, 2009:127-149.
    [2] 曹莹, 苗启广, 刘家辰, 等.AdaBoost算法研究进展与展望[J].自动化学报, 2013, 39(6):745-758. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=QKC20132013071700083447

    CAO Y, MIAO Q G, LIU J C, et al.Advance and prospects of AdaBoost algorithm[J].Acta Automatica Sinica, 2013, 39(6):745-758(in Chinese). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=QKC20132013071700083447
    [3] 徐启华, 杨瑞.基于AdaBoost算法的故障诊断仿真研究[J].计算机工程与设计, 2005, 26(12):3210-3212. doi: 10.3969/j.issn.1000-7024.2005.12.016

    XU Q H, YANG R.Simulation research on fault diagnosis using AdaBoost algorithm[J].Computer Engineering and Design, 2005, 26(12):3210-3212(in Chinese). doi: 10.3969/j.issn.1000-7024.2005.12.016
    [4] 夏利民, 戴汝为.基于Boosting模糊分类的滚动轴承故障诊断[J].模式识别与人工智能, 2003, 16(3):323-327. doi: 10.3969/j.issn.1003-6059.2003.03.011

    XIA L M, DAI R W.Fault testing on rolling bearing based on Boosting fuzzy classification[J].Pattern Recognition and Artificial Intelligence, 2003, 16(3):323-327(in Chinese). doi: 10.3969/j.issn.1003-6059.2003.03.011
    [5] 孙超英, 刘鲁, 刘传武.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://d.old.wanfangdata.com.cn/Periodical/hkdlxb201011027

    SUN C Y, LIU L, LIU C W.Aero-engine fault diagnosis based on Boosting-SVM[J].Journal of Aerospace Power, 2010, 25(11):2584-2588(in Chinese). http://d.old.wanfangdata.com.cn/Periodical/hkdlxb201011027
    [6] 胡金海, 谢寿生, 蔡开龙, 等.Diverse AdaBoost-SVM分类方法及其在航空发动机故障诊断中的应用[J].航空学报, 2007, 28(5):1085-1090. doi: 10.3321/j.issn:1000-6893.2007.05.010

    HU J H, XIE S S, CAI K L, et al.Classification method of diverse AdaBoost-SVM and its application to fault diagnosis of aero-engine[J].Acta Aeronautica et Astronautica Sinica, 2007, 28(5):1085-1090(in Chinese). doi: 10.3321/j.issn:1000-6893.2007.05.010
    [7] 胡金海, 骆广琦, 李应红, 等.一种基于指数损失函数的多类分类AdaBoost算法及其应用[J].航空学报, 2008, 29(4):811-816. doi: 10.3321/j.issn:1000-6893.2008.04.007

    HU J H, LUO G Q, LI Y H, et al.An AdaBoost algorithm for multi-class classification based on exponential loss function and its application[J].Acta Aeronautica et Astronautica Sinica, 2008, 29(4):811-816(in Chinese). doi: 10.3321/j.issn:1000-6893.2008.04.007
    [8] KEARNS M, VALIANT L.Cryptographic limitations on learning Boolean formulae and finite automata[J].Journal of the ACM, 1994, 41(1):67-95. doi: 10.1145/174644.174647
    [9] FREUND Y, SCHAPIRE R E.A decision-theoretic generalization of on-line learning and an application to Boosting[J].Journal of Computer and System Sciences, 1997, 55(1):119-139. doi: 10.1006/jcss.1997.1504
    [10] FREUND Y, SCHAPIRE R E.Experiments with a new Boosting algorithm[C]//Proceedings of the 13th Conference on Machine Learning, 1996: 148-156.
    [11] 李斌, 王紫石, 汪卫, 等.AdaBoost算法的一种改进方法[J].小型微型计算机系统, 2004, 25(5):869-871. doi: 10.3969/j.issn.1000-1220.2004.05.020

    LI B, WANG Z S, WANG W, et al.Enhancing method for AdaBoost[J].Mini-Micro Systems, 2004, 25(5):869-871(in Chinese). doi: 10.3969/j.issn.1000-1220.2004.05.020
    [12] 廖红文, 周德龙.AdaBoost及其改进算法综述[J].计算机系统应用, 2012, 21(5):240-244. http://d.old.wanfangdata.com.cn/Periodical/jsjxtyy201205056

    LIAO H W, ZHOU D L.Review of AdaBoost and its improvement[J].Computer Systems & Applications, 2012, 21(5):240-244(in Chinese). http://d.old.wanfangdata.com.cn/Periodical/jsjxtyy201205056
    [13] ZHU J, ZOU H, ROSSET S, et al.Multi-class AdaBoost[J].Statistics and Its Interface, 2009, 2(3):349-360. doi: 10.4310/SII.2009.v2.n3.a8
    [14] 李应红, 尉询楷.航空发动机的智能诊断、建模与预测方法[M].北京:科学出版社, 2013:82-85.

    LI Y H, WEI X K.The methods of aero-engine's modeling, intelligent fault diagnosis and prognosis[M].Beijing:Science Press, 2013:82-85(in Chinese).
    [15] FRIEDMAN J, HASTIE T, TIBSHIRANI R.Additive logistic regression:A statistical view of boosting[J].Annals of Statistics, 2000, 28(2):337-407. doi: 10.1214-aos-1016218223/
    [16] 张卓.基于SVM多分类的PW4000故障诊断研究[D].天津: 中国民航大学, 2015: 42-49.

    ZHANG Z.Research on fault diagnosis of PW4000 based on SVM multi-classification[D].Tianjin: Civil Aviation University of China, 2015: 42-49(in Chinese).
    [17] 杨新武, 马壮, 袁顺.基于弱分类器调整的多分类AdaBoost算法[J].电子与信息学报, 2016, 38(2):373-380. http://d.old.wanfangdata.com.cn/Periodical/dzkxxk201602018

    YANG X W, MA Z, YUAN S.Multi-class AdaBoost algorithm based on the adjusted weak classifier[J].Journal of Electronics & Information Technology, 2016, 38(2):373-380(in Chinese). http://d.old.wanfangdata.com.cn/Periodical/dzkxxk201602018
    [18] 曹惠玲, 庞思凯, 薛鹏, 等.基于双发差异的航空发动机故障诊断方法研究[J].中国民航大学学报, 2014, 32(3):41-44. doi: 10.3969/j.issn.1674-5590.2014.03.010

    CAO H L, PANG S K, XUE P, et al.Research of aero-engine fault diagnosis method based on monitoring of twin differences[J].Journal of Civil Aviation University of China, 2014, 32(3):41-44(in Chinese). doi: 10.3969/j.issn.1674-5590.2014.03.010
  • 加载中
图(7) / 表(5)
计量
  • 文章访问数:  386
  • HTML全文浏览量:  2
  • PDF下载量:  328
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-12-13
  • 录用日期:  2018-03-09
  • 刊出日期:  2018-09-20

目录

    /

    返回文章
    返回
    常见问答