基于量子粒子群和流形学习的分类方法及其在发动机故障诊断中的应用 *

推进技术 ›› 2014, Vol. 35 ›› Issue (10): 1412-1418.

基于量子粒子群和流形学习的分类方法及其在发动机故障诊断中的应用 *

马　力¹,李　冬^2,3,薛庆增¹,王　辉^2,4,谭　巍³

海军驻沈阳地区发动机专业军事代表室，辽宁沈阳，110043;海军航空工程学院研究生管理大队，山东烟台，264001; 海军航空兵学院，辽宁葫芦岛，125001;海军驻沈阳地区发动机专业军事代表室，辽宁沈阳，110043;海军航空工程学院研究生管理大队，山东烟台，264001; 92941部队 93分队，辽宁葫芦岛，125001;海军航空兵学院，辽宁葫芦岛，125001

发布日期:2021-08-15
作者简介:马力(1977—)，男，硕士，工程师，研究领域为航空发动机设计及性能分析。E-mail:2369887145@qq.com 　　　　　通讯作者:李冬(1984—)，男，博士生，研究领域为航空发动机性能评估与故障诊断。

Classification Method Based Quantum Particle Swarm and Manifold Learning and Its Application to Engine Fault Diagnosis

Engine Military Representatives Office of Navy in Shenyang，Shenyang 110043，China;Graduate Students’ Brigade，Naval Aeronautical and Astronautical University，Yantai 264001，China; Naval Aviation Academy，Huludao 125001，China;Engine Military Representatives Office of Navy in Shenyang，Shenyang 110043，China;Graduate Students’ Brigade，Naval Aeronautical and Astronautical University，Yantai 264001，China; 93 Unit of PLA 92941，Huludao 125001，China;Naval Aviation Academy，Huludao 125001，China

Published:2021-08-15

摘要/Abstract

摘要： 针对测量参数存在的非线性、参数间的耦合性以及噪声干扰，将量子粒子群算法引入到流形学习的参数选择中，结合径向基神经网络，提出了一种故障诊断方法。邻域个数和约简维数是流形学习中的关键问题。结果表明:该方法首先利用量子粒子群算法优选邻域个数、约简维数和径向基函数的参数，再利用等距特征映射(ISOMAP)对原始参数进行非线性降维，提取其低维流形特征，从而进行故障分类。结果表明:该方法能够有效地对发动机各种复合故障进行分类，精度达到97.33%，量子粒子群优于基本粒子群优化的分类结果；其分类精度明显优于主元分析(PCA)、核主元分析(KPCA)方法，且有很强的抗噪能力。

关键词: 流形学习；量子粒子群优化；等距映射；主元分析；核主元分析；径向基网络；故障分类

Abstract: Aiming at nonlinearility，couplement and noise exsiting in measurements，QPSO (Quantum Particle Swarm Optimization) algorithm was introduced into parameter selection，and a fault diagnosis method was presented combined with radial basis network. Number of neighborhood and simplified dimension are key problems of manifold learning. Firstly，this method uses QPSO algorithm to select number of neighborhood，simplifying dimension and parameter in radial basis function optimally. Secondly，it uses ISOMAP to reduce nonlinear dimension of original parameter and it extracts features in low dimension manifold，and classifies fault. This method was introduced into aeroengine fault diagnosis. The results indicate that this method can classify every composite fault effectively，and the accuracy reaches 97.33%，the result of QPSO is superior to basic PSO (Particle Swarm Optimization) algorithm. Its accuracy is abviously superior to PCA(Principal Component Analysis)，KPCA(Kernel Principal Component Analysis)，and it resists strongly to noise.

Key words: Manifold learning；Quantum particle swarm optimization(QPSO)；Isomap；Principal component analysis；Kernel principal component analysis；Radial basis network；Fault classification

马　力,李　冬,薛庆增,王　辉,谭　巍. 基于量子粒子群和流形学习的分类方法及其在发动机故障诊断中的应用 *[J]. 推进技术, 2014, 35(10): 1412-1418.

MA Li¹,LI Dong^2,3,XUE Qing-zeng¹,WANG Hui^2,4,TAN Wei³. Classification Method Based Quantum Particle Swarm and Manifold Learning and Its Application to Engine Fault Diagnosis[J]. Journal of Propulsion Technology, 2014, 35(10): 1412-1418.

参考文献

[1] 李冬, 李本威, 杨欣毅, 等. 自适应核模式分析方法及其在航空发动机部件性能衰退识别中的应用[J]. 推进技术, 2013, 34(9): 1272-1278.(LI Dong, LI Ben-wei, YANG Xin-yi, et al. Self-Adaptive Kernel Pattern Analysis Method and Its Application in Aeroengine Component Performance Deterioration Recognition[J]. Journal of Propulsion Technology, 2013, 34(9): 1272-1278.)
[2] 黄向华, 丁毅. 基于几何模式识别的发动机传感器故障诊断[J]. 航空学报, 2006, 27(6): 1018-1022.
[3] Jolliffe I T. Principal Component Analysis[M]. New York : New York Springer-Verlag, 1986.
[4] Hyvar Nen A, Oja E, Karhunen J. Independent Component Analysis[M]. New York : New York Wiley, 1977.
[5] 黄启宏, 刘钊. 流形学习中非线性维数约简方法概述[J]. 计算机应用研究, 2007, 24(11):19-25.
[6] 何力, 张军平, 周志华. 基于放大因子和延伸方向研究流形学习算法[J]. 计算机学报, 2005, 28(12): 2000-2009.
[7] Tenebaum J B, Silvam V D, Langford J C. A global Geometric Framework for Nonlinear Dimensionality Reduction[J]. Science, 2000, 290(12): 2319-2323.
[8] Roweis S T, Saul L K. Nonlinear Dimensionality Reduction by Locally Linear Embedding [J]. Science, 2000, 290(12):2323-2326.
[9] 徐启华, 师军, 耿帅. 应用快速多分类SVM的航空发动机故障诊断方法[J]. 推进技术, 2012, 33(6): 961-967. (XU Qi-hua, SHI Jun, GENG Shuai. Aero-Engine Fault Diagnosis by a New Fast Multi-Class Support Vector Algorithm[J]. Journal of Propulsion Technology, 2012, 33(6):961-967.)
[10] 栗茂林, 王孙安, 梁霖. 利用非线性流形学习的轴承早期故障特征方法[J]. 西安交通大学学报, 2010, 44(5):45-50.
[11] 张赟, 李本威. 基于最大方差展开的非线性信号降噪方法及其在故障诊断中的应用[J]. 中国科学: 技术科学, 2010, 40(8): 940-945.
[12] 孟德宇, 徐宗本, 戴明伟. 一种新的有监督流形学习方法[J]. 计算机研究与发展, 2007, 44(12): 2072-2077.
[13] 王萌, 孙树栋. 基于相异度核空间的支持向量机算法[J]. 系统工程理论与实践, 2013, 33(6): 1596-1600
[14] 詹宇斌. 流形学习理论与方法及其应用研究[D]. 长沙: 国防科学技术大学, 2011.
[15] 史峰, 王小川, 郁雷, 等. MATLAB神经网络30个案例分析[M]. 北京: 北京航空航天大学出版社, 2010.
[16] 王星博. 主燃油控制系统部件参数对某型发动机气路性能研究[D]. 烟台: 海军航空工程学院, 2012.(编辑:朱立影)　　　　　　　　　　　　　*　收稿日期:2014-01-03；修订日期:2014-03-01。作者简介:马力(1977—),男,硕士,工程师,研究领域为航空发动机设计及性能分析。E-mail:2369887145@qq.com　　　　　通讯作者:李冬(1984—),男,博士生,研究领域为航空发动机性能评估与故障诊断。E-mail:happyli.dong@163.com