29基于聚类结合动态剪枝二叉树SVM方法的涡轴发动机故.docVIP

第二十八届（2012）全国直升机年会论文 基于聚类结合动态剪枝二叉树SVM方法的涡轴发动机故障诊断系统 研究及实现 侯云涛1 关瑞杰2 赵晓博3 （1、3中航工业哈飞飞机设计研究所航电设计室 ,2陆航驻哈尔滨地区军事代表室，哈尔滨 150066） 摘 要：现代航空发动机结构复杂,工作状态恶劣,属于故障多发系统。如何保障发动机健康稳定的工作,提高飞行安全性,一直是困扰国内外学者和研究人员的问题。本文针对某型涡轴发动机的常见故障，提出了一种聚类结合动态剪枝二叉树SVM的故障诊断方法，并且基于MatlabR2008a平台，开发了故障诊断系统。仿真实验结果表明，本文提出的多类分类算法是可行的，并且有效地提高了故障诊断的准确率和速度。 关键词：发动机故障；动态剪枝二叉树SVM;故障诊断；仿真实验 0 引言 发动机故障在飞行故障占有相当大的比例，是影响飞行安全的主要因素。直升机工作环境复杂，大多工作在近海面上空、沙漠地带、南极、山地等潮湿、尘埃多、气流复杂的空域。作为直升机动力装置的涡轴发动机，有其独特的结构特点：燃气发生器涡轮与动力涡轮是气动关系，燃气发生器涡轮转速高，体积小，通道窄，布局密。这些都会影响发动机的关键零部件寿命，也使发动机更容易发生诸如腐蚀、疲劳损伤或某些组合损伤等故障。这些故障发生时，轻则会引起发动机性能恶化，输出功率不足；重则引起发动机损坏，直接危及飞行安全。 如何早期发现和预防这些故障，是直升机发动机日常维护的主要任务，也是涡轴发动机实现单体视情维修的关键。 计算机技术的发展，促进了人工智能技术在故障诊断领域中的应用。支持向量机（SVM）是由Vapnik领导的ATTBell实验室研究小组在1963年提出的一种新的非常有潜力的分类技术，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。本文采用了一种基于聚类结合动态剪枝二叉树SVM的涡轴发动机故障诊断方法，有效地提高了故障诊断准确率和速度。 1 基本原理 1.1 支持向量机 对样本集，设类别号为。通过非线性映射，将输入向量映射到高维空间，当数据在高维空间可分时，支持向量机便在高维空间构造最大间隔分类超平面（如图1所示）：，可以写成的线性组合：，其中是Lagrange乘数，可由求解下面的二次规划问题得到： (1) 约束条件： (2) 图 1 最优分类超平面 高维空间的内积总可以在输入空间找到一个满足Mercer条件的核函数使得，因此并不需要知道非线性映射的具体形式，避免求非线性映射而求内积。即求解： (3) 约束条件： (4) 常见的核函数有： 多项式核： (5) 径向基核： (6) Sigmoid核： (7) 线性核： (8) 分类边界上的点，称为支持向量，利用KKT条件可以得到域值b*。从而可以得到分类决策函数为： (9) 当数据在高维空间不能进行无误差分离时，引入松弛变量，并通过求解下述二次规划使得错分误差最小： (10) 其中反映了实际指示值与支持向量机输出之间的距离，C是平衡因子，反映第一项与第二项之间的权衡。求解可转化为： (11) 约束条件： (12) 利用KKT条件求解上式，可以获取域值并确定决策函数。 1.2 多类分类算法 由于基本的支持向量机只能解决两类分类的问题，而实际应用中往往却是多类分类问题，所以需要重新构造支持向量机分类器模型。目前流行采用的方法有：一对一(OAA)、一对多(OAO)、二叉树等。 一对多分类算法(OAA): 一对多分类算法基本思想是构造一系列两类分类机，其中的每一个分类机都把其中的一类同余下的各类划分开。最后输出两类分类器输出最大的那一类，缺点是每次训练都要训练全部样本，构造的两类问题很不对称，决策结果也可能属于多类或不属于任何类以及推广误差无界。 一对一分类算法(OAO): 该算法基本思想是对n类问题，构造个二值分类器，每两类之间训练一个SVM将彼此分开。