基于极限学习机的航空发电机旋转整流器快速故障分类方法研究

航空发电机在现代多电和全电飞机的发展中将发挥越来越重要的作用,其重要部件的可靠性也是未来研究的重点。该文针对目前航空发电机旋转整流器（aerospace generator rotating rectifier,AGRR）的故障分类问题,提出了一种基于思维进化算法（mind evolutionary algorithm,MEA）的极限学习机快速分类技术。该方法通过MEA算法优化极限学习机的训练参数,以获取优化的识别模型,并将其应用于AGRR的故障分类中,取得了很好的效果。仿真和实验结果表明,经过优化的极限学习机与现有分类方法相比,具有很好的诊断性能和较高的分类速度。因此,该方法适合用于航空发电机旋转整流器的故障快速诊断和定位。

一种基于改进堆栈自动编码器的航空发电机旋转整流器故障特征提取方法

提出一种基于灰色关联度分析优化堆栈自动编码器的故障特征自适应提取方法,并用于航空发电机的旋转整流器二极管故障诊断中。首先,采集发电机交流励磁机励磁电流信号;其次,借助灰色关联度和深度学习理论对堆栈编码器网络进行训练学习,以确立其较优的网络结构,通过该网络可以自适应地从励磁电流信号中提取故障特征;训练完毕,借助于支持向量机(support vector machine,SVM)分类器实施故障诊断。对所提方法与快速傅里叶变换方法进行了仿真和物理实验,并对分类性能进行比较。结果表明,所提方法自动化程度高,自适应性能好,所提取的特征用SVM评估可以取得很好的分类效果。

基于小波包能量谱和M-ary SVM的功率变换器故障诊断

针对功率变换器的故障诊断问题,提出一种基于小波包能量谱和M-ary支持向量机的故障诊断方法。首先,通过小波包分解得到故障信号能量谱特征向量,并结合傅里叶变换分析故障信号主要频率特征点,实现故障特征向量的降维;然后,基于M-ary支持向量机的分类模型诊断出功率变换器多故障模式。实验结果表明,相比于传统的BP神经网络和一对一支持向量机故障诊断方法,本文方法诊断精度高,需要的子分类器数目少,诊断速度快,适用于在线故障诊断。

一种无刷同步发电机旋转整流器故障快速识别方法

针对目前无刷同步发电机旋转整流器故障识别方法识别速度慢的问题,提出一种基于改进极限学习机的故障快速识别技术。该方法通过鸡群算法优化极限学习机的参数,得到优化的识别模型,并将其应用于无刷同步发电机旋转整流器的故障识别中。实验结果表明,经过优化的极限学习机与现有分类方法相比,具有很好的诊断性能和较高的分类速度。该方法适用于无刷同步发电机旋转整流器故障快速识别和定位。

基于极限学习机的航空旋转整流器故障诊断技术研究

航空发电机是航空电源系统的核心部件,针对目前应用于航空发电机旋转整流器故障诊断中的人工智能算法存在诊断速度慢、参数选取困难等问题,将极限学习机引入到航空旋转整流器故障诊断领域。以航空三级式发电机为例,分析了旋转整流器的故障模式,在Matlab/Simulink中建立发电机模型并模拟旋转整流器故障模式。实验结果表明,极限学习机具有较高的诊断精度。与传统的故障诊断方法相比,它具有更优的诊断效率。