燃油泵是飞机燃油系统的核心部件。燃油泵的工作环境恶劣,一旦发生故障,会对飞机的飞行安全造成严重的后果,所以对飞机燃油泵进行故障诊断至关重要。现阶段飞机燃油泵故障存在一些问题,如故障较为随机,故障数据稀缺等。针对这些问题,提出了基于深度迁移学习的飞机燃油泵故障诊断算法。首先,将飞机燃油泵和其他结构相似泵的数据分别作为目标数据和训练数据,利用小波包分解,对两种泵的原始数据进行特征提取。其次,对分解后的两种故障数据进行过采样处理,增加数据量。使用最大均值差异算法(MMD)作为衡量域损失的度量,并将其嵌入到1维卷积神经网络(CNN)结构中。使用该算法对数据进行训练,最终完成故障分类。实验结果表明,该算法相对于BP神经网络、LSTM以及CNN有更好的准确性。

不同工况下的轴向柱塞泵故障数据存在分布差异,现有的基于特征迁移学习的变工况故障诊断方法大多只通过单个传感器信号进行分析,具有一定的局限性和片面性。为了利用多传感器信号提高变工况下轴向柱塞泵故障诊断的性能,该研究提出一种耦合分类器子空间嵌入分布自适应(Subspace Embedded Distribution Adaptation with Coupled Classifiers,SEDACC)方法。该方法利用多传感器信号的频谱数据构造主要数据集和辅助数据集,通过子空间对齐(Subspace Alignment,SA)方法将源域和目标域的主要数据投影到公共子空间中,并采用加权条件最大均值差异(Weighted Conditional Maximum Mean Discrepancy,WCMMD)作为度量进行特征分布的适配。同时,基于结构风险最小化(Structural Risk Minimization,SRM)准则在源域标签数据上学习主分类器,根据主分类器对于目标域的预测结果在目标域辅助数据上学习辅助分类器...