航空发动机主轴承使用状态寿命预测模型(英文)

航空发动机主轴承寿命的实际可靠预测对于发动机的安全运行至关重要。使用状态寿命(即状态良好、初始损伤、故障发展和即将失效4个寿命阶段)描述航空发动机主轴承的使用寿命,并提出了一种基于支持向量机和模糊逻辑推理的主轴承状态寿命分析模型。首先,讨论了理论计算模型,采用轴承疲劳累积损伤模型,利用修正的Lundberg-Palmgren模型,结合飞参记录数据计算主轴承装机以来的累积寿命消耗,确定状态寿命的理论值。然后,详细阐述了状态寿命评估模型,该方法通过选取轴承振动的时域、频域统计量作为特征矢量,利用支持向量机作为辨识算法进行滚动轴承状态寿命的智能评估。最后,基于模糊逻辑推理融合主轴承状态寿命的理论计算模型和状态寿命评估模型得到主轴承状态寿命模型。采用滚动轴承的全寿命试验验证模型的有效性和可行性。     

深度卷积神经网络在轴承多故障复合诊断中应用研究

基于深度学习具有强大的自特征提取能力和较优的分类能力,将深度卷积神经网络引用到轴承的故障诊断中,提出了基于一维深度卷积神经网络的轴承复杂工况故障诊断方法。在提出的方法中,将轴承的多故障振动信号作为模型的直接输入,通过训练深度卷积神经网络模型,利用模型中多个卷积层和池化层对输入的振动信号进行自特征提取,并进行故障分类。从而以基于数据驱动的方式形成端到端的故障诊断。研究表明,在一维深度卷积神经网络中直接输入轴承振动信号进行故障诊断,与提取时域和频域特征结合支持向量机进行故障诊断的方法相比,深度卷积神经网络可以更好地反映时域振动信号与特征间的关系,获得了比传统智能诊断方法更高的识别效率。     

基于ELMD与改进SMSVM的机械故障诊断方法

机械振动信号携带大量重要的机械状态信息,然而机械故障振动信号在复杂工作状态下通常呈现非平稳、非线性特性。因此,从振动信号抽取和选择有效的机械故障特征、提高故障识别性能,成为机械故障诊断研究的热点。针对上述问题,本文提出了基于集成局部均值分解(Ensemble local means decomposition,ELMD)与改进的稀疏多尺度支持向量机(Sparse multiscale support vector machine,SMSVM)的机械故障诊断方法。该方法首先使用自适应非线性、非平稳信号处理方法 ELMD把多模态调制故障信号分解成为多个单模态解调信号,有效地增强了故障特征。把压缩感知和多尺度分析技术融合于故障模式分类中,提出改进SMSVM旋转机械故障识别方法,提高多类机械微弱故障数据模式识别性能。该方法融合稀疏表示、多尺度分析和SVM的优点,无需求解复杂的优化问题,易于推广至更多尺度SVM,具有计算量少、泛化性与鲁棒性好、物理意义明显等优点。人工数据和实验设备数据验证了本文算法的优越性。     

航空发动机气路故障诊断研究现状与展望

航空发动机气路故障诊断是通过对发动机系统、部件的气路参数进行分析,以识别气路部件性能退化或故障的主动过程,是提高飞行安全性和可靠性、降低发动机维修成本的重要途径,当前已成为飞行推进技术研究领域的热点。本文较为详尽地阐述了发动机气路故障诊断技术的发展历程;讨论了发动机气路故障诊断的主要方法,包括基于线性/非线性模型的诊断方法、基于数据驱动的诊断方法、基于信息融合的诊断方法等,评述了这些方法的优缺点;最后指出了气路故障诊断技术中的关键技术和难点,并对未来的发展趋势进行了展望。     

具备高适应性的高速铣削刀具磨损状态监测系统

为提高加工监测系统的适应性和智能化程度,提出基于刀具磨损曲线的实时刀具状态监测系统。自学习能力的引入使该系统可自动进行不同刀具状态的识别和磨损程度的估计,较大程度上摆脱对系统事先"教学"的依赖。同时为有效抑制切削参数变化带来的干扰,提出一种特征提取方法来自动提取敏感特征,减少监测系统开发时间和成本。针对高速铣削过程的刀具磨损监测,采用切削力和声发射传感器来采集信号,并运用时域、频域和小波分析技术来对信号进行处理,试验结果证明了所提出的自动特征提取方法的有效性和智能刀具状态监测系统的高适应性。     

基于改进l_1趋势滤波的滚动轴承故障诊断

针对轴承故障的振动信号滤波问题,提出了改进l1趋势滤波方法。该方法滤波效果由规则化参数决定,一般根据原始信号的特征信息来确定这个参数。为了提升适用性,最佳规则化参数通过与最大值之间的线性关系来选取。通过实际轴承的内、外圈故障振动信号分析发现,该方法能提取轴承故障特征。同时,相比于经验模态分解方法,改进方法具有更好的特征提取效果。     

基于RBF神经网络的航空发动机轴承故障诊断

提出一种新的航空发动机滚动轴承故障诊断方法。利用小波包分解对轴承的动态信号进行分析、提取特征,采用RBF神经网络进行承故障诊断。对7类故障进行了实验,结果表明该方法具有很好的故障诊断效果。     

基于变分模态分解的振动台轴承状态监测方法

针对航天器力学试验用振动台水平滑台内部轴承无法观测、故障发生初期无法获知的问题,提出了针对轴承故障的一种在线预判方法,旨在提前发现轴承故障隐患,避免产品损失。首先,选取加速度传感器作为轴承运动状态响应监测介质,以螺接方式安装于轴承上;其次,使用变分模态分解技术作为轴承加速度响应数据分析方法,计算每个轴承除基波外的谐波成分;最后,通过谐波成分计算结果所构建的轴承状态指标,直观地判读出故障轴承。真实产品振动试验过程中获取了一组有效的轴承故障数据,该组数据结果明确表达了滑板内部4号轴承的异常性,滑板拆除后的检查结果也验证了轴承状态指标的有效性,同时也为未来轴承健康状态指标的制定奠定了基础。     

采用模糊RBF神经网络的直升机旋翼不平衡故障诊断

提出一种利用模糊径向基函数(Radial basis function,RBF)神经网络进行直升机旋翼不平衡故障诊断的方法,建立了用于直升机旋翼不平衡故障识别的模糊诊断模型。基于直升机旋翼不平衡故障模拟实验,对采集于旋翼配重不平衡、桨距不平衡、后缘调整不平衡和正常状态下的试验台体振动信号进行功率谱分析,并采用主分量分析(Principal component analysis,PCA)的方法进行故障特征提取。采用模糊RBF神经网络诊断模型对旋翼不平衡故障进行了故障分类识别,同时分析了不同主分量累计贡献率和模糊子空间对故障分类精度的影响,并与RBF神经网络的诊断模型、支持向量机(Support vector machine,SVM)诊断模型进行了故障识别效果对比。结果表明,模糊聚类RBF神经网络的诊断方法对旋翼不平衡故障具有更好的识别能力。     

基于ALIF和FWEO的滚动轴承故障特征提取方法

针对传统算法难以准确提取强背景噪声下滚动轴承微弱故障特征的问题,提出了基于ALIF(自适应局部迭代滤波)和FWEO(频率加权能量算子)的故障特征提取方法。利用ALIF将故障信号分解为若干I分量,通过计算不同I分量的峭度值及与原始信号的相关系数,筛选出与原始信号相关性最大的2个I分量进行重构,并利用FWEO进行解调,最终得到重构信号的能量谱图来实现轴承故障特征信息的提取,并与基于传统算法EMD和FWEO的方法进行对比,仿真和实验结果表明,该方法在故障信息提取方面的能力更优,对滚动轴承的故障诊断也更有优势。     

基于时频图和CNN的滚动轴承故障诊断

针对传统轴承故障诊断方法泛化能力差,提出了一种基于时频图和卷积神经网络(CNN)的滚动轴承故障诊断方法。首先,对振动信号进行短时傅里叶变换,构造时频图;然后,将训练信号的时频图作为卷积神经网络的输入,训练网络模型;最后,将测试信号的时频图输入网络模型,实现对滚动轴承的故障状态识别。通过美国凯斯西储大学的开放数据集进行多组验证实验,结果表明该方法能够有效的判断轴承是否存在故障,并且能够识别故障类型,准确率可以达到97.63%以上。     

基于声发射砂轮磨损监测系统的研究

磨削加工过程中砂轮出现磨损需要反复的修整,砂轮磨损状态的监测可以有效判别砂轮工作状态,减少砂轮修整次数。本文建立了一种基于声发射信号的砂轮磨损监测模型,提出了基于一种小波分解系数均方值统计分析的砂轮磨损状态特征提取方法。同时,采用BP神经网络对砂轮磨损状态进行识别,其输入为3种提取特征,输出为3种不同的砂轮磨损状态。通过磨削试验对监测系统进行评价。结果表明,所提出小波分解系数均方值统计分析的特征提取方法和砂轮磨损监测系统均具有良好的效果。     

基于磨粒分析方法的发动机磨损故障智能诊断技术

磨粒是研究磨损状态时最直接、最重要的信息元，通过对滑油中的磨粒进行监测与分析来判断机械设备的磨损情况，可以预防并监测机械设备的磨损故障。本文运用显微形态学方法建立了一套磨粒显微特征描述体系，以提取磨粒信息并进行磨损故障的模式识别；并结合摩擦学理论和人工智能方法，实现对发动机磨损故障的智能诊断和预测。     

旋翼变距拉杆关节轴承磨损故障特征及磨损程度识别

在旋翼故障试验台上设置不同程度的变距拉杆关节轴承磨损故障,分别测量其引起的机体振动信号,通过频谱分析技术提取该类故障的机体振动特征。取故障信号频谱分量作为训练和测试样本,利用径向基神经网络的良好逼近能力,实现了仅用机体振动信号来识别变距拉杆关节轴承磨损程度,识别平均误差小于10%。该诊断方法简捷可行,为进一步开发旋翼状态监测与故障诊断系统提供技术基础。     

基于数据融合的航空发动机可靠性评估模型(英文)

航空发动机运行过程中广泛存在着其他类型的数据,采用数据融合方法可以充分利用多源数据获取可靠性信息。考虑到航空发动机性能衰退性故障和突发故障同时存在,表现为竞争风险的形式,这种多故障模式也会对可靠性评估结果产生影响。在竞争风险的框架前提下,提出一种基于数据融合的航空发动机可靠性评估模型。该模型相对于只利用故障数据进行的可靠性评估,具有更好的可操作性;相对于只考虑一种故障模式进行的可靠性评估,更加符合航空发动机实际,评估结果也更加准确。通过算例验证了提出方法的有效性。     

磨粒监测与分析系统在航空发动机状态监控中的应用(英文)

磨损颗粒是研究机器磨损状态时最直接、最重要的信息元 ,通过对滑油中的磨粒进行监测与分析以判断机械设备的磨损状况 ,可以监测并预防机械设备的磨损故障。本文介绍的磨粒监测与分析系统 ( DMAS)具有制谱简单、自动化程度高、能及时准确预报及诊断机器的各种磨损类故障等特点 ,可以有效地保障机器安全可靠地运行。本文详细地阐述了这套系统的基本原理、软硬件组成 ,以及在航空发动机磨损状态监测中的应用     

基于自适应滤波的主动磁悬浮轴承位移传感器故障识别

针对采用差动式位移传感器的主动磁悬浮轴承系统,从理论上分析了控制器输出信号与转子干扰力及传 感器故障信号之间的关系和自适应滤波器的工作原理,并在此基础提出了基于自适应滤波的传感器故障识别方 法.该方法以两路位移信号的差值为参考信号对控制器的输出信号进行滤波,从而得到控制器输出信号和两路 位移信号的差值之间的相关系数,根据该相关系数的极性即可准确地判断出故障传感器.还采用Matlab对该方 法进行了仿真研究,并在一个主动磁悬浮轴承试验台上进行了试验研究,研究结果表明:该方法可以同时识别传 感器的直流故障争交流故障;转子在静态悬浮和高速旋转时,该方法均可以准确地检测到传感器故障并识别出 故障传感器.     

基于定子电流的无刷直流电机轴承故障诊断

为了在无刷直流电机发生轴承故障早期检测出轴承故障特征,本文就无刷直流电机轴承故障信息的提取提出了一种新的方法。该方法选择电机的母线电流和三相电流最大值作为轴承故障信息的提取对象,避免了相电流由于谐波含量过大及不连续带来的诊断效果不佳的后果。同时,本文选择小波包算法作为轴承故障信号提取的方法,能够更好地对轴承故障信息进行辨识。实验结果证明,通过对母线电流和三相电流最大值进行小波包分解能够很好地进行无刷直流电机轴承故障信息的提取。     

应用神经网络的航空发动机故障诊断仿真研究(英文)

传统的定期维护制度成本高 ,劳动强度大 ,且对发动机故障的诊断和探测能力十分有限。现代飞机上的发动机监控系统 ( EMS)具有向维护人员提供有关发动机故障信息的潜在能力。本文将径向基函数 ( RBF)神经网络应用到航空发动机故障诊断中。该方法能够依靠测量参数探测发动机多个气路故障 ,并对各大部件的性能退化进行定量的诊断。仿真结果表明 ,诊断的精度能够满足实际应用的需要 ,神经网络的非线性映射能力可用来捕捉发动机的特性。该方法具有通用性 ,在其他类似的复杂机械中也可以获得应用。     

在线稀疏最小二乘支持向量回归机及其应用

提出了一种简单有效的方法——OPLS—SVR来实现在线最小二乘支持向量回归机解的稀疏性。由于稀疏性的实现,在线稀疏最小二乘支持向量回归机的响应时间被大大缩短。此外,为了保证给航空发动机控制器提供可靠、正确的控制信号,提出了一种基于OPLS—SVR的解析余度技术来解决传感器失效和漂移问题。仿真实验表明了该解析余度技术有效且可行。