隨著計算機深度學習理論的發(fā)展及航空領域對關鍵裝備智能化故障診斷與運維需求的提升，基于深度學習的航空發(fā)動機運行狀態(tài)的監(jiān)測與評估方法成為了飛機安全運行的重要保障。由于航空發(fā)動機機械結構復雜，軸承在高溫、高壓等惡劣環(huán)境下高速運行，其故障特征信息存在多尺度、非線性等問題，使得故障信號難以有效識別及分析診斷。因此，本文提出了一種基于CAE-LSTM的航發(fā)軸承故障診斷方法，首先利用改進的卷積自編碼器（Convolutional Autoencoder， CAE）對高維振動信號進行降維和特征提取，然后將提取到的特征輸入到長短期記憶網絡（Long Short-Term Memory， LSTM）分類器中進行故障類型識別，從而提升軸承故障分類的準確性和魯棒性。實驗結果表明本文提出的方法能夠有效地學習航發(fā)軸承傳感信號序列中的動態(tài)特征，提高航發(fā)軸承故障診斷的精確性和智能性。

【文章頁數】：8 頁

【文章目錄】：
0 引 言
1　 相關工作
    1.1 信號特征提取
    1.2　故障診斷模型
2　方法描述
    2.1　基于CAE的航發(fā)軸承故障特征提取方法
    2.2　故障診斷模型設計
3　實驗與結果分析
    3.1　實驗環(huán)境
    3.2　實驗數據集
    3.3　評價指標
    3.4　實驗結果
    3.5　結果對比
4　總　結



本文編號：4039042