航空發(fā)動(dòng)機(jī)氣路改進(jìn)神經(jīng)網(wǎng)絡(luò)故障診斷研究

Research on the Fault Diagnostic Based on Improved Neural Network

for Gas Path of Aeroengine

盧俊文　吳　瑞　常虎山　王威風(fēng)　尚澤譯

(中國(guó)民用航空飛行學(xué)院，四川 廣漢　618307)

航空發(fā)動(dòng)機(jī)氣路改進(jìn)神經(jīng)網(wǎng)絡(luò)故障診斷研究

Research on the Fault Diagnostic Based on Improved Neural Network

for Gas Path of Aeroengine

盧俊文吳瑞常虎山王威風(fēng)尚澤譯

(中國(guó)民用航空飛行學(xué)院，四川 廣漢618307)

摘要：針對(duì)航空發(fā)動(dòng)機(jī)氣路故障，建立了基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)氣路故障診斷模型。采用該模型尋找發(fā)動(dòng)機(jī)狀態(tài)參數(shù)與不同故障模式之間的映射關(guān)系，并利用收集的JT9D發(fā)動(dòng)機(jī)的氣路故障樣本數(shù)據(jù)對(duì)診斷模型進(jìn)行訓(xùn)練與檢驗(yàn)。試驗(yàn)結(jié)果表明，改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)故障診斷模型對(duì)JT9D發(fā)動(dòng)機(jī)氣路部件故障模式的識(shí)別具有較高的準(zhǔn)確率，能夠?yàn)榛跔顟B(tài)的維修決策提供有效的指導(dǎo)與建議，進(jìn)而提高航空發(fā)動(dòng)機(jī)的可靠性。

中國(guó)民用航空飛行學(xué)院面上基金資助項(xiàng)目(編號(hào)：J2012-06)；

中國(guó)民用航空飛行學(xué)院研究生創(chuàng)新基金資助項(xiàng)目(編號(hào)：X2012-10)。

修改稿收到日期：2014-07-09。

第一作者盧俊文(1985-)，男，2012年畢業(yè)于中國(guó)民用航空飛行學(xué)院載運(yùn)工具運(yùn)用工程專(zhuān)業(yè)，獲碩士學(xué)位，助理工程師；主要從事航空器故障診斷與預(yù)測(cè)、航空器可靠性等方面的研究。

關(guān)鍵詞：航空發(fā)動(dòng)機(jī)氣路故障診斷BP神經(jīng)網(wǎng)絡(luò)BP算法Levenberg-Marquardt算法

Abstract：In accordance with the faults of gas path of aeroengine, the fault diagnostic model based on improved neural network is built up for gas path of aeroengine, to find out the mapping relation between condition parameters of engine and different fault modes. Then the diagnostic model is trained and tested by adopting the sample data of gas path collected from JT9D engine. The experimental results indicate that the fault diagnostic model based on improved neural network possesses higher accuracy for recognizing the fault mode of parts in gas path; it can provide effective guidance and advice for maintenance decision based on the status, thus the reliability of the aeroengine can be enhanced.

Keywords：AeroengineGas path fault diagnosisBP neural networkBP algorithmLevenberg-Marquardt algorithm

0引言

大涵道比航空渦輪風(fēng)扇發(fā)動(dòng)機(jī)的氣路零部件維修費(fèi)用占總維修費(fèi)用的一半以上，且此類(lèi)零部件故障率高(通常占到發(fā)動(dòng)機(jī)故障的90%左右[1-2])、故障程度嚴(yán)重、判斷難度大。因此，研究航空渦輪發(fā)動(dòng)機(jī)氣路故障的智能診斷技術(shù)具有非常重要的工程價(jià)值和實(shí)際意義。

航空發(fā)動(dòng)機(jī)系統(tǒng)極為復(fù)雜，建立系統(tǒng)的非線(xiàn)性解析模型非常困難[3-5]。目前，基于模糊理論的診斷方法、專(zhuān)家系統(tǒng)故障診斷方法以及一些常規(guī)故障診斷方法的應(yīng)用存在很大的局限性[6]。然而，基于神經(jīng)網(wǎng)絡(luò)的診斷方法，其自學(xué)與數(shù)據(jù)處理能力強(qiáng)，適合處理征兆量豐富的航空發(fā)動(dòng)機(jī)數(shù)據(jù)；同時(shí)，其良好的非線(xiàn)性特性也很適合對(duì)故障機(jī)理復(fù)雜、故障類(lèi)型繁多的非線(xiàn)性航空發(fā)動(dòng)機(jī)系統(tǒng)進(jìn)行故障診斷[7]。本文選用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對(duì)JT9D航空發(fā)動(dòng)機(jī)氣路故障進(jìn)行診斷與識(shí)別。

1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種使用較為廣泛的前饋網(wǎng)絡(luò)，它含有輸入層、隱含層與輸出層，其中隱含層可以包含一層或多層[8]。航空發(fā)動(dòng)機(jī)故障診斷屬于模式識(shí)別與分類(lèi)問(wèn)題，其輸出層節(jié)點(diǎn)的傳遞函數(shù)常采用Sigmoid或硬極限函數(shù)。目前，在實(shí)際應(yīng)用中，三層BP網(wǎng)絡(luò)就能夠解決大多數(shù)問(wèn)題，其結(jié)構(gòu)如圖1 所示，V、W為連接權(quán)矩陣。

圖1　三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1.1　BP算法學(xué)習(xí)規(guī)則描述

由于BP算法具備很強(qiáng)的局部搜索能力，是一種有效的算法，所以經(jīng)常采用BP算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。BP算法通過(guò)正向傳播和反向傳播兩個(gè)階段訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。

① 正向傳播: 輸入的樣本從輸入層經(jīng)隱含層單元向輸出層傳播。在這一過(guò)程中，下一層神經(jīng)元的狀態(tài)只受到來(lái)自上一層神經(jīng)元狀態(tài)的影響[9]。當(dāng)傳播到達(dá)神經(jīng)網(wǎng)絡(luò)的輸出層后，比較當(dāng)前計(jì)算的輸出值與期望輸出值。若兩者的均方誤差大于特定值，網(wǎng)絡(luò)將進(jìn)入反向傳播。

② 反向傳播: 對(duì)比當(dāng)前計(jì)算得到的輸出值與期望輸出值的差異，并按正向傳播的通路將誤差信號(hào)反向傳回，從而逐層調(diào)節(jié)每個(gè)神經(jīng)元節(jié)點(diǎn)的連接權(quán)值系數(shù)，減小誤差信號(hào)。

BP算法的學(xué)習(xí)過(guò)程通常是一個(gè)多周期迭代的過(guò)程，只有當(dāng)網(wǎng)絡(luò)實(shí)際輸出值與網(wǎng)絡(luò)期望輸出值之間的均方誤差小于某一個(gè)給定值時(shí)，網(wǎng)絡(luò)才結(jié)束訓(xùn)練。對(duì)于前向傳播的神經(jīng)網(wǎng)絡(luò), 定義性能指標(biāo)函數(shù)如下：

F(x)=E(eTe)=E[(t-a)T(t-a)]

(1)

實(shí)際應(yīng)用中，用G(x)來(lái)近似計(jì)算均方誤差：

G(x)=(t-a)T(t-a)

(2)

式中：x為權(quán)值W和偏置b；t為目標(biāo)輸出；a為實(shí)際輸出。

需要找到理想的W與b，使得F(x)最小，或者小到某個(gè)特定值ε。以神經(jīng)網(wǎng)絡(luò)第m層為例。

(3)

輸出層M：

(4)

其矩陣形式：

(5)

(6)

雅克比矩陣：

(7)

則：

(8)

(9)

由式(8)可建立遞歸關(guān)系，直至網(wǎng)絡(luò)的輸出層結(jié)束遞歸，即式(5)。最后，利用近似的最速下降法對(duì)網(wǎng)絡(luò)權(quán)值W和偏置值b依次進(jìn)行調(diào)整，如下所示。

(10)

(11)

式中：k為迭代次數(shù)；α為學(xué)習(xí)速度。

式(10)、式(11)就是反向傳播算法(BP)反向計(jì)算過(guò)程中修正權(quán)值矩陣W和偏置值b的方法。

1.2　改進(jìn)的L-M算法

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練實(shí)質(zhì)上是一個(gè)非線(xiàn)性目標(biāo)函數(shù)的優(yōu)化問(wèn)題，因此可以將傳統(tǒng)的數(shù)值優(yōu)化算法應(yīng)用于神經(jīng)網(wǎng)絡(luò)[10]。

在經(jīng)典BP神經(jīng)網(wǎng)絡(luò)的性能優(yōu)化算法中，梯度下降法往往在開(kāi)始幾步下降較快;但隨著接近最優(yōu)值時(shí)，由于梯度趨近于零，目標(biāo)函數(shù)便下降緩慢。而Newton法可以在最優(yōu)值附近產(chǎn)生一個(gè)理想的搜索方向，因此能保持較快的下降速度，但該算法不可能出現(xiàn)振蕩，也不能保證收斂。L-M算法是Newton法的變形，它綜合了標(biāo)準(zhǔn)梯度下降法與Newton法兩種性能優(yōu)化方法的優(yōu)點(diǎn)，用以最小化作為其他非線(xiàn)性函數(shù)平方和的函數(shù)，非常適用于性能指數(shù)是均方差(meansquareerror，MSE)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

對(duì)Gauss-Newton算法進(jìn)行改進(jìn)，即可得到L-M算法的迭代公式：

(12)

(13)

式中：e為網(wǎng)絡(luò)目標(biāo)輸出與實(shí)際輸出的誤差；J為e的雅克比矩陣；I為單位矩陣；μ為一個(gè)非負(fù)值；ΔX表示網(wǎng)絡(luò)權(quán)值或閾值變化量。

當(dāng)μ趨近于0時(shí)，L-M算法趨近于Gauss-Newton算法；當(dāng)μ趨近于無(wú)窮大時(shí)，L-M算法趨近于標(biāo)準(zhǔn)梯度下降法。以式(12)對(duì)權(quán)值與閾值進(jìn)行迭代計(jì)算，不斷進(jìn)行網(wǎng)絡(luò)訓(xùn)練，直到達(dá)到目標(biāo)要求。L-M算法的步驟如下。

① 初始化神經(jīng)網(wǎng)絡(luò)權(quán)值W和閾值b，設(shè)置訓(xùn)練誤差允許值ε，常數(shù)β(β>1)和μ0，置迭代次數(shù)n=0，μ=μ0。

② 計(jì)算網(wǎng)絡(luò)輸出值a與目標(biāo)t的誤差e。

③ 計(jì)算雅克比矩陣J。

④ 利用式(13)計(jì)算網(wǎng)絡(luò)權(quán)值或閾值的變化量。

⑤ 若e<ε，則訓(xùn)練結(jié)束，否則以Xn+1=Xn+ΔX得到新的權(quán)值與閾值，用新的權(quán)值和閾值做新的前向過(guò)程。若新的誤差en+1小于原先的誤差en，則使用新的權(quán)值與閾值(令n=n+1)，并令μ=μ/β，并轉(zhuǎn)到步驟②；反之，若新的誤差en+1大于原先的誤差en，則令μ=μβ，轉(zhuǎn)到步驟④。

2航空發(fā)動(dòng)機(jī)氣路BP模型

2.1　故障類(lèi)型與BP網(wǎng)絡(luò)輸出

航空渦輪風(fēng)扇發(fā)動(dòng)機(jī)由風(fēng)扇、低壓壓氣機(jī)、高壓壓氣機(jī)、燃燒室、高壓渦輪、低壓渦輪和排氣系統(tǒng)組成。選擇其中最容易出現(xiàn)氣路故障同時(shí)也是核心的組件。該組件具有重要的研究?jī)r(jià)值。一個(gè)組件的失效代表神經(jīng)網(wǎng)絡(luò)診斷所需要識(shí)別的一種發(fā)動(dòng)機(jī)故障類(lèi)型。選取的5個(gè)氣路故障類(lèi)型如表1所示。相應(yīng)地，可確定BP網(wǎng)絡(luò)輸出層的節(jié)點(diǎn)數(shù)為5。

表1　航空發(fā)動(dòng)機(jī)氣路故障類(lèi)型

2.2　征兆變量與BP網(wǎng)絡(luò)輸入

征兆變量即航空發(fā)動(dòng)機(jī)的狀態(tài)參數(shù)，能直接或間接地反映出發(fā)動(dòng)機(jī)整機(jī)或部件的運(yùn)行狀態(tài)。發(fā)動(dòng)機(jī)的狀態(tài)參數(shù)有很多，根據(jù)能夠顯著反映發(fā)動(dòng)機(jī)狀態(tài)、對(duì)故障敏感、狀態(tài)參數(shù)之間相關(guān)性小的參數(shù)選取原則[11]，得到的征兆變量如表2所示。相應(yīng)地，可確定BP網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)數(shù)為4。

表2　航空發(fā)動(dòng)機(jī)征兆變量

2.3　BP網(wǎng)絡(luò)隱含層

隱含層節(jié)點(diǎn)數(shù)的選取是BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)與建模的難點(diǎn)。若隱含層節(jié)點(diǎn)數(shù)過(guò)少，則從樣本中獲取信息的能力會(huì)很差，無(wú)法全面概括和體現(xiàn)訓(xùn)練樣本的規(guī)律，會(huì)導(dǎo)致新樣本識(shí)別困難；若節(jié)點(diǎn)過(guò)多，可能將樣本中非規(guī)律性的內(nèi)容(如數(shù)據(jù)中夾雜的噪聲)記住，降低網(wǎng)絡(luò)的泛化能力，同時(shí)隱含層過(guò)多的節(jié)點(diǎn)將導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時(shí)間增加[12-13]。通常，隱含層節(jié)點(diǎn)數(shù)用試湊法來(lái)確定。首先根據(jù)經(jīng)驗(yàn)公式(14)，暫時(shí)確定一個(gè)隱含層節(jié)點(diǎn)數(shù)，從而縮小試湊的范圍；再以此節(jié)點(diǎn)數(shù)值為原點(diǎn)，分別以其自身及其附近的數(shù)值作為隱含層節(jié)點(diǎn)數(shù)目對(duì)BP網(wǎng)絡(luò)進(jìn)行樣本訓(xùn)練，根據(jù)訓(xùn)練的時(shí)間及誤差精度篩選出最佳的節(jié)點(diǎn)數(shù)。

s=2n+1

(14)

式中：s為隱含層節(jié)點(diǎn)數(shù)；n為輸入層的節(jié)點(diǎn)數(shù)。由于n=4，因此，隱含層節(jié)點(diǎn)數(shù)暫定為9。

2.4　輸出向量的確定

由前文可知，根據(jù)發(fā)動(dòng)機(jī)結(jié)構(gòu)組件的不同，把JT9D發(fā)動(dòng)機(jī)常見(jiàn)的氣路故障分為5類(lèi)故障，分別是：風(fēng)扇故障、低壓壓氣機(jī)故障、高壓壓氣機(jī)故障、低壓渦輪故障、高壓渦輪故障。根據(jù)Sigmoid函數(shù)輸出值在0~1之間的輸出特點(diǎn)，設(shè)定以0~1之間的數(shù)值大小表示發(fā)動(dòng)機(jī)組件的故障程度。哪種故障類(lèi)型對(duì)應(yīng)的輸出項(xiàng)數(shù)值越接近于1，表明這種故障發(fā)生的可能性越大。

2.5　BP網(wǎng)絡(luò)的整體模型結(jié)構(gòu)

整個(gè)BP神經(jīng)網(wǎng)絡(luò)故障診斷模型由輸入層、1層隱含層和輸出層組成。其中輸入層節(jié)點(diǎn)數(shù)為4，用于診斷故障的4個(gè)征兆變量由此輸入。隱含層的節(jié)點(diǎn)暫定為9個(gè)，其節(jié)點(diǎn)的傳遞函數(shù)為tansig函數(shù)。輸出層節(jié)點(diǎn)數(shù)為5，通過(guò)輸出向量判斷發(fā)動(dòng)機(jī)的故障類(lèi)型，其節(jié)點(diǎn)的傳遞函數(shù)為logsig函數(shù)。網(wǎng)絡(luò)的訓(xùn)練方法采用Levenberg-Marquardt算法。性能函數(shù)采用均方誤差性能函數(shù)(MSE)來(lái)對(duì)BP網(wǎng)絡(luò)的計(jì)算結(jié)果進(jìn)行校核[14]。整個(gè)BP網(wǎng)絡(luò)的模型結(jié)構(gòu)如圖2所示。

圖2　BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

3故障診斷仿真試驗(yàn)

本文以美國(guó)普拉特-惠特尼公司研制的JT9D渦輪風(fēng)扇發(fā)動(dòng)機(jī)為例，研究BP神經(jīng)網(wǎng)絡(luò)在航空發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用。

3.1　BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

訓(xùn)練樣本即故障樣本描述的是JT9D發(fā)動(dòng)機(jī)在馬赫數(shù)為0.8、高度10 668 m、發(fā)動(dòng)機(jī)壓力比(engine pressure ratio，EPR)為常數(shù)的巡航狀態(tài)下5種典型發(fā)動(dòng)機(jī)故障類(lèi)型對(duì)應(yīng)的4個(gè)征兆變量的數(shù)值樣本，共50組數(shù)值[15]。

利用以上所得的樣本集對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，設(shè)定網(wǎng)絡(luò)的誤差精度為0.001。在訓(xùn)練的過(guò)程中，利用試湊法依次對(duì)隱含層節(jié)點(diǎn)數(shù)目為6、7、8、9、10、11、12、13的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，選出性能最佳的網(wǎng)絡(luò)。訓(xùn)練結(jié)束后，綜合網(wǎng)絡(luò)訓(xùn)練的時(shí)間與均方誤差的精度兩個(gè)因素發(fā)現(xiàn)，隱含層節(jié)點(diǎn)數(shù)為12的BP網(wǎng)絡(luò)最好。隱含層節(jié)點(diǎn)數(shù)為12的BP網(wǎng)絡(luò)的訓(xùn)練記錄如圖3所示。訓(xùn)練次數(shù)共153次，訓(xùn)練過(guò)程中Best值與Goal值是重合一致的，即最佳值等于目標(biāo)值。隨著訓(xùn)練次數(shù)的增加，均方誤差逐漸下降，訓(xùn)練終止時(shí)均方誤差精度為9.8672×1e-4。至此，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢，基于BP神經(jīng)網(wǎng)絡(luò)的JT9D航空發(fā)動(dòng)機(jī)故障診斷模型建立完成。

圖3　BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練記錄

3.2　BP故障診斷性能測(cè)試

為檢驗(yàn)建立的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)航空發(fā)動(dòng)機(jī)故障診斷能力，使用JT9D發(fā)動(dòng)機(jī)7組典型的高壓渦輪實(shí)際故障(HPT)樣本對(duì)其進(jìn)行測(cè)試。

樣本集如表3所示。

表3　JT9D發(fā)動(dòng)機(jī)實(shí)際故障樣本

將實(shí)際故障的征兆變量作為輸入向量，輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)故障診斷模型，得到的診斷結(jié)果如表4所示。

表4　診斷結(jié)果

從表4可以看出，BP網(wǎng)絡(luò)故障診斷模型成功地判斷出了第1、4、5、6、7個(gè)樣本的發(fā)動(dòng)機(jī)故障類(lèi)型是高壓渦輪故障；網(wǎng)絡(luò)在分析第2、3個(gè)樣本時(shí)出現(xiàn)錯(cuò)誤，認(rèn)為發(fā)動(dòng)機(jī)同時(shí)發(fā)生了風(fēng)扇與高壓渦輪故障，平均診斷正確率為71%。引起這一結(jié)果的主要原因有：數(shù)據(jù)沒(méi)有初始化，存在噪聲，干擾網(wǎng)絡(luò)正確學(xué)習(xí)；用于網(wǎng)絡(luò)訓(xùn)練的樣本相對(duì)較少，造成網(wǎng)絡(luò)不能充分訓(xùn)練。但從檢驗(yàn)的結(jié)果來(lái)看，基于BP神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)故障診斷模型能夠較為準(zhǔn)確地對(duì)故障類(lèi)型進(jìn)行診斷識(shí)別。

4結(jié)束語(yǔ)

本文研究了基于BP神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)氣路故障診斷的模型建立過(guò)程，探索了利用BP神經(jīng)網(wǎng)絡(luò)良好的非線(xiàn)性特性尋找發(fā)動(dòng)機(jī)狀態(tài)參數(shù)即征兆變量與不同故障模式之間的映射關(guān)系的可能性。實(shí)踐表明，BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)用于航空發(fā)動(dòng)機(jī)氣路故障診斷是完全可行的，具有快速、準(zhǔn)確和數(shù)據(jù)處理能力強(qiáng)、容錯(cuò)性能高等優(yōu)點(diǎn)。若該診斷系統(tǒng)在技術(shù)成熟后能在民航領(lǐng)域內(nèi)得到實(shí)際應(yīng)用，不但能夠?yàn)榫S修人員在發(fā)動(dòng)機(jī)的維修過(guò)程中提供有效的指導(dǎo)與幫助，并且還可以實(shí)時(shí)監(jiān)控發(fā)動(dòng)機(jī)在工作狀態(tài)下的各種故障征兆，提出維護(hù)建議，確保航空發(fā)動(dòng)機(jī)的安全可靠運(yùn)行。

參考文獻(xiàn)

[1] 張光明.航空發(fā)動(dòng)機(jī)氣路故障診斷技術(shù)研究[D].沈陽(yáng)：沈陽(yáng)航空工業(yè)學(xué)院，2010.

[2] Donald L,Simon S,Olivier L,et al.Aircraft engine gas path diagnostic methods:public benchmarking results[J].Journal of Engineering for Gas Turbines and Power,2014,136(4):1-10.

[3] 張金玉.裝備智能故障診斷與預(yù)測(cè)[M].北京：國(guó)防工業(yè)出版社，2013:1-6.

[4] 瓦克塞萬(wàn)諾斯.工程系統(tǒng)中的智能故障診斷與預(yù)測(cè)[M].北京：國(guó)防工業(yè)出版社，2013:1-10.

[5] Mykola K,Sergiy D,Oleksandr Y.Method of formulating input parameters of neural network for diagnosing gas-turbine engines[J].Aviation,2013,17(2):52-56.

[6] 李紅衛(wèi),楊東升,孫一蘭.智能故障診斷技術(shù)研究綜述與展望[J].計(jì)算機(jī)工程與設(shè)計(jì),2013,34(2):632-637.

[7] 于宗艷，韓連濤，孟嬌茹.基于人工神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)故障診斷方法[J].現(xiàn)代電子技術(shù)，2013,36(2)：65-67.

[8] 季偉東.進(jìn)化計(jì)算優(yōu)化前向神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法研究[D].東北林業(yè)大學(xué)，2013：12-36.

[9] 余賓.基于神經(jīng)網(wǎng)絡(luò)的飛機(jī)發(fā)動(dòng)機(jī)性能趨勢(shì)預(yù)測(cè)系統(tǒng)[J].中國(guó)制造業(yè)信息化，2008，37(21)：58-63.

[10]于春艷，楊德輝，劉艷麗，等.基于神經(jīng)網(wǎng)絡(luò)的某型飛機(jī)發(fā)動(dòng)機(jī)故障診斷研究[J].電子設(shè)計(jì)工程，2012，20(11)：89-92.

[11]彭淑宏.航空發(fā)動(dòng)機(jī)氣路故障診斷技術(shù)研究[D].上海：上海交通大學(xué)，2012：15-17.

[12]魏江濤,陳方濤,姜美雷.BP神經(jīng)網(wǎng)絡(luò)在設(shè)備故障診斷方面的應(yīng)用[J].現(xiàn)代電子技術(shù),2012,35(19):131-134.

[13]Changduk K,Seonghee K,Gwanglim P.Development of practical integral condition monitoring system for a small turbojet engine using Matlab/Simulink and LabVIEW[J].International Journal of Turbo & Jet-Engines,2014,31(1):73-78.

[14]張德豐.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].2版.北京：機(jī)械工業(yè)出版社，2012：92-128.

[15]范作明，孫春林，白杰.航空發(fā)動(dòng)機(jī)故障診斷導(dǎo)論[M].北京：科學(xué)出版社，2004：361-392.

中圖分類(lèi)號(hào)：V263+.6

文獻(xiàn)標(biāo)志碼：A

DOI:10.16086/j.cnki.issn1000-0380.201501002