基于KPCA和深度信念网络的发动机故障检测

论文摘要

传统的故障检测方法在进行发动机故障检测中存在数据维度高且准确性不高等一系列问题,提出一种基于核主成分分析(kernel principal component analysis,KPCA)和深度信念网络(deep belief networks,DBN)的组合方法来检测发动机故障.通过KPCA分析法来降低样本数据维数,建立基于DBN深层网络的故障检测模型,利用降维后的数据对DBN故障检测模型进行逐层特征学习.与传统的BP神经网络进行测试对比,实验结果表明,基于DBN故障识别的准确率高于传统的BP神经网络,表明了文中方法进行故障识别的有效性.

论文目录

文章来源

类型: 期刊论文

作者: 黄亮,刘君强,张振良,张曦

关键词: 核主成分分析,深度信念网络,故障检测,降维,神经网络

来源: 武汉理工大学学报(交通科学与工程版) 2019年05期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 动力工程,自动化技术

单位: 南京航空航天大学民航学院

基金: 国家自然科学基金民航联合研究基金资助(U1533128)

分类号: TK407;TP18

页码: 920-925

总页数: 6

文件大小: 157K

下载量: 192

相关论文文献

标签：核主成分分析论文;  深度信念网络论文;  故障检测论文;  降维论文;  神经网络论文;