改进ART1神经网络在航空发动机故障诊断中的应用.PDF

节选段落一：
但是，由于外部恶劣飞行环境的影响，相关传感
器的老化，以及飞参记录系统自身存在的随机噪声干
扰等原因，飞参数据存在一定的误差。针对此类问题，
本文设计了一套故障代码提取方法，并用改进的
ART1 网络进行诊断。该网络对于发动机突发性故障
诊断准确度和实时性都很高，对渐变性故障也具有前
瞻性的预测功能。
1 ART1 网络简介
自适应共振理 论 (Adaptive Resonance Theory ，
ART)是美国的 A. Carpenter 提出来的一种强学习强记
忆的神经网络，其中 ART1 网络处理二进制数据。如图
1所示，它主要由两层神经元及控制信号相互结合而
成 。


节选段落二：
表 1 中，在发动机超温故障中，高压转速和低压
转速都在正常的范围内，由于排气温度为故障数据，
并且高压转速和低压转速都在可以表征故障的范围
内变化，所以此时也认为它们为故障数据。由表 2 可
知，分类结果正确。加入一组故障数据 E，转换后的故
障代码与 B 一致，并且 模拟一类新的故障代码 F=[1 1
1 1]，为一组渐变性故障。
由表 3，E 是在 B 故障数据中加入强噪声干扰后
的数据。网络的原诊断结果并没有变化，同时新创建
了一组故障代码 F。结果可见：(1)网络在不影响已判别
故障的情况下，新产生了一个故障类型；(2)网络抗干
扰力极强。


节选段落三：
5 结论
飞参数据的预处理提高了诊断系统的抗随机干
扰能力。改进 ART1 网络有极强的学习能力和记忆功
能；四阈值法和二次判断的故障代码建立方法提高了
获取故障数据的准确度；对 ART1 网络输入层的改进
使其对突发性故障和渐变性故障均有很高的辨识诊
断能力。实验表明，该方法精确度高，测量噪声抑制力
强，可以在存在强干扰信号的飞参数据中有效提取出
各种数据特征，进行故障诊断,对提高发动机状态监控
与故障诊断能力有较大实用价值和工程意义。
参考文献：
[1]李洪，吴贻鼎.利用 ART1 网络进行故障诊断的方法研究[J].