论文部分内容阅读
航空发动机作为飞行器的动力核心对飞行器的安全飞行有着举足轻重的作用,保证航空发动机的平稳运行对飞行安全有着重大意义。基于数据融合的航空发动机故障诊断技术面临着两大难题:1、由于航空发动机故障类型多、故障数据复杂,基于有监督学习的故障诊断模型受限于训练数据故障标签不全的因素,无法得到充分有效的训练;2、航空发动机工作条件极端,机载传感器测量的航空发动机参数受噪声干扰严重。本文以航空发动机快速存取记录器(Quick Access Recorder)记录的部分飞行参数为研究对象,针对航空发动机故障数据复杂多变、有监督学习故障诊断模型所包含故障标签不全面的问题,提出基于聚类算法的航空发动机数据处理的方式,将不同健康状态下的航空发动机QAR数据分成不同的类别,方便维修与科研人员对航空发动机状态的判断与研究。针对QAR系统中,机载传感器测量数据受噪声干扰大,且QAR记录的数据有着维度高、容量大且数据集形状不规则的特点,引入了经验小波变换方法对航空发动机的QAR数据进行噪声过滤,提取出纯净的QAR特征数据,解决了QAR数据受噪声干扰大的特性;引入了扩散映射(Diffusion Maps)算法,对QAR的特征数据进行数据降维,解决了QAR特征数据维度高的特点;引入谱聚类算法对特征数据进行聚类分析解决QAR数据集形状不规则的问题,并针对谱聚类算法无法自行确认数据集中簇类别数的缺陷引入基于密度峰值的聚类中心点选取方法和BIC准则(Bayesian Information Criterion),对数据集簇类别数与聚类中心点进行选取,解决了聚类算法中因数簇类别数未知而导致的聚类结果错误;并将基于密度峰值的聚类中心点选取方法和BIC准则应用于谱聚类算法的Nystrom扩展中,优化了Nystrom扩展的采样策略,解决了谱聚类算法不适合处理大容量数据集的问题。