基于CNN-SVM的飞机EHA故障诊断算法研究

摘要：

针对飞机电动静液作动器(electro-hydrostatic actuator,EHA)系统集成度高、工况复杂、故障种类多的特点,为了对其典型故障进行有效诊断,提出一种基于卷积神经网络(convolutional neural net-works,CNN)和支持向量机(support vector machine,SVM)的故障诊断算法.使用CNN对故障数据进行自适应特征提取,再利用SVM对CNN全连接层输出进行分类.为提高SVM分类性能,使用带动态惯性权重的自适应粒子群优化算法(dynamic inertia weight adaptive particle swarm optimization,IWAP-SO)实现对SVM参数的优化选择.引入Ramp损失函数降低SVM的噪声敏感性.结果表明:经过参数优化后的SVM准确率比标准SVM提升了12.6％,比传统CNN方法提升了17.3％;当使用含噪声信号的测试集时,基于Ramp损失函数的SVM表现出了更好的鲁棒性.

关键词：电动静液作动器、卷积神经网络、支持向量机、粒子群优化算法、Ramp损失函数

所属期刊栏目：41

分类号：TH137;TP183

资助基金：航空科学基金20200033052001

在线出版日期：2023-04-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：230-240