RVM在航空发动机故障诊断中的应用研究

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (25): 220-223.

RVM在航空发动机故障诊断中的应用研究

沈默1，廖瑛2，尹大伟2

1.湘潭大学信息工程学院，湖南湘潭 411105
2.国防科学技术大学航天与材料工程学院，长沙 410073

出版日期:2012-09-01 发布日期:2012-08-30

Application of relevance vector machines to aero-engine fault diagnosis

SHEN Mo1, LIAO Ying2, YIN Dawei2

1.College of Information Engineering, Xiangtan University, Xiangtan, Hunan 411105, China
2.Institute of Aerospace & Material Engineering, National University of Defence Technology, Changsha 410073, China

Online:2012-09-01 Published:2012-08-30

摘要/Abstract

摘要： 针对支持向量机算法存在的不足，研究了一种基于稀疏贝叶斯框架的机器学习方法——相关向量机在航空发动机故障检测中的应用。排气温度是进行发动机监控与故障诊断的重要依据，应用相关向量机对其进行预测。通过仿真实验，证明了相关向量机方法在样本数据较少的情况下只产生了很少的相关向量，并且能够及时准确地预测出发动机排气温度；同时可以使用真实值与预测值的相对误差作为系统是否发生故障的判断依据。

关键词: 相关向量机, 航空发动机, 故障诊断, 排气温度

Abstract: Because of the limitation of Support Vectors Machine（SVM）, this paper studies a fault detective method for aero-engine called Relevance Vector Machine（RVM） which is based on sparse Bayesian learning. The Exhaust Gas Temperature（EGT） of aero-engine is a significant parameter in engine monitoring and fault diagnosis, so the RVM is used to predict it. According to the simulation, though there are just a few samples, it is proved that RVM can predict EGT accurately in time. Meanwhile, the faults can be detected by the relative errors between the real and the predictive.

Key words: Relevance Vector Machine（RVM）, aero-engine, fault diagnosis, Exhaust Gas Temperature（EGT）

沈默1，廖瑛2，尹大伟2. RVM在航空发动机故障诊断中的应用研究[J]. 计算机工程与应用, 2012, 48(25): 220-223.

SHEN Mo1, LIAO Ying2, YIN Dawei2. Application of relevance vector machines to aero-engine fault diagnosis[J]. Computer Engineering and Applications, 2012, 48(25): 220-223.

[1]	林荣来，汤冰影，陈明. 适用于轴承故障诊断的数据增强算法[J]. 计算机工程与应用, 2021, 57(7): 269-278.
[2]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[3]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[4]	钱文博，熊建斌，岑健，王颀，余得正，吴润杰. 建筑电气系统故障诊断综述[J]. 计算机工程与应用, 2021, 57(16): 27-39.
[5]	唐登平，蔡文嘉，邹立，胡翔，丁黎，王雪. 改进卷积神经网络在互感器故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(11): 239-247.
[6]	衷路生，刘东东. 多级神经网络的轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(7): 193-199.
[7]	杜小磊，陈志刚，许旭，张楠. 改进深层小波自编码器的轴承故障诊断方法[J]. 计算机工程与应用, 2020, 56(5): 263-269.
[8]	余萍，曹洁. 深度学习在故障诊断与预测中的应用[J]. 计算机工程与应用, 2020, 56(3): 1-18.
[9]	毛彪，杨松，李英顺. 改进动态因果图与模糊推理融合故障诊断方法[J]. 计算机工程与应用, 2020, 56(3): 259-265.
[10]	唐魏，郑源，潘虹，徐晶珺. 引入动态调节学习率的SAE轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(20): 264-269.
[11]	王卉，李英顺. 改进型证据更新规则的动态故障诊断算法[J]. 计算机工程与应用, 2020, 56(2): 261-265.
[12]	曹洁，赵伟吉，余萍，王进花. 改进鸟群算法优化PF的双馈发电机故障诊断[J]. 计算机工程与应用, 2020, 56(18): 229-237.
[13]	杨宇，曾国辉，黄勃. 基于双树复小波包和改进SVM的轴承故障诊断[J]. 计算机工程与应用, 2020, 56(17): 231-235.
[14]	王得雪，林意，陈俊杰. 协同训练算法在滚动轴承故障诊断中的应用[J]. 计算机工程与应用, 2020, 56(12): 273-278.
[15]	张雪英，王薇蓉，孙颖，宋春晓. 面向脑电情感识别的改进多分类RVM模型研究[J]. 计算机工程与应用, 2019, 55(9): 112-117.