液氧煤油火箭发动机起动故障检测

针对液氧煤油发动机试车起动阶段故障检测需要,确定了采用时序模型和非线性回归模型的两种检测方法,提出了检测参数选取的一般性原则并结合液氧煤油发动机特点确定了检测参数,设计了故障检测所需的完整的软、硬件系统。经系统调试和试车同步验证,证明该检测系统能有效检测发动机起动阶段故障,对提高试车可靠性和安全性有重要意义。      

基于集员估计的卫星飞轮故障检测与预测方法

为了对卫星飞轮故障进行提前预警，提出了一种基于集员估计的故障检测和预测方法。首先，基于飞轮的动态模型设计了一种基于中心对称多面体的故障检测方法。在检测出飞轮故障后，选取飞轮的电流数据作为故障特征，并采用线性模型或非线性模型来描述其退化规律。然后，提出了一种基于中心对称多面体的集员算法，对退化模型中的未知参数进行估计，并以此为基础预测未来时刻的故障，进而实现对飞轮故障的提前预警。最后，通过数值仿真，将所提出的方法和两种现有的故障预测技术进行了对比。仿真结果表明了所提方法的有效性和优越性。     

基于Box-Cox变换与随机系数回归模型的非线性退化设备剩余寿命预测方法

准确预测退化设备的剩余寿命可以为设备维护管理提供重要信息支撑，进而避免设备运行中发生计划外失效、减少设备运行维护成本。针对工程实际设备广泛存在的非线性退化现象，提出了基于Box-Cox变换与随机系数回归模型的非线性退化设备剩余寿命预测方法。首先，采用Box-Cox变换对非线性退化数据进行线性化处理，在此基础上通过随机系数回归模型构建退化模型，并运用Bayesian理论与蒙特卡洛-期望最大化算法在线更新模型参数；然后，基于随机系数回归模型的特性，推导出剩余寿命的分布函数以及其点估计值；最后，通过数值仿真和锂电池实际退化数据验证所提方法的有效性。     

基于AR/CGARCH模型的液体火箭发动机自适应阈值故障检测算法

为了解决传统自适应阈值算法对时间序列方差跟踪能力不足,以及故障阶段带宽自动放大的问题,提出了紧广义自回归条件异方差（Compact General Auto-Regressive Conditional Heteroskedasticity,CGARCH）模型。针对液体火箭发动机稳态试车数据的波动性特点,提出一种基于自回归（Auto-Regressive,AR）模型和CGARCH模型的自适应阈值故障检测算法。采用AR模型对稳态参数的均值进行估计,并采用CGARCH模型对稳态参数的方差进行估计,从而利用均值和方差的估计值自适应地构造检测阈值。用某氢氧火箭发动机的热试车数据进行验证,结果表明,该算法能够准确、快速、灵敏地检测液体火箭发动机故障,在正常工作阶段,能够有效跟踪数据波动性,在故障阶段,能够避免阈值变宽带来的漏检。     

有控飞行器非线性气动模型结构的确定（II）

针对非线性气动模型结构中必然存在的共线性问题，冲破传统模型结构确定方法的束缚，提出了基于共线性诊断和主元回归及主元分析筛选变量法进行非线性模型结构确定的新思想，有效地解决了非线性模型结构确定问题，进而首次讨论了本文给出的模型结构确定方法与最优输入设计及参数可辨识性三者间的关系，某型飞行器非线性气动模型的确定证明了本文方法的有效性。     

有控飞行器非线性气动模型结构的确定（Ⅱ）

针对非线性气动模型结构中必然存在的共线性问题，冲破传统模型结构确定方法的束缚，提出了基于共线性诊断和主元回归及主元分析筛选变量法进行非线性模型结构确定的新思想。有效地解决了非线性模型结构确定问题，进而首次讨论了本文给出的模型结构确定方法与最优输入设计及参数可辨识性三者间的关系。某型飞行器非线性气动模型的确定证明了本文方法的有效性。     

Eurocat—X软件可靠性建模分析及预测

根据软件可靠性的建模过程对Eurocat—X软件的失效数据进行分析。通过非线性回归方法估计模型参数,比较3种模型的拟合度,得出最适用于该软件的可靠性模型．并预测其软件可靠性。     

基于QPSO算法的压气机特性代理模型优化

考虑到小样本特性数据情况下进行部件特性数据的二维线性插值精度低,提出一种基于量子粒子群优化(QPSO)算法的压气机特性代理模型优化方法。针对原始Kriging模型对其相关模型参数的初始值极度敏感以及易限于局部最优解的缺陷,利用QPSO算法对Kriging的相关模型参数进行全局寻优,克服了基于梯度的模式搜索法对于参数初始值的依赖,经测试该方法具有较好的效率以及稳定性。将该优化模型扩展应用于低压压气机特性代理模型建立与重构。经验证,在小样本特性数据下,基于QPSO的压气机特性Kriging模型仍具有较高精度,应用前景可观。     

基于电信号融合的煤矿井下坑道钻机故障预警

针对煤矿井下全液压坑道钻机主要依靠人工经验进行故障诊断,其对司钻人员专业技能要求较高,且无法实现早期故障预警的现状,提出了利用钻机中电机定子侧电信号融合的方法实现钻机的故障预警。分别对电机匝间短路以及转子不对中两种故障进行了试验研究。实验结果表明,利用钻机中电机定子侧电信号融合进行全液压坑道钻机的故障预警方法有效、可靠,该方法对电信号的采集便捷,避免了对信号采集器和传感器的特殊设计。利用这一方法为煤矿井下全液压坑道钻机提供了一种新型、可靠的故障预警方法。     

利用改进时序模型提取空间推进系统特征参数

介绍了利用改进时序模型提取空间飞行器推进系统特征参数的方法，利用此方法，结合某飞行器推进系统试验的实测数据，提取出了相应的特征参数，并以此为基础得出了故障判据的阈值，数据回访表明此阈值较领域专家提供的阈值对“泄漏”故障更为敏感，结合多参数辅佐检测，可以很好地完成推进系统的故障检测功能，具有工程实用可行性。     

基于循环平稳时间序列的齿轮裂纹故障早期检测

在分析齿轮振动信号的基础上 ,结合其具有循环平稳性的特点 ,提出了基于线性几乎周期时变 AR模型的故障早期检测方法 ,推导了基于高阶循环累积量的模型参数辨识算法 ,具有抑制加性平稳噪声的优点。最后在某型直升机齿轮裂纹故障早期检测中进行了应用 ,结果表明该方法具有很好的预测能力 ,利用模型残差的峭度能够检测和预报早期裂纹故障 ,同时为根据正常样本检测旋转机械故障提供了一种思路      

基于ARCN模型的轴承故障诊断

提出注意力循环机制与胶囊网络融合的注意力循环胶囊网络（ARCN）的诊断模型。提取时序特征信息构建初级胶囊;自适应融合路由机制、注意力循环机制构建数字胶囊特征;基于西储大学轴承实验数据,验证了ARCN模型的准确率、鲁棒性、稳定性、收敛误差,其准确率相比Caps模型识别准确率提高1.2%、收敛误差达到0.2。基于实验仿真平台,采集正常、内环故障、外环故障和滚动体故障的振动信号,并通过小波基变换获取的时频图构建ARCN模型的数据集。仿真实验结果表明:ARCN模型下,每类故障被误诊的概率不超过总样本的1%。      

自校准扩展Kalman滤波方法

提出一种自校准扩展Kalman滤波(SEKF)方法,针对3种含有未知输入(如未知系统误差、突风、故障等)的不同的非线性系统模型,分别给出了滤波递推算法.在导航、信号处理、故障诊断等领域的许多非线性工程中,传统的扩展Kalman滤波(EKF)方法无法消除未知输入的影响,在滤波过程中往往产生较大误差甚至发散.提出的SEKF方法能够对这种未知输入进行补偿和修正,从而提高滤波精度.数值仿真算例表明:SEKF的滤波误差均值和标准差分别减少到传统EKF的1/12和1/4,有效地改善了滤波精度.并且该方法计算简单,便于工程应用.      

Digital twin model of gas turbine and its application in warning of performance fault

The digital twin-driven performance model provides an attractive option for the warn gas-path faults of the gas turbines. However, three technical difficulties need to be solved: (1) low modeling precision caused by individual differences between gas turbines, (2) poor solution efficiency due to excessive iterations, and (3) the false alarm and missing alarm brought by the traditional fixed threshold method. This paper proposes a digital twin model-based early warning method for gas-path faults that breaks through the above obstacles from three aspects. Firstly, a novel performance modeling strategy is proposed to make the simulation effect close to the actual gas turbine by fusing the mechanism model and measurement data. Secondly, the idea of controlling the relative accuracy of model parameters is developed. The introduction of an error module to the existing model can greatly shorten the modeling cycle. The third solution focuses on the early warning based on the digital twin model, which self-learns the alarm threshold of the warning feature of gas-path parameters using the kernel density estimation. The proposed method is utilized to analyze actual measured data of LM2500 +, and the results verify that the new-built digital model has higher accuracy and better efficiency. The comparisons show that the proposed method shows evident superiority in early warning of performance faults for gas turbines over other methods.     

基于分层思路的动态非线性气动力建模方法

很多非线性气动力模型难以精确预测系统的小扰动线性特征。针对这一局限,提出了一种非线性分层模型,用于辨识跨声速非线性非定常气动力。分层建模需要同时提供微幅振荡和大幅振荡两套训练样本,首先通过线性模型(如带外输入的自回归(ARX)模型)对微幅振荡样本进行建模,而后采用非线性模型(如径向基函数神经网络(RBFNN))对大幅振荡的样本与线性模型的差量进行建模,进而把线性模型和非线性模型的输出相叠加,得到分层非线性动力学模型。算例表明建立的分层气动力模型与单一自回归径向基函数(AR-RBF)神经网络模型相比不仅具有更高的数值精度,可以精确预测大幅运动中的非线性特征,而且在小扰动状态下自动退化为线性模型,能够精确刻画结构微幅振荡下的线性动力学特性。     

基于卷积双向长短期记忆网络的轴承故障尺寸估计

基于振动监测数据的航空发动机滚动轴承损伤大小识别,对于研究滚动轴承故障演化、故障预测和故障诊断具有重要意义。针对传统模型对先验知识依赖性高、特征提取不充分、故障尺寸训练类别有限等问题,提出了一种基于深度学习的滚动轴承损伤尺寸预计方法,能够对训练过程中未出现的中间尺寸进行准确识别。在经典模型的基础上,搭建了一种深度卷积网络与长短期记忆网络组合模型,该模型可对轴承振动信号的多维特征与时序特征进行充分提取,实现轴承故障的智能和高效诊断。最后,利用滚动轴承加速疲劳试验机,进行了多种转速与损伤尺寸下的滚动轴承故障试验,基于试验数据进行了方法的比较,结果表明,该组合网络的在正常和加噪的情况下预测精度分别达到99.94%和98.67%,较单独的深度卷积网络、长短期记忆网络及其他模型精度更高,比较结果充分表明了本文所提方法的优越性。     

一种基于Deep-GBM的航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承故障信号难于识别的特点，提出了一种深度梯度提升模型（Deep-GBM）对振动信号特征进行逐层学习以提高分类模型的准确率。开展某型航空发动机中介轴承故障模拟实验，并采用经验模式分解(EMD)方法对采集的振动信号进行分解，提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征。采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别。实验结果表明，所提出的Deep-GBM故障诊断准确率达到87%，相对于传统的机器学习模型准确率最高提升了28%，并具有良好的泛化能力。      

航空发动机盘腔积液的故障识别

针对航空发动机盘腔积液故障难于监测和诊断的问题,将积液问题分为早期积液和严重积液,分别进行振动特征提取。研究了不平衡量和早期积液对转子振动的影响规律,基于幅频特性曲线区域面积分布特点,提出一个早期积液故障识别准则;分析了严重积液转子失稳振动特征,发现积液转子在发生失稳时会出现振动幅值突增、次谐波分量突增和拍振,基于振动特征提出三个严重积液故障识别准则。结合航空发动机实际工况,提出一套完整的积液故障监测方法和诊断流程,能够实现在转子失稳前发出预警,避免故障升级。通过30组实验数据进行验证,所提出的积液故障识别方法准确率达96%,具备工程应用价值。     

基于多源信息融合-相关向量机的风力发电机故障诊断

为了能够全面准确地识别风力发电机的故障类别,考虑信号源振动和电流之间的相关性,提出了一种基于信息融合和改进相关向量机相结合的故障诊断方法。通过直驱风力发电机试验台实测数据,提取具有较高敏感度的特征参数作为诊断样本,建立基于振动和电流的改进相关向量机诊断模型进行初步故障诊断。利用信息融合建立多信号源故障诊断模型,获得最终风机故障诊断结果。试验表明,与基于单一信号的故障诊断方法相比,该方法具有更高的准确性,能很好地识别具有机电耦合特性的风力发电机故障类型。     

应用时变参数建模方法辨识时变模态参数

 应用非平稳时间序列的时变自回归建模方法进行了参数随时间变化的线性系统模态参数的辨识。对线性时变系统在白噪声激励下振动响应的非平稳时间序列进行建模。通过引入基函数将非平稳过程的辨识问题转化为线性时不变过程的辨识。结合信号时频变换确定模型阶次, 通过时变的伯格尔( Bur g) 算法对时变的自回归(AR) 模型系数和时变结构模态频率进行了估算。通过对刚度随时间变化的三自由度系统模态频率的仿真辨识, 验证了辨识方法的有效性。