楊占剛, 徐海義, 成博源, 石旭東

(中國民航大學(xué)電子信息與自動(dòng)化學(xué)院, 天津 300300)

0 引 言

航空發(fā)電機(jī)作為航空電源系統(tǒng)的主電源,為各機(jī)載用電設(shè)備提供能源,保障著電源系統(tǒng)的穩(wěn)定運(yùn)行。航空發(fā)電機(jī)故障會嚴(yán)重影響整個(gè)飛機(jī)系統(tǒng)的安全性,其早期故障主要分為以定、轉(zhuǎn)子繞組短路為代表的電氣故障與以轉(zhuǎn)子偏心為代表的機(jī)械故障。據(jù)統(tǒng)計(jì),偏心故障在凸極式同步發(fā)電機(jī)總故障中占比近40%,偏心故障包含靜態(tài)偏心與動(dòng)態(tài)偏心:靜態(tài)偏心主要由定子鐵芯形變與軸承定位不良導(dǎo)致,動(dòng)態(tài)偏心主要由軸承疲勞、不平衡磁拉力、機(jī)械共振以及轉(zhuǎn)子過熱等導(dǎo)致。偏心故障會造成發(fā)電機(jī)氣隙磁場不對稱,進(jìn)而導(dǎo)致三相感應(yīng)電動(dòng)勢(electromotive force, EMF)、負(fù)載電流不平衡,影響飛機(jī)電網(wǎng)的電能質(zhì)量,并且不平衡磁拉力將加深偏心程度,造成更嚴(yán)重危害。為此,需要對航空發(fā)電機(jī)早期微小偏心故障進(jìn)行在線監(jiān)測,避免航空發(fā)電機(jī)故障可能造成的重大安全事故。

目前針對發(fā)電機(jī)轉(zhuǎn)子偏心故障診斷方法的核心思想是對易于測量的電磁特征(氣隙磁密、電磁力波、反EMF、定子電流等)與機(jī)械特征(振動(dòng)噪聲)進(jìn)行時(shí)頻域分析。根據(jù)氣隙磁密、電磁力波等參數(shù)的空間階次與時(shí)間頻率諧波次數(shù)變化的不同,可實(shí)現(xiàn)偏心類型的識別,但無法準(zhǔn)確判斷偏心的程度。定子空載反EMF與定子電流在偏心后將出現(xiàn)三相幅值不平衡,同時(shí)增加轉(zhuǎn)頻諧波,當(dāng)每相繞組支路數(shù)大于1時(shí),將導(dǎo)致單一支路的故障幅值差異在并聯(lián)支路結(jié)構(gòu)下被抵消,三相輸出波形故障變化不易識別。此外,在相同偏心程度下,不同負(fù)載特性與容量對故障后產(chǎn)生的諧波幅值也存在影響,同樣使得頻域特征不易區(qū)分。為了提高傳統(tǒng)時(shí)頻域分析方法故障特征提取與診斷的準(zhǔn)確性,許多研究將傳統(tǒng)特征提取方法與智能診斷算法相結(jié)合。文獻(xiàn)[10]利用小波包分解(wavelet packet, WP)提取故障電壓頻率特征,通過長短時(shí)記憶(long short term memory, LSTM)網(wǎng)絡(luò)診斷偏心轉(zhuǎn)子馬達(dá)故障。文獻(xiàn)[11]利用集成經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition, EEMD)提取偏心轉(zhuǎn)子振動(dòng)信號特征,通過支持向量機(jī)準(zhǔn)確診斷電機(jī)偏心故障。但由于WP、EEMD等信號分析方法易出現(xiàn)頻率混疊與高頻分量丟失問題,導(dǎo)致此類方法在多并聯(lián)支路繞組的偏心同步發(fā)電機(jī)故障頻率特征提取時(shí)效果不佳。目前在電機(jī)、變壓器、齒輪箱、傳感器等故障診斷中多采用深度學(xué)習(xí)方法,典型算法為深度置信網(wǎng)絡(luò)(deep belief network,DBN)。DBN算法可實(shí)現(xiàn)航空發(fā)動(dòng)機(jī)、發(fā)電機(jī)短路故障診斷,其改進(jìn)算法被應(yīng)用于飛機(jī)旋轉(zhuǎn)整流器故障、滾動(dòng)軸承故障診斷。DBN網(wǎng)絡(luò)結(jié)構(gòu)一般由經(jīng)驗(yàn)定義,其層數(shù)或節(jié)點(diǎn)數(shù)過多會造成訓(xùn)練時(shí)間過長,相反則會造成訓(xùn)練精度不足與特征丟失,因此有必要優(yōu)化DBN結(jié)構(gòu)以提升特征提取與診斷效率。

基于此,本文針對具有多并聯(lián)支路繞組結(jié)構(gòu)的航空發(fā)電機(jī)偏心故障,搭建發(fā)電機(jī)模型與負(fù)載場路耦合模型進(jìn)行仿真。針對DBN結(jié)構(gòu)中各隱藏層節(jié)點(diǎn)數(shù)選取問題,采用煙花算法(fireworks algorithm,FWA)建立最優(yōu)DBN,對航空發(fā)電機(jī)偏心故障進(jìn)行特征提取與診斷。

1 發(fā)電機(jī)偏心故障建模

如圖1所示,在靜態(tài)偏心下,轉(zhuǎn)軸旋轉(zhuǎn)中心為,即轉(zhuǎn)軸幾何中心,空間各處氣隙大小不隨旋轉(zhuǎn)變化;在動(dòng)態(tài)偏心下,轉(zhuǎn)軸旋轉(zhuǎn)中心為,非轉(zhuǎn)軸幾何中心,空間各處氣隙大小隨旋轉(zhuǎn)變化。

圖1 轉(zhuǎn)子偏心結(jié)構(gòu)圖Fig.1 Rotor eccentric structure diagram

定義發(fā)電機(jī)轉(zhuǎn)子偏心度為

=

(1)

式中：為轉(zhuǎn)子中心與定子中心的距離；為凸極發(fā)電機(jī)正常最小氣隙長度。

建立航空發(fā)電機(jī)有限元仿真模型,主要參數(shù)如表1所示。

表1 同步發(fā)電機(jī)主要參數(shù)

2 發(fā)電機(jī)偏心故障分析

2.1 空載分析

定子各槽導(dǎo)體空載反EMF解析表達(dá)式為

()=()

(2)

式中:為每槽導(dǎo)體匝數(shù);為導(dǎo)體有效長度;為定子內(nèi)圈半徑;()為第槽處徑向氣隙磁密。

無偏心時(shí),氣隙磁密沿圓周徑向等幅分布,各槽內(nèi)導(dǎo)體EMF疊加得到的三相空載反EMF幅值相等。靜態(tài)偏心時(shí)氣隙磁密分布僅與偏心方向有關(guān),不隨轉(zhuǎn)子旋轉(zhuǎn)變化,三相繞組各支路的反EMF波形如圖2所示。

圖2 靜偏心繞組支路反EMFFig.2 Back EMF of winding branches under static eccentricity

動(dòng)態(tài)偏心時(shí)氣隙磁密分布隨轉(zhuǎn)子旋轉(zhuǎn)呈周期性變化,各支路反EMF在靜態(tài)偏心的基礎(chǔ)上還增加了周期性下凹特征,波形如圖3所示。

圖3 動(dòng)偏心繞組支路反EMFFig.3 Back EMF of winding branches under dynamic eccentricity

由于每相繞組的兩條支路在空間上分別處于靠近偏心位置處與遠(yuǎn)離偏心位置處,每條支路上的反EMF波形變化不同。經(jīng)并聯(lián)繞組結(jié)構(gòu)對各支路反EMF疊加輸出,各支路反EMF的不平衡將被抵消。圖4以A相繞組為例,當(dāng)發(fā)生動(dòng)態(tài)偏心時(shí), A相并聯(lián)輸出端反電動(dòng)勢幅值在多個(gè)電周期內(nèi)沒有明顯波動(dòng)。

圖4 反EMF對比Fig.4 Comparison of back EMF

圖5中對比了動(dòng)態(tài)偏心分別為025、05、075與靜態(tài)偏心分別為025、05、075時(shí)的A相并聯(lián)輸出空載反EMF波形與局部放大波形。根據(jù)波形對比,不同偏心故障對輸出波形影響均較小。

圖5 不同偏心故障A相空載反EMFFig.5 No-load back EMF eA under different eccentricity

當(dāng)勵(lì)磁電流=186 A,無偏心三相空載反EMF幅值約為33246 V。表2中對比了不同偏心故障前后的三相空載反EMF幅值,可見不同類型與不同偏心程度造成幅值差異較小,且故障幅值與故障程度不呈線性關(guān)系。

表2 三相反EMF幅值對比

并聯(lián)支路繞組對三相不平衡度的抵消作用使得空載反EMF故障變化較小且無明顯規(guī)律,這對區(qū)分發(fā)電機(jī)偏心類型與偏心程度造成困難。

2.2 額定負(fù)載分析

搭建發(fā)電機(jī)額定負(fù)載場路耦合外電路,負(fù)載為純阻性,如圖6所示。其中定子三相繞組每條支路電感=0112 mH,電阻=0126 Ω,負(fù)載阻值=275 Ω。

圖6 場路耦合外電路Fig.6 Field-circuit coupling circuit

當(dāng)發(fā)電機(jī)帶負(fù)載運(yùn)行時(shí),輸出電壓諧波主要包含由凸極轉(zhuǎn)子繞組磁場、電樞電抗等引入的奇數(shù)次諧波以及故障后產(chǎn)生的分?jǐn)?shù)次轉(zhuǎn)頻諧波和負(fù)載感應(yīng)諧波,這將使得三相輸出波形變化相對明顯。不同偏心故障時(shí)定子A相輸出電壓變化如圖7和圖8所示。偏心故障時(shí)單支路繞組電流波形也存在不平衡現(xiàn)象,不同偏心故障造成的支路電流波形變化規(guī)律與反EMF波形變化一致,并聯(lián)疊加后的輸出電流不平衡度下降。圖9和圖10分別為靜態(tài)偏心=075下定子支路電流、輸出端電流波形。

圖7 不同靜偏心程度下A相輸出電壓uAFig.7 Output uA under different static ρ

圖8 不同動(dòng)偏心程度下A相輸出電壓uAFig.8 Output uA under different dynamic ρ

圖9 靜偏心繞組支路電流Fig.9 Current of winding branches under static eccentricity

圖10 靜偏心輸出電流Fig.10 Output current under static eccentricity

表3為額定負(fù)載運(yùn)行時(shí)發(fā)電機(jī)發(fā)生不同偏心故障前后輸出電壓、電流最大幅值,由幅值變化可知靜態(tài)偏心與動(dòng)態(tài)偏心造成輸出幅值變化規(guī)律不同。靜態(tài)偏心下,當(dāng)故障程度=025時(shí),三相輸出最大幅值略小于正常幅值,當(dāng)故障程度較大時(shí),三相輸出最大幅值大于正常幅值,且三相間幅值不同。當(dāng)故障程度加深時(shí),輸出幅值有增大趨勢。動(dòng)態(tài)偏心下,當(dāng)故障程度=025時(shí),三相輸出最大幅值同樣略小于正常幅值,但當(dāng)故障程度較大時(shí),三相輸出最大幅值變化較大,且沒有明顯變化趨勢規(guī)律?？梢?較小程度的偏心故障對發(fā)電機(jī)輸出幾乎沒有影響,但是當(dāng)偏心程度持續(xù)增大時(shí),將對飛機(jī)電網(wǎng)電能質(zhì)量有較大影響。恒勵(lì)磁負(fù)載運(yùn)行下,發(fā)電機(jī)偏心故障輸出特征差異相較于空載運(yùn)行時(shí)更易區(qū)分。

表3 三相幅值對比

當(dāng)發(fā)電機(jī)不同負(fù)載容量運(yùn)行時(shí),發(fā)生不同類型與程度偏心故障的時(shí)域輸出變化差異不同,造成故障不易識別。因此,可以借助深度學(xué)習(xí)算法挖掘不易區(qū)分的故障特征,實(shí)現(xiàn)不同運(yùn)行工況時(shí)偏心故障診斷。

3 偏心故障特征提取與診斷算法

3.1 DBN算法

DBN由多個(gè)受限玻爾茲曼機(jī)(restricted Boltzmann machine,RBM)疊加構(gòu)成,在預(yù)訓(xùn)練階段逐步提取輸入數(shù)據(jù)的原始特征信息,并以輸出均方根誤差最小化為目標(biāo)進(jìn)行反向微調(diào),模型結(jié)構(gòu)如圖11所示。

圖11 DBN結(jié)構(gòu)Fig.11 DBN structure diagram

單個(gè)RBM是由可視層和隱藏層組成的概率生成模型,僅不同層間神經(jīng)元通過權(quán)值向量和偏置向量、連接,結(jié)構(gòu)如圖12所示。

圖12 RBM結(jié)構(gòu)Fig.12 Structure of RBM

可視層神經(jīng)元和隱藏層神經(jīng)元間的能量函數(shù)定義為

(3)

式中:和分別為兩層神經(jīng)元的輸入與輸出狀態(tài);為各層神經(jīng)元間權(quán)值;和分別為兩層的偏置;和為神經(jīng)元數(shù)量。由式(3)可得兩層間聯(lián)合概率分布為

(4)

根據(jù)對比散度算法計(jì)算可視層與隱藏層各神經(jīng)元狀態(tài),隱藏層向量和可視層向量的條件概率分布可用激活概率表示,代表數(shù)據(jù)正向訓(xùn)練過程與數(shù)據(jù)反向重構(gòu)過程,分別為

(5)

(6)

式中:激活函數(shù)采用非線性Sigmoid函數(shù),表達(dá)式為

(7)

將負(fù)對數(shù)似然函數(shù)作為訓(xùn)練過程中的目標(biāo)函數(shù)如下：

(8)

式中:(={,,};為訓(xùn)練數(shù)據(jù)。

為達(dá)到重構(gòu)數(shù)據(jù)期望誤差最小化,根據(jù)梯度下降法將目標(biāo)函數(shù)對參數(shù)迭代求導(dǎo),訓(xùn)練得到的參數(shù)可最大程度保留原始數(shù)據(jù)特征。

在DBN結(jié)構(gòu)[X-H-H-…H-T]的輸出標(biāo)簽層T前采用極限學(xué)習(xí)機(jī)ELM作為分類器,ELM結(jié)構(gòu)為[H-1-H-T]。H-1層輸出的故障特征即ELM輸入,ELM隨機(jī)設(shè)定權(quán)重與偏置向量計(jì)算得到隱藏層H,并根據(jù)最小二乘解確定訓(xùn)練輸出,快速完成故障特征與診斷標(biāo)簽間的轉(zhuǎn)化。

選擇合適的RBM數(shù)量與神經(jīng)元數(shù)可提升DBN網(wǎng)絡(luò)的訓(xùn)練速度與特征提取準(zhǔn)確性,因此可利用FWA優(yōu)化確定最適合于航空發(fā)電機(jī)偏心故障數(shù)據(jù)的DBN網(wǎng)絡(luò)結(jié)構(gòu)。

3.2 FWA

FWA屬于群體智能優(yōu)化算法,由煙花爆炸產(chǎn)生火花現(xiàn)象啟發(fā)得到,算法通過控制每個(gè)煙花爆炸半徑和子火花數(shù)量,搜索更優(yōu)的目標(biāo)。

爆炸半徑和爆炸子火花數(shù)目可以定義為

(9)

(10)

式中:和為爆炸半徑和子火花數(shù)目的預(yù)設(shè)最大值控制因子;、為煙花種群適應(yīng)度極值;()為誤差適應(yīng)度函數(shù);為煙花數(shù)量;為極小的非零常數(shù)。

爆炸通過位置偏移在維搜索空間內(nèi)產(chǎn)生新的子火花,新爆炸子火花生成公式如下：

(11)

隨機(jī)選取一個(gè)子火花進(jìn)行多樣性高斯變異,生成高斯變異子火花如下:

(12)

式中:表示服從N(1, 1)分布的隨機(jī)數(shù)。

(13)

適應(yīng)度最優(yōu)的煙花將被選擇為下一代煙花,剩余煙花采用輪盤賭策略擇優(yōu)保留并傳遞給下一代。每個(gè)煙花個(gè)體被選擇的概率()如下:

(14)

式中:(·)為當(dāng)前個(gè)體與其他個(gè)體的距離之和。

綜上,基于FWA-DBN的航空發(fā)電機(jī)偏心故障特征提取與診斷流程如圖13所示。

圖13 基于FWA-DBN的航空發(fā)電機(jī)偏心診斷流程Fig.13 Aviation generator eccentricity diagnosis diagram based on FWA-DBN

3.3 數(shù)據(jù)采集與診斷

診斷類別共7種,包括正常狀態(tài)、3種程度動(dòng)態(tài)偏心故障與3種程度靜態(tài)偏心故障,仿真采集航空發(fā)電機(jī)三相空載反EMF、額定負(fù)載輸出三相電壓與電流原始數(shù)據(jù)。設(shè)置采樣頻率為50 kHz,單次采樣時(shí)間0.1 s,將同種故障模式下的9個(gè)時(shí)域數(shù)據(jù)樣本混合為1組,共45 000個(gè)樣本點(diǎn),每種故障模式采集30組數(shù)據(jù),共采集210組,構(gòu)成210×45 000原始數(shù)據(jù)集?？紤]到實(shí)際采樣中的信號干擾,將原始數(shù)據(jù)經(jīng)噪聲破壞與歸一化預(yù)處理后,在每種類別的30組故障數(shù)據(jù)中選擇25組故障數(shù)據(jù)作為訓(xùn)練樣本,由FWA根據(jù)175組發(fā)電機(jī)故障數(shù)據(jù)訓(xùn)練得到最優(yōu)DBN診斷模型參數(shù),對其余35組測試數(shù)據(jù)進(jìn)行診斷,對比樣本真實(shí)故障情況,計(jì)算診斷準(zhǔn)確率。

FWA適應(yīng)度函數(shù)取樣本訓(xùn)練輸出誤差函數(shù),適應(yīng)度函數(shù)如下:

(15)

式中:為RBM層數(shù);為隱藏層神經(jīng)元個(gè)數(shù);為煙花與子火花總數(shù)目;為樣本期望輸出值;為樣本實(shí)際值。

利用FWA訓(xùn)練確定每個(gè)隱藏層的最佳神經(jīng)元數(shù)量,FWA初始參數(shù)設(shè)定如表4所示。

表4 FWA參數(shù)

深度學(xué)習(xí)網(wǎng)絡(luò)多采用三層隱藏層疊加結(jié)構(gòu),可使數(shù)據(jù)重構(gòu)誤差較小,本文DBN模型同樣選用三層RBM與ELM組合結(jié)構(gòu)[X-H-H-H-H-T],設(shè)置每層RBM迭代計(jì)算20次。訓(xùn)練過程中選用不同F(xiàn)WA初始動(dòng)量與學(xué)習(xí)率,并根據(jù)所有煙花與子火花平均適應(yīng)度進(jìn)行多次迭代尋優(yōu),適應(yīng)度曲線如圖14所示。由適應(yīng)度曲線可知,隨著迭代次數(shù)增加與煙花種群更新,訓(xùn)練誤差逐漸下降。當(dāng)?shù)谝粚由窠?jīng)元數(shù)量較多時(shí),初始誤差較小,曲線收斂較快,反之亦成立;當(dāng)?shù)谌龑由窠?jīng)元數(shù)較少時(shí),最終收斂誤差較大,反之亦成立。

圖14 參數(shù)尋優(yōu)適應(yīng)度Fig.14 Parameter optimization fitness

最終確定各隱藏層神經(jīng)元數(shù)量為[144-463-473-340],最佳適應(yīng)度達(dá)9994%。根據(jù)此結(jié)構(gòu)建立最優(yōu)DBN-ELM網(wǎng)絡(luò)模型,并對訓(xùn)練集與測試集樣本進(jìn)行診斷。

單次診斷結(jié)果如圖15所示,縱軸為7種故障類別編號,編號1代表發(fā)電機(jī)正常運(yùn)行,編號2-4代表發(fā)電機(jī)3種程度動(dòng)態(tài)偏心故障,編號5-7代表發(fā)電機(jī)3種程度靜態(tài)偏心故障。單次訓(xùn)練樣本準(zhǔn)確率達(dá)到97714%,單次測試樣本診斷準(zhǔn)確率達(dá)到97.143%。

圖15 測試集故障診斷結(jié)果Fig.15 Fault diagnosis results of testing set

為表明采用FWA優(yōu)化算法確定RBM神經(jīng)元數(shù)的優(yōu)勢,表5對比了不同RBM神經(jīng)元數(shù)下模型20次平均診斷準(zhǔn)確率與訓(xùn)練時(shí)長,對比結(jié)構(gòu)均為4層RBM,各層均迭代20次。

表5 不同RBM網(wǎng)絡(luò)結(jié)構(gòu)對比

第一組對比結(jié)構(gòu)準(zhǔn)確率較高,但是由于神經(jīng)元數(shù)最多,訓(xùn)練時(shí)間也較長;第二組對比結(jié)構(gòu)神經(jīng)元數(shù)相比第一組略有減少,準(zhǔn)確率有所下降;第三組對比結(jié)構(gòu)神經(jīng)元數(shù)較少,提高了訓(xùn)練速度,但是損失了訓(xùn)練準(zhǔn)確率。可見較多的神經(jīng)元數(shù)能夠提升訓(xùn)練與診斷準(zhǔn)確率,但會消耗訓(xùn)練時(shí)長。FWA能夠提升DBN特征提取性能,從而保證DBN-ELM網(wǎng)絡(luò)診斷準(zhǔn)確率與訓(xùn)練速度。

3.4 其他算法對比

為了進(jìn)一步驗(yàn)證FWA-DBN算法的故障診斷效果,采用不同診斷算法進(jìn)行對比。

(1) FFT+FWA-DBN:利用快速傅里葉變換(fast Fourier transform, FFT)對故障前后三相電壓、電流數(shù)據(jù)進(jìn)行初步特征提取,將前20次諧波幅值特征用于訓(xùn)練與診斷,網(wǎng)絡(luò)結(jié)構(gòu)不變。

(2) SDAE+SVM:利用堆疊降噪自動(dòng)編碼器(stacked denoised autoencoder, SDAE)對原始故障數(shù)據(jù)實(shí)現(xiàn)快速特征提取與數(shù)據(jù)降維,設(shè)置網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)為[150-75-20],稀疏系數(shù)為0.15,懲罰項(xiàng)權(quán)重為3,并使用支持向量機(jī)(support vector machine,SVM)進(jìn)行故障分類。

(3) LSTM+Softmax:利用LSTM提取原始故障數(shù)據(jù)中的有效特征,設(shè)置網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)為[150-75-20],學(xué)習(xí)率為0.01,使用Softmax層對故障樣本進(jìn)行精確故障診斷。表6為3種對比方法診斷結(jié)果平均準(zhǔn)確率與訓(xùn)練診斷時(shí)長。

表6 3種方法的診斷準(zhǔn)確率

分析表6可知,采用不同算法的診斷結(jié)果有明顯差異:方法①與本文方法的不同點(diǎn)在于對訓(xùn)練數(shù)據(jù)預(yù)先進(jìn)行了信號處理,由于采用FFT僅提取故障的主要次數(shù)諧波特征,訓(xùn)練數(shù)據(jù)較少,訓(xùn)練時(shí)長較短,但是存在部分頻域特征丟失的問題,造成診斷準(zhǔn)確率較低;方法②和方法③都與本文方法類似,同樣對原始故障數(shù)據(jù)進(jìn)行訓(xùn)練,能夠避免方法①中人工特征提取的弊端,準(zhǔn)確率更高,但是模型結(jié)構(gòu)參數(shù)或分類器參數(shù)都由經(jīng)驗(yàn)定義,容易出現(xiàn)局部最優(yōu)或過擬合,訓(xùn)練時(shí)長也遠(yuǎn)大于本文方法。因此,本文FWA-DBN方法在航空發(fā)電機(jī)偏心故障診斷方面明顯優(yōu)于其他方法。

4 結(jié) 論

本文提出一種基于FWA-DBN的故障診斷方法,實(shí)現(xiàn)對航空發(fā)電機(jī)空載與額定負(fù)載運(yùn)行工況進(jìn)行偏心故障診斷。本方法根據(jù)發(fā)電機(jī)故障輸出數(shù)據(jù),利用群體優(yōu)化算法訓(xùn)練得到最佳DBN結(jié)構(gòu),能夠解決多并聯(lián)支路繞組結(jié)構(gòu)與較小偏心程度帶來的診斷困難問題,更快速且準(zhǔn)確地提取難以區(qū)分的故障特征,提高了航空發(fā)電機(jī)偏心故障診斷效率。本改進(jìn)算法適用于實(shí)際航空發(fā)電機(jī)故障檢測,能夠提供最優(yōu)訓(xùn)練與診斷模型。