典型文献
基于改进DBNs的三维叶尖间隙叶片裂纹诊断方法
文献摘要：
针对航空发动机结构复杂、干扰因素多、叶片裂纹特征提取困难及难以精确诊断等问题,提出一种基于改进深度信念网络(deep belief networks,简称DBNs)的三维叶尖间隙叶片裂纹特征提取与诊断方法.首先,根据DBNs重构误差的传递规律,通过全局反向重构(global back-reconstruction,简称GBR)机制构建一种能自适应调节深度的DBNs,以避免深层特征退化导致的特征表征能力不足的问题;其次,利用改进DBNs从叶片三维叶尖间隙中自适应学习深层裂纹特征;最后,采用Softmax回归模型建立深层特征与叶片裂纹间的复杂映射,实现叶片裂纹精确诊断.叶片裂纹诊断试验结果表明:所提方法能有效提取叶片裂纹特征,平均诊断精度达到98.43％,标准差仅为0.092％,具有较好的稳定性和泛化能力,能有效实现叶片裂纹诊断.
文献关键词：
航空发动机叶片;三维叶尖间隙;深度信念网络;特征提取;故障诊断
中图分类号：
作者姓名：
黄鑫;张小栋;张英杰;熊逸伟;刘洪成;祝珂
作者机构：
西安交通大学机械工程学院 西安,710049;西安交通大学现代设计及转子轴承系统教育部重点实验室 西安,710049
文献出处：
引用格式：
[1]黄鑫;张小栋;张英杰;熊逸伟;刘洪成;祝珂-.基于改进DBNs的三维叶尖间隙叶片裂纹诊断方法)[J].振动、测试与诊断,2022(02):213-219
A类：
三维叶尖间隙
B类：
DBNs,干扰因素,裂纹特征,精确诊断,进深,深度信念网络,deep,belief,networks,重构误差,global,back,reconstruction,GBR,机制构建,自适应调节,深层特征,特征退化,表征能力,自适应学习,层裂,Softmax,诊断试验,有效提取,泛化能力,航空发动机叶片
AB值：
0.287352
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
