Resumen

La técnica de redundancia analítica es de gran importancia para garantizar la fiabilidad y la seguridad del sistema de motor de las aeronaves. En este trabajo se desarrolla una técnica de redundancia analítica de sensores de motores de aviación basada en el aprendizaje automático y se verifica mediante simulación hardware-in-the-loop (HIL). La máquina secuencial de aprendizaje extremo online modificada, la máquina secuencial de aprendizaje extremo online regularizada de actualización selectiva (SROS-ELM), se emplea para entrenar el modelo online y estimar las medidas de los sensores. Actualiza selectivamente los pesos de salida de las redes neuronales en función de la precisión de la predicción y la norma del vector de pesos de salida, aborda los problemas de singularidad y mala propuesta mediante regularización, y adopta una función de activación dual en los nodos ocultos combinando la teoría neuronal y wavelet para mejorar la capacidad de predicción. Los resultados experimentales verifican el buen rendimiento de generalización de SROS-ELM y muestran que la técnica de redundancia analítica desarrollada para el diagnóstico de fallos en sensores de motores aeronáuticos basada en SROS-ELM es eficaz y viable.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Técnica de redundancia analítica; fiabilidad; seguridad; sistema de motor de aeronave; aprendizaje automático; diagnóstico de fallos de sensores.
• Keywords:Analytical redundancy technique; reliability; safety; aircraft engine system; machine learning; sensor fault diagnosis