+7 (495) 720-06-54
Пн-пт: с 9:00 до 21:00, сб-вс: 10:00-18:00
Мы принимаем он-лайн заказы 24 часа*
 

Принцип работы газотурбинного двигателя: Газотурбинный двигатель: Устройство и принцип работы

0

Газотурбинный двигатель подробно — Энциклопедия журнала «За рулем»

ИДЕЯ применить в автомобилях газотурбинные двигатели возникла давно. Но лишь за последние несколько лет их конструкция достигла той степени совершенства, которая дает им право на существование.
Высокий уровень развития теории лопаточных двигателей, металлургии и техники производства обеспечивает теперь реальную возможность создания надежных газотурбинных двигателей, способных с успехом заменить на автомобиле поршневые двигатели внутреннего сгорания.
Что представляет собой газотурбинный двигатель?
На рис. показана принципиальная схема такого двигателя. Ротационный компрессор, находящийся на одном валу с газовой турбиной, засасывает воздух из атмосферы, сжимает его и нагнетает в камеру сгорания. Топливный насос, также приводимый в движение от вала турбины, нагнетает топливо в форсунку, установленную в камере сгорания. Газообразные продукты сгорания поступают через направляющий аппарат на рабочие лопатки колеса газовой турбины и заставляют его вращаться в одном, определенном направлении. Газы, отработавшие в турбине, выпускаются в атмосферу через патрубок. Вал газовой турбины вращается в подшипниках.

По сравнению с поршневыми двигателями внутреннего сгорания газотурбинный двигатель обладает весьма существенными преимуществами. Правда, он тоже еще не свободен от недостатков, но они постепенно ликвидируются по мере развития конструкции.
Характеризуя газовую турбину, прежде всего следует отметить, что она, как и паровая турбина, может развивать большие обороты. Это дает возможность получать значительную мощность от гораздо меньших по размерам (по сравнению с поршневыми) и почти в 10 раз более легких по весу двигателей.
Вращательное движение вала является по существу единственным видом движения в газовой турбине, в то время как в двигателе внутреннего сгорания, помимо вращательного движения коленчатого вала, имеет место возвратно-поступательное движение поршня, а также сложное движение шатуна. Газотурбинные двигатели не требуют специальных устройств для охлаждения. Отсутствие трущихся деталей при минимальном количестве подшипников обеспечивают длительную работоспособность и высокую надежность газотурбинного двигателя.
Для питания газотурбинного двигателя используется керосин либо топлива типа дизельных.
Основная причина, которая сдерживает развитие автомобильных газотурбинных двигателей, заключается в необходимости искусственно ограничивать температуру газов, поступающих на лопатки турбины. Это снижает коэффициент полезного действия двигателя и приводит к повышенному удельному расходу топлива (на 1 л. с ). Температуру газа приходится ограничивать для газотурбинных двигателей пассажирских и грузовых автомобилей в пределах 600—700°С, а в авиационных турбинах до 800—900°С потому, что еще очень дороги высокожаропрочные сплавы.
В настоящее время уже существуют некоторые способы повышения коэффициента полезного действия газотурбинных двигателей путем охлаждения лопаток, использования тепла отработавших газов для подогрева поступающего в камеры сгорания воздуха, производства газов в высоко эффективных свободно-поршневых генераторах, работающих по дизель-компрессорному циклу с высокой степенью сжатия и т. д. От успеха работ в этой области во многом зависит решение проблемы создания высокоэкономичного автомобильного газотурбинного двигателя.


Принципиальная схема двухвального газотурбинного двигателя с теплообменником

Большинство существующих автомобильных газотурбинных двигателей построено по так называемой двухвальной схеме с теплообменниками. Здесь для привода компрессора 1 служит специальная турбина 8, а для привода колес автомобиля — тяговая турбина 7. Валы турбин не соединены между собой. Газы из камеры сгорания 2 вначале поступают на лопатки турбины привода компрессора, а затем на лопатки тяговой турбины. Воздух, нагнетаемый компрессором, прежде чем поступить в камеры сгорания, подогревается в теплообменниках 3 за счет тепла, отдаваемого отработавшими газами. Применение двухвальной схемы создает выгодную тяговую характеристику газотурбинных двигателей, позволяющую сократить число ступеней в обычной коробке передач автомобиля и улучшить его динамические качества.

Ввиду того, что вал тяговой турбины механически не связан с валом турбины компрессора, число его оборотов может изменяться в зависимости от нагрузки, не оказывая существенного влияния на число оборотов вала компрессора. Вследствие этого характеристика крутящего момента газотурбинного двигателя имеет вид, представленный на рис., где для сопоставления нанесена также и характеристика поршневого автомобильного двигателя (пунктиром).
Из диаграммы видно, что у поршневого двигателя по мере уменьшения числа оборотов, происходящего под влиянием возрастающей нагрузки, крутящий момент вначале несколько возрастает, а затем падает. В то же время у двухвального газотурбинного двигателя крутящий момент автоматически возрастает по мере увеличения нагрузки. В результате необходимость в переключении коробки передач отпадает либо наступает значительно позже, чем у поршневого двигателя. С другой стороны, ускорения при разгоне у двухвального газотурбинного двигателя будут значительно большими.

Характеристика одновального газотурбинного двигателя отличается от показанной на рис. и, как правило, уступает, с точки зрения требований динамики автомобиля, характеристике поршневого двигателя (при равной мощности).

Принципиальная схема газотурбинного двигателя со свободно-поршневым генератором газа

Большую перспективу имеет газотурбинный двигатель. В этом двигателе газ для турбины вырабатывается в так называемом свободно-поршневом генераторе, представляющем собой двухтактный дизель и поршневой компрессор, объединенные в общем блоке. Энергия от поршней дизеля передается непосредственно поршням компрессора. Ввиду того, что движение поршневых групп осуществляется исключительно под действием давления газов и режим движения зависит только от протекания термодинамических процессов в дизельном и компрессорных цилиндрах, такой агрегат и называется свободно-поршневым. В его средней части расположен открытый с двух сторон цилиндр 4, имеющий прямоточную щелевую продувку, в котором протекает двухтактный рабочий процесс с воспламенением от сжатия. В цилиндре оппозитно перемещаются два поршня, один из которых 9 во время рабочего хода открывает, а во время возвратного хода закрывает выхлопные окна, прорезанные в стенках цилиндра. Другой поршень 3 также открывает и закрывает продувочные окна. Поршни связаны между собой легким реечным или рычажным синхронизирующим механизмом, не показанным на схеме. Когда они сближаются, воздух, заключенный между ними, сжимается; к моменту достижения мертвой точки температура сжимаемого воздуха становится достаточной для воспламенения топлива, которое впрыскивается через форсунку 5. В результате сгорания топлива образуются газы, обладающие высокой температурой и давлением; они заставляют поршни разойтись в стороны, при этом поршень 9 открывает выхлопные окна, через которые газы устремляются в газосборник 7. Затем открываются продувочные окна, через которые в цилиндр 4 поступает сжатый воздух, вытесняет из цилиндра выхлопные газы, смешивается с ними и также поступает в газосборник. За то время, пока продувочные окна остаются открытыми, сжатый воздух успевает очистить цилиндр от выхлопных газов и заполнить его, подготовив таким образом двигатель к следующему рабочему ходу.

С поршнями 3 и 9 связаны компрессорные поршни 2, двигающиеся в своих цилиндрах. При расходящемся ходе поршней идет всасывание воздуха из атмосферы в компрессорные цилиндры, при этом самодействующие впускные клапана 10 открыты, а выпускные 11 закрыты. При встречном ходе поршней впускные клапана закрыты, а выпускные открыты и через них воздух нагнетается в ресивер 6, окружающий дизельный цилиндр. Поршни двигаются навстречу друг другу за счет энергии воздуха, накопившейся в буферных полостях 1 во время предыдущего рабочего хода. Газы из сборника 7 поступают в тяговую турбину 8, вал которой соединен с трансмиссией. Следующее сопоставление коэффициентов полезного действия показывает, что описанный газотурбинный двигатель уже сейчас по своей эффективности не уступает двигателям внутреннего сгорания:
Дизель 0,26—0,35
Двигатель бензиновый 0,22—0,26
Газовая турбина с камерами сгорания постоянного объема без теплообменника 0,12-0,18
Газовая турбина с камерами сгорания постоянного объема с теплообменником 0,15—0,25
Газовая турбина со свободно-поршневым генератором газа 0,25—0,35

Таким образом, КПД лучших образцов турбин не уступает

Как появился газотурбинный двигатель на автомобиле?

Под газотурбинным двигателем подразумевают двигатель внутреннего сгорания, принцип работы которого заключается в преобразовании тепловой энергии в механическую.

Основная сфера применения такого типа двигателя – это авиация и танковая промышленность. Ввиду определенных технических ограничений газотурбинный двигатель для автомобиля изначально было использовать крайне сложно. Но теперь эта схема запущена и активно внедряется в систему функционала легковых автомобилей.

Появление газотурбинного двигателя на автомобиле

Принцип работы двигателя

Автомобильный двигатель такого типа представляет собой два агрегата: турбину с компрессией и газогенератор. Основное отличие газогенератора автомобильного двигателя от авиационного заключается в том, что газы после выхода из камеры сгорания попадают в турбину, которая собственно и запускает движение колес автомобиля. Основное преимущество – это наличие теплообменника, который снижает расход топлива и уменьшает шум от отработанных газов.

Использование подобной установки компенсирует отсутствие гидротраснформатора и поршневого двигателя. Потому необходимость использования сложных гидромеханических коробок передач отпадает, а также упрощается управление самим автомобилем.

Виды газотурбинных двигателей

Среди основных видов, используемых при производстве легковых автомобилей, называют два типа двигателей:

  • Двухвальный с теплообменником. Такой тип можно встретить чаще всего. Использование таких двигателей улучшает динамические свойства машины и сводит к минимуму количество ступеней в коробке передач.
    Автомобили с реактивными двигателями
    такого типа при разгоне практически не требуют переключения коробки передач. Среди недостатков можно назвать увеличение массы агрегата за счет использования дополнительных деталей (воздуховода и теплообменника).

Двухвальный газотурбинный двигатель

  • Двигатель со свободно-поршневым газовым генератором. Такой тип считается самым перспективным в плане конструкции легковых автомобилей нового типа. Схема конструкции двигателя представляет собой блок, который объединяет двухтактный дизель и поршневой компрессор.

Принцип работы свободно-поршневого газотурбинного двигателя

Особенности конструкции двигателя

Среди главных отличий между газотурбинным и поршневым типами двигателей называют отсутствие цикличности. В первом типе сжатие топливной смеси, выделение энергии происходит каждую секунду.

Главной движущей силой в работе газотурбинного двигателя являются лопатки. Они имеют такую форму, чтобы увеличить уровень КПД. Сжатие воздуха происходит изначально в лопастном компрессоре, после чего поступает в рабочую зону. И уже здесь впрыскивается топливо.
Внутренняя конструкция двигателя представляет собой сложный механизм, где можно заметить два ряда лопаток, один из которых является неподвижным и закреплен на корпусе. Вторые же соединены с валом, в результате чего и происходит их вращение. Подобный вид конструкции объясняется тем, что газу при поступлении требуется опора, которую и выполняют неподвижные лопатки.

Общая схема устройства газотурбинного двигателя

В газотурбинных двигателях автомобиля применяются два вида турбин: центростремительные и осевые. Тяговая выполняет роль осевой турбины, а компрессорная – центростремительной. Вал компрессора в движение приводит стартер.

Газотурбинный двигатель отличается высокой пусковой способностью. Он может принять основную нагрузку уже через пару минут после запуска. Двигатель максимально уравновешен, поэтому рама для поршневого двигателя по массе значительно превосходит раму для газотурбинного.

Достоинства и недостатки газотурбинных двигателей

Если сравнивать их с поршневыми моторами, в плане функционала газотурбинные двигатели их превосходят в разы. Устройство обладает высокой мощностью, потому может развивать большие обороты, однако в результате этого отличается габаритными размерами. Топливным материалом выступают либо керосин, либо дизельное топливо. Однако масса такого двигателя раз в 10 меньше, чем аналогичного по мощности двигателя внутреннего сгорания.

В системе газотурбинного двигателя не предусмотрено наличие трущихся деталей, потому система охлаждения в этом случае не требуется.
Есть некоторые недостатки, которыми отличается в некоторых случаях газотурбинный двигатель. Расход топлива иногда превышает норму, поскольку оно тратится на искусственное ограничение температуры газов. Металлы, которые устойчивы к подобным температурам, достаточно дорогие. Эта проблема вызывает повышенный интерес у ученых, которые в скором времени планируют разработать более экономически выгодные газотурбинные двигатели.

Среди прочих неудобств в использовании газотурбинных двигателей можно назвать высокий уровень шума. Этот двигатель генерирует огромное количество колебаний на низких частотах, что является более восприимчивым для слуха человека. Помимо этого, если традиционные моторы автомобилей можно починить, не имея под рукой сложного оборудования, то газотурбинный двигатель своими руками починить уже не получится.

Среди общих плюсов использования можно отметить, что двигатель заводится и набирает обороты при любой температуре, даже в лютый мороз. Также среди преимуществ следует отметить удобство установки на автомобиль. Здесь не нужно сцепление, потому что раскручивание вала происходит при неподвижной тяговой турбине. Это значительно облегчает последующую работу водителя.

Перспективы развития и улучшения двигателя

Сейчас у ученых основной проблемой является разработка способа понижения расхода топлива. Повышение эргономичности может достигаться в случае:

  1. Увеличения КПД центробежных процессоров;
  2. Повышения температуры и давления газов и использования тепла исходящих газов.

Идея использования теплообменника не является новой. Но ситуация модернизации двигателя в сторону уменьшения размеров, массы двигателя, обеспечения полной передачи тепла от газа к воздуху при минимальных потерях давления.

Что такое газотурбинный двигатель?

      Рубрики

    • Автомобили
    • Бизнес
    • Дом и семья
    • Домашний уют
    • Духовное развитие
    • Еда и напитки
    • Закон
    • Здоровье
    • Интернет
    • Искусство и развлечения
    • Карьера
    • Компьютеры
    • Красота
    • Маркетинг
    • Мода
    • Новости и общество
    • Образование
    • Отношения
    • Публикации и написание статей
    • Путешествия
    • Реклама
    • Самосовершенствование
    • Спорт и Фитнес
    • Технологии
    • Финансы
    • Хобби
    • О проекте
    • Реклама на сайте
    • Условия
    • Конфиденциальность
    • Вопросы и ответы

    FB

    Войти Простуда и спорт: в каких случаях можно давать физическую нагрузку Бактериальный фон в кишечнике влияет на иммунный ответ на ковид Принцип работы турбинного двигателя

    — Тяга

    Используя приведенную ниже формулу, вычислите силу, необходимую для ускорения массы в 50 фунтов на 100 футов / сек2.

    Это показывает, что если скорость массы в секунду увеличивается на 100, результирующая тяга составляет 155 фунтов.

    Поскольку турбореактивный двигатель разгоняет воздух, для определения реактивной тяги можно использовать следующую формулу:

    В качестве примера можно использовать формулу для изменения скорости массового воздушного потока в 100 фунтов в секунду с 600 футов / сек на 800 фут / сек формулу можно применить следующим образом:

    Как видно из формулы, если известны массовый расход воздуха в секунду и разница в скорости воздуха от впуска к выпуску, это легко чтобы вычислить силу, необходимую для изменения скорости.Следовательно, тяга двигателя должна быть равна силе, необходимой для ускорения воздушной массы, проходящей через двигатель. Затем, используя символ «Fn» для фунтов тяги, формула принимает следующий вид:

    Тяга газотурбинного двигателя может быть увеличена двумя способами: увеличивая массовый расход воздуха через двигатель или увеличивая скорость газа. Если скорость турбореактивного двигателя остается постоянной по отношению к летательному аппарату, тяга уменьшается, если скорость летательного аппарата увеличивается.Это потому, что значение V1 увеличивается. Однако это не представляет серьезной проблемы, поскольку по мере увеличения скорости воздушного судна в двигатель поступает больше воздуха и увеличивается скорость струи. Результирующая чистая тяга почти постоянна при увеличении скорости полета.

    Цикл Брайтона — это название, данное термодинамическому циклу газотурбинного двигателя для создания тяги. Это цикл событий с переменным объемом и постоянным давлением, который обычно называют циклом постоянного давления. Более поздний термин — «цикл непрерывного сгорания».Четыре непрерывных и постоянных события — это впуск, сжатие, расширение (включая мощность) и выпуск. Эти циклы обсуждаются применительно к газотурбинному двигателю. Во время впускного цикла воздух поступает при атмосферном давлении и постоянном объеме. Выходит из приема при повышенном давлении и уменьшении объема. В компрессорной секции воздух поступает из всасывающего отверстия при повышенном давлении, немного превышающем давление окружающей среды, и при небольшом уменьшении объема. Воздух поступает в компрессор, где сжимается.Он покидает компрессор с большим увеличением давления и уменьшением объема, создаваемым механическим действием компрессора. Следующий шаг, расширение, происходит в камере сгорания за счет сжигания топлива, которое расширяет воздух, нагревая его. Давление остается относительно постоянным, но имеет место заметное увеличение объема. Расширяющиеся газы движутся назад через узел турбины и преобразовываются турбиной из энергии скорости в механическую. Выпускная секция, которая представляет собой сужающийся канал, преобразует расширяющийся объем и понижающееся давление газов в конечную высокую скорость.Сила, создаваемая внутри двигателя для поддержания непрерывности этого цикла, имеет равную и противоположную реакцию (тягу) для движения самолета вперед.

    Принцип Бернулли (всякий раз, когда скорость потока какой-либо жидкости увеличивается в данной точке, давление потока в этой точке меньше, чем у остальной части потока), применяется к газотурбинным двигателям благодаря конструкции сходящихся и расходящихся воздуховоды. Сходящийся канал увеличивает скорость и снижает давление. Расширяющийся канал снижает скорость и увеличивает давление.Для выхлопного сопла обычно используется принцип конвергенции. Дивергентный принцип используется в компрессоре и диффузоре, где воздух замедляется и сжимается.

    Бортовой механик рекомендует

    Газотурбинный двигатель | Британника

    Газотурбинный двигатель , любой двигатель внутреннего сгорания, использующий газ в качестве рабочего тела, используемого для вращения турбины. Этот термин также обычно используется для описания полного двигателя внутреннего сгорания, состоящего, по меньшей мере, из компрессора, камеры сгорания и турбины.

    Общие характеристики

    Полезную работу или тягу можно получить от газотурбинного двигателя. Он может приводить в действие генератор, насос или воздушный винт или, в случае чисто реактивного авиационного двигателя, развивать тягу за счет ускорения выхлопного потока турбины через сопло. Такой двигатель, который при той же мощности намного меньше и легче поршневого двигателя внутреннего сгорания, может производить большую мощность. Возвратно-поступательные двигатели зависят от движения поршня вверх и вниз, которое затем должно быть преобразовано во вращательное движение с помощью механизма коленчатого вала, тогда как газовая турбина обеспечивает мощность вращения вала напрямую.Хотя концептуально газотурбинный двигатель представляет собой простое устройство, компоненты эффективного агрегата должны быть тщательно спроектированы и изготовлены из дорогостоящих материалов из-за высоких температур и напряжений, возникающих во время работы. Таким образом, установки газотурбинных двигателей обычно ограничиваются крупными установками, где они становятся рентабельными.

    Циклы газотурбинного двигателя

    Большинство газовых турбин работают в открытом цикле, в котором воздух забирается из атмосферы, сжимается в центробежном или осевом компрессоре, а затем подается в камеру сгорания.Здесь топливо добавляется и сжигается при практически постоянном давлении вместе с частью воздуха. Дополнительный сжатый воздух, который пропускается вокруг секции горения и затем смешивается с очень горячими газами сгорания, необходим для поддержания температуры на выходе из камеры сгорания (фактически, на входе турбины) на достаточно низком уровне, чтобы турбина могла работать непрерывно. Если агрегат должен производить мощность на валу, продукты сгорания (в основном воздух) расширяются в турбине до атмосферного давления. Большая часть мощности турбины требуется для работы компрессора; только остальная часть доступна для обеспечения работы вала генератора, насоса или другого устройства.В реактивном двигателе турбина рассчитана на обеспечение мощности, достаточной для привода компрессора и вспомогательных устройств. Затем поток газа выходит из турбины с промежуточным давлением (выше местного атмосферного давления) и проходит через сопло для создания тяги.

    Газотурбинный двигатель открытого цикла постоянного давления.

    Encyclopdia Britannica, Inc.

    В первую очередь рассматривается идеализированный газотурбинный двигатель, работающий без потерь по этому простому циклу Брайтона. Если, например, воздух поступает в компрессор при 15 ° C и атмосферном давлении и сжимается до одного мегапаскаль, он затем поглощает тепло из топлива при постоянном давлении до тех пор, пока температура не достигнет 1100 ° C, прежде чем расширится через турбину обратно до атмосферного. давление.Этот идеализированный блок потребует выходной мощности турбины 1,68 киловатт на каждый киловатт полезной мощности с 0,68 киловатт, потребляемым для привода компрессора. Тепловой КПД установки (чистая произведенная работа, разделенная на энергию, добавленную через топливо) составит 48 процентов.

    Оформите подписку Britannica Premium и получите доступ к эксклюзивному контенту. Подпишитесь сейчас

    Фактическая производительность простого открытого цикла

    Если для блока, работающего между одинаковыми пределами давления и температуры, компрессор и турбина имеют КПД только 80 процентов ( i.Например, : работа идеального компрессора в 0,8 раза превышает фактическую работу, а фактическая мощность турбины в 0,8 раза больше идеальной мощности), ситуация резко меняется, даже если все остальные компоненты остаются идеальными. На каждый киловатт производимой полезной мощности турбина теперь должна производить 2,71 киловатт, а работа компрессора становится 1,71 киловатт. Тепловой КПД падает до 25,9 процента. Это демонстрирует важность высокоэффективных компрессоров и турбин. Исторически сложность разработки эффективных компрессоров, даже больше, чем эффективных турбин, задерживала разработку газотурбинного двигателя.Современные агрегаты могут иметь КПД компрессора 86–88 процентов и КПД турбины 88–90 процентов при проектных условиях.

    КПД и выходную мощность можно увеличить за счет повышения температуры на входе в турбину. Однако все материалы теряют прочность при очень высоких температурах, а поскольку лопатки турбины движутся с высокой скоростью и подвергаются серьезным центробежным нагрузкам, температура на входе в турбину выше 1100 ° C требует специального охлаждения лопаток. Можно показать, что для каждой максимальной температуры на входе в турбину существует также оптимальное соотношение давлений.Современные авиационные газовые турбины с охлаждением лопаток работают при температурах на входе в турбину выше 1370 ° C и соотношении давлений около 30: 1.

    Промежуточное охлаждение, повторный нагрев и регенерация

    В авиационных газотурбинных двигателях следует обращать внимание на вес и диаметр. Это не позволяет добавлять дополнительное оборудование для повышения производительности. Соответственно, двигатели коммерческих самолетов работают по простому циклу Брайтона, идеализированному выше. Эти ограничения не применяются к стационарным газовым турбинам, в которые могут быть добавлены компоненты для повышения эффективности.Усовершенствования могут включать (1) уменьшение работы сжатия за счет промежуточного охлаждения, (2) увеличение мощности турбины за счет повторного нагрева после частичного расширения или (3) уменьшение расхода топлива за счет регенерации.

    Первое усовершенствование будет заключаться в сжатии воздуха почти постоянной температуры. Хотя это не может быть достигнуто на практике, это можно приблизить с помощью промежуточного охлаждения (, то есть путем сжатия воздуха в два или более этапов и его водяного охлаждения между этапами до его начальной температуры).Охлаждение уменьшает объем обрабатываемого воздуха и, как следствие, необходимую работу по сжатию.

    Второе усовершенствование включает повторный нагрев воздуха после частичного расширения через турбину высокого давления во втором наборе камер сгорания перед подачей его в турбину низкого давления для окончательного расширения. Этот процесс похож на повторный нагрев, используемый в паровой турбине.

    Оба подхода требуют значительного дополнительного оборудования и используются реже, чем третье улучшение.Здесь горячие выхлопные газы из турбины проходят через теплообменник или регенератор, чтобы повысить температуру воздуха, выходящего из компрессора перед сгоранием. Это уменьшает количество топлива, необходимое для достижения желаемой температуры на входе в турбину. Однако повышение эффективности связано со значительным увеличением начальной стоимости и будет экономичным только для агрегатов, которые работают почти непрерывно.

    Газовая турбина

    для производства электроэнергии — Введение

    • Главная
    • морской
    • Энергия
      • На пути к 100% возобновляемой энергии
      • Исследуйте решения
      • Эксплуатировать и поддерживать
      • Решения по отраслям
      • Учить больше
        • Технические сравнения
        • Рекомендации
          • Независимые производители электроэнергии
          • Горное дело и цемент
          • Нефтяной газ
            • Терминал СПГ Торнио Манга, Торнио, Финляндия
          • Прочие промышленные
          • Утилиты
            • Alteo Group, Венгрия
            • Станция Антилопы, Техас, США
            • Арун, Суматра, Индонезия
            • Centrica, Великобритания
            • DREWAG, Германия
            • Станция генерации Эклутна Палмер, Аляска, США
            • Калум 5, Гвинейская Республика
            • Kiisa ERPP I и II
            • Кипеву II-III, Кения
            • Kraftwerke Mainz-Wiesbaden AG
            • Макухари, Япония
            • Marquette Energy Center, США
            • Станция Пирсолл, Техас, США
            • Песанггаран, Бали
            • Port Westward Unit 2, Портленд, Орегон, США
            • Восточный Тимор, Индонезия
            • Станция Woodland 3 Generation, Модесто, Калифорния, США
            • Пуант-Монье, Маврикий
            • Pivot Power, Великобритания
            • Бенндейл, Миссисипи, США
            • AGL Energy Limited, Австралия Электростанция Баркер Инлет, Австралия
            • Грасиоза, Азорские острова, Португалия
            • Бремен, Германия
        • Селектор силовой установки
        • Загрузки
        • Вебинары
    • Служба поддержки
    • Около
    • Карьера
    • Инвесторам
    • СМИ
    • Устойчивость
      • Наш подход
      • Инновации для устойчивости

    3 Авиационные газотурбинные двигатели | Исследование силовых установок и энергетических систем коммерческих самолетов: сокращение глобальных выбросов углерода

    будущее.Кроме того, общий перепад давлений 2 газовых турбин со временем увеличивался для повышения термодинамической эффективности. В то же время, однако, размеры компрессора высокого давления, камеры сгорания и турбины уменьшились, что усугубляет проблемы меньшего размера.

    По мере повышения эффективности самолетов и двигателей для полета требуется меньше мощности, поэтому объем двигателя и мощность, требуемые при неизменных характеристиках самолета, в будущем уменьшатся.

    Возможность улучшения

    С тех пор, как в конце 1940-х годов были построены первые авиационные газовые турбины, общий КПД — от расхода топлива до движущей силы — повысился примерно с 10 процентов до текущего значения, приближаясь к 40 процентам (см. Рисунок 3.2). Вероятно, что скорость улучшения этих двигателей может продолжаться примерно на 7 процентов в десятилетие в течение следующих нескольких десятилетий при условии достаточных инвестиций в технологии. Потенциал общего улучшения лучше всего рассматривать с точки зрения составляющих эффективности: термодинамической эффективности двигателя и тягового коэффициента полезного действия движителя.

    Как отмечалось выше, неясно, насколько близко к теоретическим пределам может быть возможно создание газовой турбины для коммерческого самолета, учитывая важные ограничения авиации в отношении безопасности, веса, надежности и стоимости.Некоторые авторы рассмотрели вопрос о практических ограничениях для газовых турбин простого цикла с учетом потенциала новых материалов, архитектур двигателей и технологий компонентов. Их оценки индивидуальных пределов термодинамического и пропульсивного КПД несколько различаются (и могут по-разному разделить потери между термодинамическим и пропульсивным КПД), но они согласны с тем, что повышение общего КПД на 30-35 процентов по сравнению с лучшими двигателями сегодня может быть достигнуто.Как показано на рисунке 3.7, термодинамический КПД двигателя может составлять 65-70 процентов, а тяговый КПД — 90-95 процентов.

    Газотурбинные двигатели

    нуждаются в значительном улучшении, при этом общий КПД повышается на 30 или более процентов по сравнению с лучшими двигателями, которые используются сегодня. Улучшения будут происходить за счет множества относительно небольших приращений, а не за счет одной прорывной технологии.

    Некоторые исследования показывают, что улучшение характеристик турбомашин и снижение потерь на охлаждение может улучшить термодинамический КПД на 19 и 6 процентов соответственно. 3 Такой значительный выигрыш не достигается простым внедрением новой технологии в существующие двигатели. Скорее, он требует оптимизации цикла с учетом конкретных уровней рабочих характеристик компонентов, температурных возможностей и охлаждения. Практические циклы с промежуточным охлаждением или рекуперацией могут повысить эффективность еще на 4. 4 Усовершенствованные вентиляторы и гребные винты также могут повысить эффективность тяги на 10 процентов. 5 Конечно, практические пределы эффективности тяги не могут быть рассмотрены только на уровне двигателя без ссылки на конфигурацию самолета и интеграцию силовой установки, как обсуждалось в главе 2.

    Подводя итог, можно сказать, что авиационные газотурбинные двигатели имеют значительные возможности для улучшения, с потенциалом повышения общего КПД на 30 или более процентов по сравнению с лучшими двигателями, находящимися в эксплуатации на сегодняшний день, с потенциалом улучшения пропульсивного КПД примерно в два раза выше термодинамического КПД. Этот уровень производительности потребует множества технологических усовершенствований и будет происходить в виде ряда относительно небольших приращений, несколько процентов или меньше, а не за счет одной революционной технологии.В следующем разделе обсуждаются многие из этих технологий.

    ___________________

    2 Общий коэффициент давления — это отношение давления на выходе компрессора к давлению на входе компрессора.

    3 D.K. Холл, 2011 г., «Пределы производительности осевых ступеней турбомашин», М.С. диссертация, Массачусетский технологический институт, Кембридж, Массачусетс

    4 Дж. Уурр, 2013, «Будущие архитектуры и технологии гражданских авиадвигателей», представленный на 10-й Европейской конференции по турбомашинному оборудованию, http: // www.etc10.eu/mat/Whurr.pdf.

    5 Д. Карлсон, 2009, «Возрождение двигателей: новые циклы, новые архитектуры и возможности для развития рабочей силы», представленный на 19-й конференции ISABE Международного общества дыхательных двигателей, Монреаль, Канада.

    Frontiers | Мониторинг вибрации газотурбинных двигателей: подходы к машинному обучению и их проблемы

    Введение

    Измерения вибрации обычно считаются надежным индикатором общего состояния машины (глобальный мониторинг).Общий принцип, лежащий в основе использования данных о вибрации, заключается в том, что, когда начинают развиваться неисправности, динамика системы изменяется, что приводит к моделям вибрации, отличным от тех, которые наблюдаются в исправном состоянии контролируемой системы. В последние годы производители газотурбинных двигателей обратили свое внимание на повышение надежности и доступности своего парка, используя основанные на данных подходы к мониторингу состояния на основе вибрации (King et al., 2009). Эти методы, как правило, предпочтительнее для стратегий онлайн-мониторинга по сравнению с подходом к моделированию, основанным на физике, при котором разрабатывается общая теоретическая модель и при ее разработке используются несколько предположений.В случае подходов к мониторингу состояния на основе данных модель, основанная на данных двигателя, может быть построена таким образом, чтобы можно было зафиксировать неотъемлемые линейные и нелинейные зависимости, в зависимости от метода, которые характерны для контролируемой системы. По этой причине производители двигателей видят необходимость внедрения таких подходов во время промежуточных испытаний, когда необходимо выявить возможные дефекты на ранней стадии, до того, как произойдет полный отказ компонентов.

    Из-за сложных процессов, происходящих в газотурбинном двигателе, и поскольку режимы отказа таких систем редко наблюдаются на практике, парадигма обнаружения новизны обычно применяется для разработки модели, управляемой данными (Тарасенко и др., 2009), поскольку в этом случае для обучения нужны только данные, поступающие из работоспособного состояния системы. С другой стороны, традиционные подходы мультиклассовой классификации не так просто реализовать, поскольку невозможно получить данные и / или понимание (метки) для всех классов отказов. Основная концепция метода обнаружения новизны описана Pimentel et al. (2014): данные обучения из одного класса используются для построения управляемой данными модели, описывающей распределение, к которому они принадлежат.Данные, не относящиеся к этому классу, являются новыми / выбросами. В контексте газотурбинного двигателя разрабатывается модель «нормального» состояния двигателя (класс 𝒩), поскольку данные доступны только из этого класса. Затем эта модель используется для определения того, классифицируются ли новые невидимые точки данных как нормальные или «новые» (класс 𝒜), путем сравнения их с распределением, полученным из данных класса 𝒩. Такая модель должна быть достаточно чувствительной, чтобы на самой ранней стадии идентифицировать потенциальные предвестники локальных неисправностей компонентов, которые могут привести к полному отказу двигателя.Затраты на стратегию непрерывного обслуживания (т.е. вывод оборудования из эксплуатации после отказа для замены) исключительно высоки, но, что наиболее важно, требования безопасности имеют решающее значение, и, следовательно, в таких системах требуются надежные механизмы сигнализации.

    Подходы к обнаружению новинок используют машинное обучение и статистику. В этом исследовании мы будем использовать непараметрический подход, специфичный для отслеживаемого двигателя и основанный исключительно на данных для разработки модели. Область обнаружения новинок составляет значительную часть дисциплины машинного обучения, поэтому здесь будет упомянуто лишь несколько примеров литературы, посвященной применению мониторинга состояния двигателя с использованием машинного обучения.Некоторые из самых ранних работ в этой области стали возможны благодаря сотрудничеству между Оксфордским университетом и Rolls Royce (Hayton et al., 2000). Авторы в этой работе были использованы данные вибраций для подготовки опорных векторов машины один класса (OCSVM). Так называемые отслеживаемые приказы (определяемые как амплитуды вибрации, центрированные на основе частоты вращения вала двигателя и ее гармоник) использовались в качестве обучающих функций для OCSVM. OCSVM также был реализован для обнаружения надвигающейся нестабильности горения в промышленных системах сгорания с использованием измерений давления сгорания и высокоскоростных изображений сгорания в качестве входных обучающих данных (Clifton et al., 2007). Этот метод также был расширен в Clifton et al. (2014) для калибровки оценок новизны OCSVM в условных вероятностях.

    Выбор функции ядра, используемой в OCSVM, существенно влияет на точность классификации. Поскольку ядро ​​определяет сходство между двумя точками, его выбор в основном зависит от данных. Однако ширина ядра является более важным фактором, чем выбор конкретной функции ядра, поскольку ее можно выбрать таким образом, чтобы обеспечить наилучшее описание данных (Scholkopf and Smola, 2001).Хотя методы ядра считаются хорошим способом внедрения специфичных для предметной области знаний в такой алгоритм, как OCSVM, выбор функции ядра и настройка ее параметров не так проста. В этом исследовании авторы следуют относительно простому подходу для определения как параметра функции ядра, так и параметра штрафа за оптимизацию для OCSVM. Параметр функции ядра, который был изменен, представляет собой ширину ядра радиальной базисной функции (RBF) γ вместе с параметром штрафа за оптимизацию ν.В общем, γ управляет сложностью описания обучающих примеров, а ν определяет верхнюю границу доли точек обучающих данных, которые находятся за пределами границы, определенной для данных класса 𝒩. Используя эти два параметра, можно найти компромисс между хорошей возможностью обобщения модели и хорошим описанием данных (обучающий набор данных) для получения точных и надежных прогнозов.

    Схема обнаружения новизны, которая представлена ​​в следующих разделах, была разработана для газотурбинного двигателя, который работает на ряде альтернативных видов топлива с различными соотношениями воздух-топливо.Этот двигатель используется для изучения влияния таких рабочих параметров на его рабочие характеристики (например, выбросы выхлопных газов), и, таким образом, важно обеспечить раннее обнаружение надвигающихся неисправностей, которые могут иметь место во время этих испытаний. Поскольку мы применяем обнаружение новинок в глобальной системе, для мониторинга должен использоваться весь частотный спектр вибрации, а не конкретные полосы частот, соответствующие компонентам двигателя. Как будет показано ниже, в любой области спектра можно ожидать больших амплитуд колебаний.

    Экспериментальная установка и описание данных

    Экспериментальные данные, используемые в этой работе, были взяты из более крупного проекта, целью которого было охарактеризовать различные альтернативные виды топлива с точки зрения характеристик двигателя, например, расхода топлива и выбросов выхлопных газов. Альтернативные виды топлива, состоящие из обычного керосинового топлива Jet-A1 и биотоплива, показали многообещающие результаты с точки зрения сокращения выбросов парниковых газов и других показателей эффективности. В нескольких исследовательских программах изучались альтернативные виды топлива для авиации достаточно широко, как описано в Blakey et al.(2011). На установке, которая использовалась для тестирования различных альтернативных видов топлива при различных соотношениях воздух-топливо в двигателе, находится Honeywell GTCP85-129, вспомогательная силовая установка типа турбовального газотурбинного двигателя. Таким образом, принцип работы этого двигателя следует типичному циклу Брайтона. Как показано на схематической диаграмме двигателя на рисунке 1, двигатель всасывает окружающий воздух из впускного отверстия (1 атм) через центробежный компрессор C1, где он повышает свое давление, ускоряя жидкость и пропуская ее через расширяющуюся секцию.Давление текучей среды дополнительно повышается во втором центробежном компрессоре C2 перед смешиванием с топливом в камере сгорания (CC) и воспламенением для добавления энергии в систему (в виде тепла) при постоянном давлении. Газы с высокой температурой и давлением распространяются через турбину, которая приводит в действие два компрессора, генератор G мощностью 32 кВт, который обеспечивает электрическую мощность самолета, и вспомогательное оборудование двигателя (EA), например топливные насосы, через редуктор понижающей скорости.

    Рисунок 1 .Принципиальная схема газотурбинного двигателя экспериментальной установки, изображающая основные особенности.

    Выпускной клапан (BV) двигателя позволяет отводить высокотемпературный сжатый воздух (~ 232 ° C при 338 кПа абсолютного давления) в кабину самолета и обеспечивать пневматическую мощность для запуска основных двигателей. Это позволяет испытывать двигатель в различных режимах работы, поскольку массовый расход воздуха и топлива, который поступает в CC, может изменяться в зависимости от положения BV. Когда BV открывается, частота вращения турбины снижается, если не будет добавлено топливо для компенсации потерянной работы.Потери энергии возникают из-за уменьшения работы, выполняемой w c 2 рабочей жидкости двигателя, когда она проходит через вторую ступень сжатия. Количество потерянной работы пропорционально массе отводимого воздуха м отвод и может быть выражено как w c 2 = м отвод c p dT , с c p , представляющая теплоемкость рабочей жидкости, и dT — разность температур на второй ступени сжатия.Поскольку частота вращения вала должна оставаться постоянной на уровне 4356 ± 10,5 рад / с, контроллер расхода топлива достигает этого, регулируя давление в топливной магистрали, нагнетая поток топлива различной массы в CC.

    Увеличение массового расхода топлива, поступающего в CC для поддержания постоянной скорости вращения вала без последующего увеличения массового расхода воздуха, приводит к повышению температуры выхлопных газов, как показано в таблице 1. Это можно объяснить тем, что при Это недостаток кислорода, необходимый для полного сгорания поступающего распыленного топлива, больше капель топлива уносится дальше по потоку от CC, пока они в конечном итоге не сгорят.Это постепенное горение топлива вдоль участка сгорания заставляет связанное с ним пламя распространяться дальше в сторону зоны разбавления. Следовательно, происходит неадекватное охлаждение газового потока, что вызывает более высокий выход из камеры сгорания и, в свою очередь, температуру выхлопных газов. Это также означает, что существует верхний и нижний предел температуры выхлопных газов, который контролируется и регулируется электронным регулятором температуры.

    Таблица 1 . Усредненные параметры работы двигателя для трех режимов работы на топливе Джет-А1.

    Рассмотрены три режима работы при изменении BV на три позиции. Эти режимы типичны для вспомогательного энергоблока и соответствуют конкретной нагрузке турбины и соотношению воздух-топливо. Таким образом, нагрузка турбины зависит исключительно от отводящей нагрузки, в то время как нагрузка на вал (объем работы, необходимый для привода генератора и ЭП) остается постоянной во всех трех рабочих режимах. При использовании обычного керосинового реактивного топлива Джет-А1 средние значения основных параметров двигателя изменяются на трех режимах работы, как показано в таблице 1.Что касается режима 1, двигатель BV полностью закрыт; нет дополнительной нагрузки на турбину, в то время как режим 2 является настройкой средней мощности и используется, когда главные двигатели выключены и существует требование для работы гидравлических систем самолета. В режиме 3 двигатель BV полностью открыт, что соответствует максимальному уровню нагрузки на турбину и температуре выхлопных газов. Этот режим работы выбирается, когда для запуска главных двигателей самолета требуется пневматическая энергия, за счет подачи воздуха под высоким давлением, достаточного для вращения лопаток турбины, пока не будет достигнута автономная работа на мощности.

    Пьезоэлектрический акселерометр с чувствительностью 10 мВ / г был помещен на опорной конструкции двигателя, отбор проб на 2 кГц ( ф сек = 2 кГц). Длительность каждого теста 110 с. Рассматриваемые виды топлива представляют собой смеси Jet-A1 и топлива для биотоплива [гидрообработанные сложные эфиры и жирные кислоты (HEFA)]. Удельная плотность энергии HEFA составляет 44 МДж / кг, и, таким образом, он может выделять такое же количество энергии для данного количества топлива, что и Jet-A1. Массовые доли биотоплива, смешанного с Jet-A1 в этом исследовании, следующие: 0, 2, 10, 15, 25, 30, 50, 75, 85, 95 и 100%.Для сравнения также рассматривались дополнительные смеси топлив: 50% сжиженный природный газ (СПГ) + 50% Jet-A1, 100% СПГ и 11% толуол + 89% растворитель Banner.

    На рисунках 2 и 3 показаны примеры нормированных ускорений во временной и частотной областях соответственно. Нормализация была выполнена путем деления каждой амплитуды ускорения во временной и частотной областях на соответствующее максимальное значение, то есть нормализованную единицу, так что все амплитуды, соответствующие различным наборам данных, варьируются в одном диапазоне [0, 1].Во временной области показано, что существуют определенные условия двигателя, например, 85% Jet-A1 + 15% HEFA, в которых вибрационные характеристики двигателя, работающего в установившемся режиме, демонстрируют сильные нестационарные тенденции. В то время как для таких условий, как 50% Jet-A1 + 50% HEFA, вибрационные характеристики содержат периодические характеристики, что более четко видно на графиках в частотной области. Обратите внимание, что фактическое зарегистрированное время ускорения для каждого состояния двигателя составляло 110 с, но для ясности на графиках показаны только 2 с.На Рисунке 3 показано, что при условии 85% Jet-A1 + 15% HEFA двигатель испытывает самый высокий общий уровень амплитуды во всем спектре в режимах 1 и 3. В то время как в режиме 2 двигатель работает при условии 50% Jet-A1 + 50% HEFA демонстрирует самые высокие уровни вибрации во всем частотном спектре. Вышеизложенное демонстрирует, что изменение соотношения воздух-топливо изменяет статистические характеристики наборов данных и, следовательно, частотную характеристику двигателя для различных топливных смесей.Для режимов 1 и 3 при условии 50% Jet-A1 + 50% HEFA присутствует сильная частотная составляющая на частоте 100 Гц. Сильная периодичность также присутствует для 100% СПГ с той же частотой. Следовательно, глядя на данные, мы можем выделить две основные группы, то есть те, которые содержат некоторые сильные периодические шаблоны, и те, которые не разделяют эту характеристику и в этом случае могут быть нестационарными, если соответствующая оценка их статистики во временной области подтверждает тот.

    Рисунок 2 .Нормализованные временные графики вибрации двигателя для четырех различных топливных смесей при самом высоком протестированном соотношении воздух-топливо.

    Рисунок 3 . Графики нормализованной спектральной плотности мощности вибрации двигателя на пяти различных топливных смесях от самого низкого (режим 1) до самого высокого (режим 3) отношения воздух-топливо.

    Трудно дать теоретическое объяснение физического контекста полученных вибрационных откликов без действительной основанной на физике модели, которая может предсказать вибрационный отклик двигателя как результат системы, в которой, помимо контекста динамики, сложная термохимическая, и имеют место другие физические процессы.В то же время природа проблемы моделирования / мониторинга, если подходить к ней с точки зрения физики, предполагает, что проверка модели будет серьезной проблемой. Выбор стратегии, основанной на данных, решает эту проблему, поскольку исследуемая система (работающий двигатель) рассматривается как черный ящик.

    Методы анализа данных

    Как упоминалось в разделе «ВВЕДЕНИЕ», в данном исследовании используется структура машинного обучения для мониторинга состояния двигателей с использованием данных о вибрации.Это означает, что для разработки методологии, которая может быть использована для обнаружения новых моделей двигателя на основе данных о вибрации, следует предпринять три последовательных шага после стадии сбора данных. К ним относятся предварительная обработка данных, извлечение признаков и разработка модели обучения нормальному поведению двигателя (Тарассенко и др., 2009).

    Предварительная обработка исходных данных о вибрации

    Чтобы улучшить способность схемы обнаружения новизны определять, принадлежит ли точка данных к классу 𝒩 или 𝒜, при удалении абсолютных значений, перед извлечением признаков был применен метод предварительной обработки.Как было показано в Clifton et al. (2006), этот шаг имеет большое значение для системы обнаружения новинок, поскольку он позволяет лучше различать два разных класса. Масштабирование и нормализация также важны для большинства систем мониторинга состояния для устранения любых нежелательных экологических или эксплуатационных эффектов в анализируемых данных (He et al., 2009). В качестве метода предварительной обработки он рассматривается для повышения производительности одноклассных классификаторов (Juszczak et al., 2002): это очень хорошая практика при работе с алгоритмами машинного обучения для масштабирования анализируемых данных, поскольку большие диапазоны абсолютных значений функций будут иметь тенденцию преобладать над теми, которые имеют меньшие диапазоны значений (Hsu et al., 2016). В этом исследовании цель состоит в том, чтобы увеличить разницу в амплитуде вибрации для классов 𝒩 и 𝒜, и поэтому данные выбираются для масштабирования в различных испытанных условиях (а не во времени).

    Сначала была построена матрица размеров D X = { x 1 ,…, x N } класса 𝒩.Индекс i = 1,…, N используется для обозначения различных условий, которые были включены в эту матрицу, то есть различных топливных смесей в трех режимах работы. Отдельная матрица Z = { z 1 ,…, z L }, содержащая данные из обоих классов (25% условий двигателя относятся к классу 𝒜), была также построен. Эта предварительная маркировка двух классов была выполнена путем сборки матрицы со всеми необработанными данными (до предварительной обработки) и уменьшения ее размеров до 2 с использованием анализа главных компонентов (PCA) для ее визуализации.Наблюдаемым точкам данных в двумерном пространстве PCA, которые были далеко от остальных данных, была присвоена метка класса class, а всем остальным — метка класса class. Например, условию 85% Jet-A1 + 15% HEFA в Режиме 1 было присвоено прежнее название.

    Масштабированный вариант матрицы X получился следующим образом:

    χi = xi − x¯ ∕ σx, (1)

    , где вектор среднего определяется как x¯ = 1N∑Ni = 1 xi, а вектор дисперсии как σx = 1N∑Ni = 1 (xi − x¯) 2.Теперь масштабированная версия матрицы Z с индексом, обозначающим различные условия в матрице j = 1,…, L , содержащая данные из обоих классов, была получена следующим образом:

    ζj = zj − x¯ ∕ σx. (2)

    Функция извлечения предварительно обработанных необработанных данных о вибрации

    Процесс извлечения признаков следует за этапом предварительной обработки данных. Для этого выбирается преобразование вейвлет-пакета (WPT). Все коэффициенты преобразований шкалы времени используются в качестве входных данных для алгоритма, который подходит для линейного или нелинейного уменьшения размерности, анализа основных компонентов ядра (KPCA).Эта процедура преобразования данных с использованием вейвлет-баз и проецирования на набор осей меньшей размерности выгодна в случаях, когда нет сведений о характеристических частотах контролируемой механической системы.

    Вейвлет-коэффициенты

    Цель этого этапа — получить набор отличительных признаков из предварительно обработанных необработанных данных о вибрации, чтобы затем обучающая модель могла легко разделить два класса условий двигателя.Ранее на Рисунке 3 было показано, что существует определенная степень несходства между условиями двигателя в отношении их амплитуд в частотном спектре. Следовательно, чтобы получить информацию как во временной, так и в частотной области из данных, необходимо использовать частотно-временные методы. Вейвлет-преобразование позволяет включать информацию о времени для частотных компонентов. Следовательно, нестационарные события можно анализировать с помощью вейвлет-преобразования. Ожидается, что данные могут быть описаны более эффективно, чем с помощью методов на основе Фурье, где любые нестационарные области стохастического сигнала не локализованы во времени.Выбор частотно-временного подхода, такого как вейвлет-преобразование, может быть лучшим вариантом для типа данных, обрабатываемых в этом исследовании. Простейший метод частотно-временного анализа, кратковременное преобразование Фурье, не будет оптимальным вариантом, поскольку размер окна фиксирован. Следовательно, существуют ограничения разрешения, определяемые принципом неопределенности, которые могут затруднять анализ потенциально нестационарных частей сигнала.

    Вейвлет-преобразование решает проблему фиксированного размера окна за счет использования коротких окон для анализа высокочастотных компонентов (хорошая временная локализация) и больших окон для низкочастотных компонентов (хорошая частотная локализация).Пример вейвлет-преобразований, применяемых для приложений мониторинга состояния, был представлен в Fan and Zuo (2006). Существует несколько других частотных методов для приложений мониторинга, например, разложение по эмпирическим модам, как представлено в работе Antoniadou et al. (2015), которые могут предложить аналогичные преимущества вейвлет-преобразованию. Однако в данной работе выбран последний метод, потому что он очень прост в реализации и является проверенной концепцией, которая математически хорошо обоснована. Изначально вейвлет-преобразование было разработано для построения карты параметров расширения и трансляции.Расширение представляет масштаб с ≈ 1 / частота, а перенос τ относится к операции сдвига во времени. Рассмотрим состояние двигателя n χ n ( t ), где t = {0,…, 110} s. Соответствующие вейвлет-коэффициенты можно рассчитать следующим образом:

    c (s, τ) = ∫χn (t) ψs, τ (t) dt. (3)

    Функция ψ s , τ представляет семейство высокочастотных функций кратковременной продолжительности и низкой частоты большой длительности функции прототипа функции ψ.Математически это определяется следующим образом:

    ψs, τ (t) = 1 | s | ψt − τs, s> 0, (4)

    , когда с <1, функция-прототип имеет меньшую продолжительность во времени, а когда с > 1, функция-прототип становится больше во времени, что соответствует высокочастотным и низкочастотным характеристикам, соответственно.

    В Маллат (1999) дискретная версия уравнения. 3, а именно дискретное вейвлет-преобразование (DWT), было разработано как эффективная альтернатива непрерывному вейвлет-преобразованию.В частности, было доказано, что при использовании шкалы j и трансляции k , которые принимают только значения степеней двойки вместо промежуточных, все же может быть получено удовлетворительное частотно-временное разрешение. Это называется диадической сеткой вейвлет-коэффициентов, и функция, представленная в формуле. 4, становится набором ортогональных вейвлет-функций:

    ψj, k (t) = 2j ∕ 2ψ2jt − k, (5)

    , так что избыточность устраняется с использованием этого набора ортогональных вейвлет-баз, как более подробно описано в Farrar and Worden (2012).

    На практике коэффициенты DWT получаются путем свертки χ n ( t ) с набором полуполосных (содержащих половину частотного содержания сигнала) фильтров нижних и верхних частот (Маллат, 1989). Это дает соответствующие поддиапазоны низких и высоких частот сигнала. Затем подполоса нижних частот подвергается дальнейшему разложению по той же схеме после прореживания на 2 (половина выборок может быть исключена по критерию Найквиста), в то время как подполоса верхних частот не анализируется далее.Сигнал после первого уровня разложения будет иметь вдвое большее разрешение по частоте, чем исходный сигнал, поскольку он имеет половину числа точек. Эта итерационная процедура известна как двухканальное кодирование поддиапазонов (Маллат, 1999) и обеспечивает эффективный способ вычисления вейвлет-коэффициентов с использованием сопряженных квадратурных зеркальных фильтров. Из-за плохого частотного разрешения DWT на высоких частотах для преобразования функций был выбран WPT. Разница между DWT и WPT заключается в том, что последний дополнительно разлагает более высокочастотный поддиапазон.Принципиальная схема WPT до 2 уровней декомпозиции показана на рисунке 4. Сначала сигнал χ n ( t ) свертывается с полуполосным фильтром нижних частот h ( k ) и фильтр верхних частот g ( k ). Это дает вектор вейвлет-коэффициентов c 1,1 , который фиксирует низкочастотное содержимое [0, f s /4] Гц и вектор вейвлет-коэффициентов c 2 , 1 , который захватывает высокочастотный контент ( f s /4, f s /2) Гц.После j уровней декомпозиции коэффициенты на выходе каждого фильтра собираются в матрицу c n , что соответствует состоянию n -го двигателя χ n . Обратите внимание, что каждый коэффициент имеет половину количества выборок, как χ n ( t ) на первом уровне разложения. В этом исследовании четыре уровня декомпозиции рассматривались как промежуточное значение.Вышеупомянутый процесс был повторен для остальных условий двигателя N -1, чтобы получить матрицу коэффициентов C = { c 1 ,…, c N }.

    Рисунок 4 . Принципиальная схема преобразования вейвлет-пакетов до уровня разложения 2. На каждом уровне частотный спектр разбивается на 2 поддиапазона j .

    Низкоразмерные элементы

    Матрица вейвлет-коэффициентов C представляет собой матрицу размерности D , т.е.е., он имеет те же размеры, что и исходный набор данных. Следовательно, элементы меньшего размера необходимы для предотвращения переобучения, которое связано с элементами большего размера. В этом исследовании PCA изначально использовался для целей визуализации, например, для наблюдения возможных кластеров точек данных для матрицы X . Его нелинейный эквивалент, KPCA, используется для уменьшения размерности, чтобы можно было зафиксировать нелинейные отношения между элементами.

    Анализ главных компонентов — это метод, который можно использовать для получения нового набора ортогональных осей, которые показывают наибольшую дисперсию данных.Следовательно, C было спроецировано на 2 ортогональные оси из своего исходного размера D . В PCA собственные значения λ k и собственные векторы u k ковариационной матрицы S C из C получены путем решения следующего собственного значения C . проблема:

    , где k = 1,…, D . Собственный вектор u 1 , соответствующий наибольшему собственному значению λ 1 , является первым главным компонентом и так далее.Двумерное представление C , то есть Y (матрица N × k ), может быть вычислено посредством линейной проекции с использованием первых двух собственных векторов:

    В Schölkopf et al. (1998), был введен KPCA. Этот метод является обобщенной версией PCA, поскольку скалярные произведения ковариационной матрицы S C заменяются функцией ядра. В KPCA отображение ϕ двух точек данных, например.g., вектор вейвлет-коэффициентов n -й и m -й вектор c n и c m , соответственно, получается с помощью функции ядра RBF следующим образом :

    k (cn, см) = ecn − cm22σKPCA2. (8)

    Используя приведенное выше отображение, стандартный PCA может быть выполнен в этом новом пространстве признаков ℱ, которое неявно соответствует нелинейному главному компоненту в исходном пространстве. Следовательно, скалярные произведения ковариационной матрицы заменяются ядром RBF следующим образом:

    Sϕ = 1 ∕ N∑Ni ϕciTϕci.(9)

    Однако вышеприведенная матрица не может использоваться напрямую для решения проблемы собственных значений, как в формуле. 6, из-за его большого размера. Следовательно, после некоторой алгебраической обработки собственные значения ℓ d и собственные векторы ud могут быть вычислены для матрицы ядра 𝒦 (размером N × N ) вместо ковариационной матрицы (размером ℱ × ℱ). Поэтому в KPCA вместо этого мы должны найти решение следующей проблемы собственных значений:

    , где d = {1,…, N }, поскольку ℱ> N , количество ненулевых собственных значений не может превышать количество рабочих условий двигателя N (Bishop, 2006).Используя собственные векторы матрицы ядра, можно получить новые проекции Y = y1,…, yN отображенных точек данных вейвлет-коэффициентов ϕ ( c i ) на нелинейной поверхности. размерности d , которая может варьироваться от 1 до N .

    Модель обучения для обнаружения новинок

    Поддержка векторных машин как инструмент классификации предлагает гибкость искусственной нейронной сети, преодолевая при этом ее недостатки.Использование функции ядра для расширения исходного входного пространства в пространство более высокой размерности для нахождения гиперплоскости линейного решения тесно связано с добавлением дополнительных слоев в искусственную нейронную сеть. Следовательно, алгоритм может быть адаптирован для лучшего соответствия характеристикам наших данных таким образом, чтобы повысить точность прогнозирования. Учитывая, что OCSVM формирует задачу квадратичной оптимизации, он гарантирует нахождение оптимального решения того места, где должна располагаться гиперплоскость линейного решения (Schölkopf et al., 2001; Шоу-Тейлор и Кристианини, 2004 г.). С другой стороны, можно получить локальный оптимум как решение для нахождения среднеквадратичной ошибки в искусственной нейронной сети с использованием алгоритма спуска градиента.

    В качестве обучающих данных мы используем матрицу, полученную из KPCA, т.е. 𝒴 . Принимая во внимание, что низкоразмерные представления данных тестирования (из матрицы Z ) получают с помощью того же преобразования признаков, выбора и т. Д.Методология OCSVM позволяет использовать функцию ядра RBF, которая отображает точки данных в 𝒴 таким же образом, как и в KPCA. Однако формулировка в наборе инструментов LIBSVM (Chang and Lin, 2011) немного отличается для ядра RBF. Учитывая две точки данных yn и ym, ядро ​​RBF, реализованное в OCSVM, определяется следующим образом:

    k (yn, ym) = e − γyn − ym2. (11)

    После того, как обучающие данные отображаются через в ядре RBF, источник в этом новом пространстве функций рассматривается как единственный член данных класса 𝒜.Затем определяется гиперплоскость, так что отображаемые данные обучения отделены от исходной точки с максимальным запасом. Гиперплоскость в отображенном пространстве признаков расположена в точке ϕ (yi) −ρ = 0, где ρ — общая переменная поля. Чтобы отделить все отображенные точки данных от начала координат, необходимо решить следующую квадратичную программу:

    minw, ρ, ξ 0.5wTw + 1υN∑iξi − ρ при условии: (wϕ (yi)) ≥ρ − ξi, i = 1,…, N, ξi≥0, (12)

    , где w — вектор нормали к гиперплоскости, а ξ называются резервными переменными и используются для количественной оценки ошибки неправильной классификации каждой точки данных отдельно в соответствии с расстоянием от соответствующей границы.Значение ν, которое было упомянуто ранее, отвечает за штрафные санкции за неправильную классификацию и ограничено ν ∈ (0, 1]. Решение, которое определяет, принадлежит ли невидимая точка данных y ∗, т. Е. Из матрицы Z , одному из два класса условий двигателя могут быть созданы с помощью следующей функции:

    gy ∗ = sgnwϕy ∗ −ρ. (13)

    Для точки данных из класса 𝒜 gy ∗> 0, в противном случае gy ∗ ≤0. Обратите внимание, что из практических соображений проблема оптимизации в формуле. 12 решается введением множителей Лагранжа.Одна из основных причин этого заключается в том, что это позволяет записывать оптимизацию в терминах скалярных произведений. Это приводит к «уловке с ядром», которая позволяет обобщить проблему на нелинейный случай с помощью подходящих ядерных функций, таких как ядро ​​RBF, которое используется в этом исследовании.

    Результаты и обсуждение

    В этой работе ядро ​​RBF использовалось для отображения точек данных OCSVM в бесконечномерное пространство признаков, где может быть достигнуто линейное разделение двух классов.Используя OCSVM для решения нашей проблемы, мы получили широкий спектр формулировок функций ядра для использования. Ядро RBF — одно из самых популярных, поскольку оно подразумевает общие свойства гладкости для набора данных, предположение, которое обычно принимается во многих реальных приложениях, как более подробно обсуждается в Scholkopf and Smola (2001). Ядро RBF имеет два параметра, которые необходимо определить, чтобы адаптировать алгоритм OCSVM к характеристикам сигналов вибрации, ожидаемых в этом исследовании.Эти параметры называются шириной ядра γ и штрафом за оптимизацию ν. Наблюдая за изменением точности проверки α ν OCSVM на мелкой сетке значений γ и ν, можно было определить комбинацию этих двух значений, которая максимизирует α ν . Значения γ и ν были выбраны с шагом в 2, как это было предложено в практическом исследовании Hsu et al. (2016). Точность проверки рассчитывалась с использованием 10-кратной схемы перекрестной проверки для предотвращения переобучения данных.Как более подробно обсуждается в Bishop (2006), схема перекрестной проверки используется, когда объем обучающих данных невелик. В таких случаях недостаточно данных, чтобы разделить их на наборы данных для обучения и проверки, чтобы исследовать надежность и точность модели. В нашем исследовании количество режимов работы двигателя относительно невелико по сравнению с количеством измерений в матрице характеристик. Таким образом, схема перекрестной проверки — возможное решение проблемы недостаточного количества обучающих данных.Более подробно, в этой схеме данные сначала делятся на 10 подмножеств одинакового размера. Каждое подмножество используется для последовательного тестирования эффективности классификации модели (которая была обучена на других девяти подмножествах). Каждая точка данных в наборе данных для обучения вибрации прогнозируется один раз. Следовательно, точность перекрестной проверки — это процент правильных классификаций в наборе данных для обучения вибрации.

    На рисунке 5 мы представляем два типичных результата изменения точности перекрестной проверки на сеточном пространстве параметров γ и ν.Эти результаты соответствуют точности перекрестной проверки, полученной путем обучения OCSVM с помощью набора данных вейвлет-коэффициентов после «сжатия» с помощью PCA (правый график) и KPCA (левый график). Точность перекрестной проверки оценивалась с помощью ν. в диапазоне от 0,001 до 0,8 с шагом 0,002, тогда как γ находится в диапазоне 2 −25 и 2 25 с шагом 2. Выбор этого сеточного пространства для ν был сделан на том, что этот параметр ограничен, так как представляет собой верхнюю границу доли обучающих данных, которые лежат не на той стороне гиперплоскости [см. более подробную информацию в Schölkopf et al.(2001)]. В случае γ не было верхнего и нижнего пределов, поэтому был выбран относительно более широкий диапазон. В обоих случаях шаги были определены таким образом, чтобы затраты на вычисления оставались на разумном уровне. Как правило, для определения подходящих границ и размера шага при выборе размера сетки использовалась процедура проб и ошибок для данного набора данных о вибрации. Как видно из контурных графиков, поиск по сетке позволяет нам получить высокую точность проверки при выборе подходящей комбинации γ и ν.Для нашего набора данных эту комбинацию можно найти в основном при относительно низких значениях γ. По мере уменьшения значения γ попарные расстояния между точками обучающих данных становятся менее важными. Следовательно, граница принятия решения OCSVM становится более ограниченной, а его форма менее гибкой из-за того, что он будет придавать меньшее значение этим расстояниям. Обратите внимание, что примеры на рисунке 5 были получены с d = 100 для 𝒴 и D = 100 для Y (см. Низкоразмерные характеристики), с уровнем декомпозиции WPT j = 4 и (только для KPCA) ширина ядра γ KPCA = 1.Очевидно, что при использовании KPCA с ядром RBF максимальная точность перекрестной проверки составляет около 95%, в то время как со стандартным PCA точность классификации OCSVM относительно низка, то есть около 60%. Следовательно, использование KPCA дает преимущество перед стандартным PCA для конкретного набора данных, который используется в этом исследовании. Это ожидается, поскольку KPCA обнаруживает нелинейные отношения, существующие между функциями данных.

    Рисунок 5 . Изменение точности Перекрестная проверка с у и v, для одного класса опорных векторов на основе узнали модели с использованием функции ядра основного компонентного анализа (слева) и стандартного основного компонентного анализа.

    Метод поиска по сетке для нахождения «подходящих» значений для γ и ν дает преимущество, когда другие параметры, например, ширина ядра KCPA σ KPCA , не могут быть легко определены. Можно продемонстрировать, что α ν можно значительно увеличить по сравнению с фиксированным набором значений по умолчанию. Набор инструментов LIBSVM предлагает значения по умолчанию: ν = d −1 и γ = 0,5. На рисунке 6 точность проверки показана для различных значений ширины ядра KPCA σ KPCA и количества главных компонентов d для случаев, когда γ и ν были выбраны из поиска по сетке и когда им были заданы фиксированные значения по умолчанию. .Из этих двух графиков ясно, что параметры OCSVM γ и ν могут быть «настроены» таким образом, чтобы точность проверки могла быть максимальной, независимо от выбора d и σ KPCA . Это наблюдение демонстрирует силу методов на основе ядра в целом, так как ширина ядра может иметь большое влияние на описание обучающих данных. В большинстве случаев выбор этого параметра необходим только для получения подходящей адаптации наших алгоритмов (Shawe-Taylor and Cristianini, 2004).Как видно, выбирая каждый раз разные комбинации ν и γ (в соответствии с процедурой поиска по сетке), максимально достижимая точность проверки всегда близка к 100%. Это значительное улучшение по сравнению с соответствующей точностью, которую можно получить с использованием фиксированного набора значений. Более того, это демонстрирует, что «настроить» машину опорных векторов не так сложно, так как необходимо найти только два параметра, и это можно сделать с помощью процедуры поиска по сетке. Напротив, искусственная нейронная сеть требует, чтобы ее архитектура, скорость обучения градиентного спуска, среди других параметров, были указаны заранее, что значительно усложняет проблему «настройки» алгоритма.Тем не менее, самой сильной стороной машины опорных векторов является ее способность получить глобальное оптимальное решение для любого выбранного значения γ и ν, которое мы указали, так что его обобщающая способность всегда максимальна.

    Рисунок 6 . Различия в точности перекрестной проверки для разных значений d и σ KPCA для выбранных (слева) и фиксированных (справа) значений γ и ν.

    Как было показано ранее на рисунке 5, выбранное значение γ (из поиска по сетке) было очень маленьким.Это верно для каждого изученного случая, например, для разных значений d . По этой причине можно сказать, что алгоритм лучше обобщается с менее сложной границей решения. Однако «настройка» OCSVM оказывается сложной задачей, поскольку точность прогнозирования (с использованием набора тестовых данных) ниже ожидаемой, то есть менее 50%. Большинство ошибок произошло для точек данных, ошибочно принятых как происходящие из класса 𝒜, тогда как в действительности они принадлежали классу. Возможные причины неудовлетворительной работы OCSVM на наборе тестовых данных обсуждаются ниже:

    • На этапе проверки OCSVM оцениваются только ошибки ошибочного отклонения данных из класса 𝒩.Можно предположить, что причина такой неправильной классификации может быть связана с ошибками в вычислении параметров γ и ν, оцененных при сеточном поиске. Что касается выбора γ и ν, было несколько попыток решить эту проблему другими способами, чем поиск по сетке. Например, в Xiao et al. (2015) авторы представили методы выбора ширины ядра γ OCSVM с помощью того, что они называют «геометрическими» вычислениями.

    • Из-за характера данных существует много различий между условиями двигателя, а также внутри каждого условия.Следовательно, сложно разработать модель с использованием данных класса 𝒩, если характеристики каждого условия в пределах одного класса различны. Выбор подходящих обучающих данных является важным фактором для применяемых подходов, основанных на данных. В этом случае следует выбрать представление данных в областях с соответствующим временным разрешением, а выбранные алгоритмы распознавания образов потенциально не должны зависеть от обучения, а должны работать в адаптивной структуре.

    Заключение

    В этом исследовании мы использовали схему обнаружения новинок для мониторинга состояния двигателей с использованием передовых методов машинного обучения, выбранных в соответствии с типом анализируемых данных.Это привело к лучшему описанию основных проблем, с которыми можно столкнуться при следовании стратегии на основе данных для мониторинга данных о вибрации двигателя. Схема обнаружения новизны была выбрана вместо классификационного подхода из-за отсутствия обучающих данных для различных состояний работы двигателя, с которыми обычно сталкиваются в реальных приложениях. Следующие шаги были рассмотрены как фундаментальные, оптимальные методы анализа данных. Модель нормальности, основанная на OCSVM, которая была обучена распознавать сценарии нормальных и новых условий двигателя, была разработана с использованием данных двигателя, работающего в условиях, в которых двигатель испытывал низкие амплитуды вибрации.Выбор этого метода машинного обучения для обнаружения новизны был обусловлен тем, что проблема распознавания образов основана на создании ядра, которое предлагает универсальность, которая может поддерживать анализ более сложных данных. В этом случае, согласно анализу, представленному в исследовании, сильное влияние штрафного параметра ν и ширины ядра γ OCSVM может повлиять на точность проверки. Используя поиск по мелкой сетке для выбора параметров ν и γ, можно достичь точности проверки, близкой к 100%, как показано в результатах.Это существенное преимущество, когда нет методологии выбора других параметров, таких как количество основных компонентов, используемых в KPCA. Это также подчеркивает одну из сильных сторон основанных на ядре методов, а именно возможность адаптации к заданному набору данных. В частности, было доказано, что ядро ​​RBF очень эффективно при описании данных от механизма, выбирая соответствующее значение ширины ядра γ.

    Ограничения подходов к обнаружению новизны в целом и того, что обсуждается, в частности, в этом исследовании, включают следующие моменты: обучающие данные вибрации, которые могут быть получены от двигателей, и ограничения конкретных рассмотренных алгоритмов.Для последнего обсуждался выбор ν и γ, и для расчета точности классификации с использованием выбранных ν и γ из поиска по сетке использовался независимый набор данных испытаний, который включал 25% условий из нового поведения двигателя. Несмотря на то, что результаты валидации были исключительно хорошими, и модель, похоже, не превышала данные, поскольку граница принятия решения была гладкой, а количество опорных векторов относительно невелико, точность классификации с использованием набора тестовых данных была неудовлетворительной.Наибольшие ошибки возникали при неправильном прогнозировании точек данных на основе условий исправного двигателя как новых. Несколько возможных причин того, почему это может произойти, были упомянуты в предыдущей части исследования.

    Для улучшения схемы обнаружения новизны, представленной в этом исследовании, требуется дальнейшая работа по обучению OCSVM соответствующим образом. Например, вместо выбора ν и γ с использованием подхода поиска по сетке можно использовать методы, которые вычисляют эти параметры более принципиальным способом с использованием простой геометрии.Кроме того, функции вейвлет-преобразования, извлеченные из данных, могли привести к большому разбросу точек данных в пространстве признаков из-за того, что существует высокая изменчивость сигналов от каждого состояния двигателя. Один из способов решения этой проблемы — изучить новый набор потребностей в функциях, которые могут обеспечить лучшую кластеризацию точек данных из условий исправного двигателя, чтобы в пространстве функций можно было сформировать меньшую и более жесткую границу принятия решения. Другим предложением может быть разработка новых алгоритмов машинного обучения, которые не зависят от качества обучающих данных, а могут скорее адаптивно классифицировать различные состояния / условия работы исследуемого двигателя.

    Авторские взносы

    IM провел анализ машинного обучения и является первым автором исследования. ИА курировал работу (концепция и обзор). BK способствовал проведению экспериментов и сбору проанализированных данных. Все авторы несут ответственность за содержание работы.

    Заявление о конфликте интересов

    Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

    Благодарности

    Авторы хотели бы поблагодарить сотрудников Центра низкоуглеродного сжигания при Университете Шеффилда за проведение экспериментов с газотурбинным двигателем и за любезно предоставленные данные о вибрации двигателя, использованные в этом исследовании.

    Финансирование

    IM — аспирант, получивший стипендию от факультета машиностроения Университета Шеффилда. Все авторы выражают признательность за финансирование, полученное от гранта Совета по инженерным и физическим исследованиям (EPSRC) EP / N018427 / 1.

    Ссылки

    Антониаду, И., Мэнсон, Г., Сташевски, В. Дж., Барщ, Т., Уорден, К. (2015). Подход частотно-временного анализа для мониторинга состояния редуктора ветряной турбины в условиях переменной нагрузки. Mech. Syst. Сигнальный процесс. 64, 188–216. DOI: 10.1016 / j.ymssp.2015.03.003

    CrossRef Полный текст | Google Scholar

    Бишоп, К. (2006). Распознавание образов и машинное обучение (информатика и статистика) .Нью-Йорк: Спрингер.

    Google Scholar

    Блейки, С., Рай, Л., и Уилсон, В. (2011). Альтернативные виды топлива для авиационных газовых турбин: обзор. Proc. Комбас. Inst. 33, 2863–2885. DOI: 10.1016 / j.proci.2010.09.011

    CrossRef Полный текст | Google Scholar

    Чанг, К., Линь, К. (2011). LIBSVM: библиотека для поддержки векторных машин. ACM Trans. Intell. Syst. Technol. 2, 1–27. DOI: 10.1145 / 1961189.1961199

    CrossRef Полный текст | Google Scholar

    Клифтон, Д.А., Баннистер П. Р., Тарассенко Л. (2006). «Применение интуитивно понятной метрики новизны для мониторинга состояния реактивного двигателя», в «Успехи в прикладном искусственном интеллекте» , ред. М. Али и Р. Дапуаньи (Берлин, Гейдельберг: Springer), 1149–1158.

    Google Scholar

    Клифтон, Л., Клифтон, Д. А., Чжан, Ю., Уоткинсон, П., Тарассенко, Л., Инь, Х. (2014). Вероятностное обнаружение новизны с машинами опорных векторов. IEEE Trans. Надежный. 455–467. DOI: 10.1109 / TR.2014.2315911

    CrossRef Полный текст | Google Scholar

    Клифтон, Л., Инь, Х., Клифтон, Д., и Чжан, Ю. (2007). «Обнаружение новизны комбинированного вектора поддержки для данных многоканального горения», в IEEE International Conference on Networking, Sensing and Control , London.

    Google Scholar

    Фан, X., и Цзо, М. (2006). Обнаружение неисправностей коробки передач с использованием преобразования Гильберта и вейвлет-пакетов. Mech. Syst. Сигнальный процесс. 20, 966–982.DOI: 10.1016 / j.ymssp.2005.08.032

    CrossRef Полный текст | Google Scholar

    Фаррар, К., Уорден, К. (2012). Структурный мониторинг работоспособности: перспектива машинного обучения . Чичестер: Джон Уайли и сыновья.

    Google Scholar

    Hayton, P., Schölkopf, B., Tarassenko, L., and Anuzis, P. (2000). «Обнаружение новинок опорных векторов применительно к спектрам вибрации реактивного двигателя», Ежегодная конференция по системам обработки нейронной информации (NIPS) , Денвер.

    Google Scholar

    Хе, К., Ян, Р., Конг, Ф., и Ду, Р. (2009). Мониторинг состояния машины с использованием представления главных компонентов. Mech. Syst. Сигнальный процесс. 23, 446–466. DOI: 10.1016 / j.ymssp.2008.03.010

    CrossRef Полный текст | Google Scholar

    Сюй, К., Чанг, К., Линь, К. (2016). Практическое руководство по классификации опорных векторов . Тайбэй: Департамент компьютерных наук, Национальный университет Тайваня.

    Google Scholar

    Ющак, П., Tax, D., и Duin, R. P. W. (2002). «Масштабирование функций в описании опорных векторных данных» в Proc. ASCI , Lochem.

    Google Scholar

    Кинг, С., Баннистер, П. Р., Клифтон, Д. А., и Тарассенко, Л. (2009). Вероятностный подход к мониторингу состояния авиационно-космических двигателей. Proc. Inst. Мех. Англ. G J. Aerosp. Англ. 223, 533–541. DOI: 10.1243 / 09544100JAERO414

    CrossRef Полный текст | Google Scholar

    Маллат, С. (1989). Теория разложения сигнала с разным разрешением: вейвлет-представление. IEEE Trans. Pattern Anal. Мах. Intell. 11, 674–693. DOI: 10.1109 / 34.192463

    CrossRef Полный текст | Google Scholar

    Маллат, С. (1999). Вейвлет-тур по обработке сигналов (вейвлет-анализ и его приложения) . Нью-Йорк: Academic Press.

    Google Scholar

    Пиментел М., Клифтон Д., Клифтон Л. и Тарассенко Л. (2014). Обзор обнаружения новинок. Обработка сигналов 99, 215–249. DOI: 10.1016 / j.sigpro.2013.12.026

    CrossRef Полный текст | Google Scholar

    Шёлкопф Б., Платт Дж. К., Шоу-Тейлор Дж., Смола А. Дж. И Уильямсон Р. К. (2001). Оценка поддержки многомерного распределения. Neural Comput. 10, 1443–1471. DOI: 10.1162 / 089976601750264965

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Scholkopf, B., and Smola, A. (2001). Обучение с помощью ядер: машины опорных векторов, регуляризация, оптимизация и не только .Кембридж: MIT Press.

    Google Scholar

    Шёлкопф Б., Смола А. и Мюллер К. (1998). Нелинейный компонентный анализ как проблема собственных значений ядра. Neural Comput. 10, 1299–1319. DOI: 10.1162 / 089976698300017467

    CrossRef Полный текст | Google Scholar

    Шоу-Тейлор, Дж., И Кристианини, Н. (2004). Методы ядра для анализа паттернов . Нью-Йорк: Издательство Кембриджского университета.

    Google Scholar

    Тарасенко, Л., Клифтон, Д. А., Баннистер, П. Р., Кинг, С., Кинг, Д. (2009). «Глава 35 — Обнаружение новизны», в Энциклопедия структурного мониторинга здоровья , ред. К. Боллер, Ф. Чанг и Ю. Фуджино (Барселона: John Wiley & Sons).

    Google Scholar

    .

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

2019 © Все права защищены. Карта сайта