Resumen

Con el fin de diagnosticar los fallos de los sensores de los motores aeronáuticos con mayor rapidez y precisión, en este artículo se propone un método de diagnóstico de doble redundancia basado en la máquina de aprendizaje extremo secuencial en línea ponderada (WOS-ELM). WOS-ELM, que asigna diferentes pesos a los datos antiguos y nuevos, implementa el tratamiento ponderado de los datos de entrada para obtener modelos de entrenamiento más precisos. El enfoque propuesto contiene dos series de modelos de diagnóstico, a saber, el modelo espacial y el modelo temporal. La aplicación de la doble redundancia basada en la redundancia espacial y temporal puede detectar en tiempo real el fallo duro y el fallo blando mucho antes. El modelo de redundancia temporal sin problemas o reconstruido puede utilizarse para actualizar el modelo de formación y hacerlo coherente con el modo de funcionamiento práctico del motor aeronáutico. Los resultados de la simulación ilustran la eficacia y viabilidad del método propuesto.

• Materias:Control del proceso Aerodinámica Diagnóstico de fallas Regulación automática Instrumentación automática
• Subjects: Aerodynamics Fault diagnosis Automatic regulation Automatic instrumentation
• Palabras claves:máquina de aprendizaje extremo secuencial en línea ponderada, enfoque de diagnóstico de doble redundancia, modo de funcionamiento práctico, modelos de formación precisos, modelo de redundancia temporal, elm, wos, aeromotor, resultados de simulación, modelos de diagnóstico
• Keywords:weighted online sequential extreme learning machine, double redundancy diagnosis approach, practical operation mode, precise training models, time redundancy model, elm, wos, aeroengine, simulation results, diagnosis models