摘要：為有效、準(zhǔn)確地診斷出燃?xì)廨啓C(jī)健康狀態(tài),在燃?xì)廨啓C(jī)專用試驗(yàn)平臺對其進(jìn)行試車試驗(yàn),獲取主泵、噴口加力調(diào)節(jié)器、滑油壓差傳感器等關(guān)鍵部件的原始信息,采用核主元分析(Kernel Principal Component Analysis,簡稱KPCA)方法對原始信息進(jìn)行處理,提取燃?xì)廨啓C(jī)關(guān)鍵部件狀態(tài)表征參數(shù)的核主元,創(chuàng)建特征向量空間。由于深度學(xué)習(xí)可以構(gòu)建含多隱層的學(xué)習(xí)模型,實(shí)現(xiàn)逐層的特征變換,從而自適應(yīng)地捕獲隱藏于故障數(shù)據(jù)內(nèi)部的有用信息,增強(qiáng)診斷過程的智能性,因此由核主元特征向量創(chuàng)建深度學(xué)習(xí)故障診斷模型,對燃?xì)廨啓C(jī)進(jìn)行了故障診斷技術(shù)研究。與此同時(shí),亦創(chuàng)建了極限學(xué)習(xí)機(jī)(Extreme Learning Machine,簡稱ELM)故障診斷模型并進(jìn)行了診斷,結(jié)果表明深度學(xué)習(xí)正確診斷率明顯優(yōu)于極限學(xué)習(xí)機(jī)。在此基礎(chǔ)上,尚采用信息融合技術(shù)對以上兩種方法的診斷結(jié)果進(jìn)行決策層融合,進(jìn)一步提升了故障診斷準(zhǔn)確率。研究表明,該方法能有效診斷出燃?xì)廨啓C(jī)關(guān)鍵部件健康與故障狀態(tài),具有很好的工程應(yīng)用前景。