论文部分内容阅读
针对发动机故障多样性和复杂性等特点，基于信息融合原理，提出了一种基于极限学习机（ELM）和D-S证据理论相结合的发动机故障诊断方法。该方法通过构建多子ELM分类模块进行局部诊断，采用类内间距法求出实际输出与标准输出的相似度矩阵，并将其归一化得到各单一传感器的信度函数分配框架，运用证据理论融合得出最终的诊断结果。实例表明，该方法通过对多源多特征参数进行融合，充分利用了各传感器的冗余及互补信息，与单一振动或噪声信号的诊断效果相比，显著提高了故障诊断精度，降低了诊断结果的不确定性。