航空发动机智能诊断中学习样本与学习机器的自适应性问题研究

智能诊断是航空发动机状态预测与健康管理PHM的核心技术，机器学习是智能诊断知识获取的关键环节，本项目针对航空发动机智能诊断的学习样本和学习机器的自适应问题展开研究：（1）充分利用样本数据的非线性结构特征信息，利用KPCA和流形学习方法等非线性降维技术挖掘隐藏在一组高维数据集中的内在低维结构，实现故障非线性特征提取和压缩，凸显故障特征；（2）针对实际航空发动机正常数据多故障数据少，样本数据严重不平衡的问题，研究在故障数据少、极少和缺少的情况下的学习样本与学习机器相适应的问题；（3）针对不同样本数据具有不同结构特征的问题，在充分考虑样本不同结构特征的情况下，研究样本结构信息与学习机器相适应的问题。最后，利用故障模拟数据及航空发动机实际的故障数据对算法进行分析和验证。项目研究对于提升航空发动机PHM智能诊断技术的智能化和自动化水平具有重要理论意义和实用价值。

项目研究了航空发动机智能诊断学习样本和学习机器的若干适应性问题。并取得了以下几方面的研究成果。（1）将小球大间隔方法应用于机械故障检测，建立了一种不平衡样本下的机械故障检测方法。通过滚动轴承故障诊断实例，验证了该方法能够有效地克服学习样本的不平衡问题。（2）进行了基于流行学习的非线性故障特征提取方法研究，并利用滚动轴承故障数据对方法进行了验证，同时与主成分分析方法进行了比较，结果表明了新方法的有效性。（3）建立了一种基于贝叶斯最优核判别分析的故障诊断模型，并利用滚动轴承实验数据研究了该方法在机械故障诊断中的应用,结果表明，该方法有效地克服了传统方法核参数选择困难的问题。（4）提出了一种基于正则化多核判别分析的航空发动机滚动轴承早期故障融合诊断方法，与传统的单核学习方法相比，多核学习方法实现了核矩阵的自动选择，为信息融合提供了一种新的方法。（5)提出一种基于支持向量机的知识规则提取方法，利用样本的聚类特征，采用SVC算法得到样本的聚类分配矩阵，并在此基础上构建超矩形，得到知识规则。将所提出的基于的数据挖掘方法应用于转静碰摩部位识别和诊断规则获取研究，表明了方法的有效性。