基于支持向量机和信息融合的整机振动状态监视与诊断

将信息融合和支持向量机等智能诊断技术应用于整机振动状态监视与故障诊断领域。采用航空发动机振动信号作为诊断模型的训练样本,使支持向量机能够反映特征向量和故障类型的映射关系,从而成功地诊断了某型发动机的振动故障模式。     

航空发动机故障融合诊断研究

结合气路诊断与振动分析方法,建立发动机故障融合诊断模型,探讨气路与振动故障融合诊断方法的可行性。构建故障融合诊断3级体系(故障特征级、故障模式级以及故障决策级融合),实现基于性能参数和振动参数的综合评估方法,获得基于小偏差法的气路故障判据,形成基于动力学分析的振动故障判据,提出故障特征融合的方法,通过算法实现故障融合识别,并在模拟试验器上进行涡轮叶片掉块故障试验验证,获得相应的故障诊断决策。结果表明:设计的发动机故障融合诊断方法合理,算法正确。     

基于支持向量机的航空发动机整机振动故障诊断技术研究

支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的一种新型机器学习方法,由于它出色的学习分类能力和推广能力,广泛地应用于模式识别和函数拟合中。针对某型航空发动机整机振动过大的现象,提出了一种基于支持向量机（SVM）的整机振动故障诊断方法。首先介绍了SVM理论,然后根据SVM学习方法的结构风险最小化原则,对某型航空发动机已知的整机振动故障模式数据进行了训练和预测,并建立了基于SVM的航空发动机整机振动故障诊断模型。最后通过对已有故障模式进行诊断预测,证明该方法在航空发动机整机振动故障诊断方面具有良好效果。     

基于DSmT的航空发动机早期振动故障融合诊断方法

提出在航空发动机多个部位安装多个振动传感器组成传感器网络.采用多传感器信息融合技术进行早期振动故障的诊断方法,并引入Dezert-Smarandache理论(DSmT)来处理由早期微弱故障本身所导致的各个传感器信息相互冲突的问题.在构建的早期微弱故障诊断系统框架中,采用基于本征模态函数(IMF)的信息熵特征提取方法提取各路振动数据的特征,采用反向传播(BP)神经网络完成对故障属性的判断并生成各种故障模式的基本置信分配,最后根据DSmT融合规则得到最终的诊断结果.算例表明采用该方法可以有效地解决早期微弱故障条件下的高冲突信息融合问题,故障诊断结果准确可靠.      

基于FSVM改进隶属度的发动机振动性能分析

为了更有效地掌握航空发动机振动性能的影响因素,提出了改进FSVM信息熵的融合定量分析方法.首先,对模糊支持向量机(FSVM)的模糊隶属度函数进行改进,建立多类模糊隶属度计算模型.再将该方法应用到航空发动机整机振动性能评估,计算出振动故障模式与故障原因之间的权值,建立了一个多参数的发动机振动性能分析模型;并对各类振动原因对发动机整体性能的影响进行定量分析,为发动机的振动抑制提供量化参考指标.最后,通过与实际经验作比较,验证了该方法是可行和有效的.     

故障因子诊断方法在航空发动机上的应用研究

航空发动机气路中任何零部件受损而引起的性能恶化,必然导致相关参数的变化。引入了故障因子的概念,介绍了故障因子诊断方法在航空发动机上的应用,阐述了航空发动机故障诊断过程中测量参数与性能参数选取的依据和方法,利用故障因子建立了某型涡喷发动机稳态工作状态下的故障模型和诊断模型,探讨了4个测量参数诊断气路部件故障的方法。算例结果表明:故障因子诊断方法是航空发动机进行故障诊断的1种最基本且十分有效、快捷的诊断手段。     

基于融合信息熵距的转子裂纹-碰摩耦合故障诊断方法

针对转子系统的裂纹-碰摩耦合故障,提出了一种基于融合信息熵距的转子振动故障诊断方法.利用转子实验台模拟转子系统裂纹故障、碰摩故障及裂纹-碰摩耦合故障,并采集三种典型故障的振动加速度信号.利用时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵以及小波空间特征谱熵,计算融合信息熵距实现故障诊断.实例研究表明:这四种信息熵形成了综合评价转子振动状态的特征指标,多测点、多转速下的信息熵距曲线较好地区分了单一故障和耦合故障,有效地提高了转子振动故障诊断的准确性.测试信号与其对应的振动故障之间的信息熵距最小,信息熵距曲线位于坐标轴的最下方,达到了诊断单一故障和耦合故障的目的.      

基于模糊粗集的航空发动机特征参数提取算法

提取发动机性能状态的特征参数,是提高发动机故障识别正确率和可靠性的必要条件.针对实际航空发动机故障参数所具有的模糊和连续性特点,提出了一种基于模糊粗糙集的特征参数提取算法,并应用到某型航空发动机故障识别.研究结果表明:属性约简的核则为导致发动机故障的特征参数,以此特征参数进行故障诊断,可保证较高的诊断精度;同时,该算法的抗干扰性提高了整个系统故障识别的正确率.该算法可用于航空发动机故障分类、故障诊断以及状态监控.      

基于RBF神经网络的航空发动机故障诊断研究

采用改进算法优化了径向基函数(RBF)网络.针对航空发动机工作条件和结构的复杂性,提出了用RBF网络进行故障诊断的方法,构建了基于RBF网络的多参数航空发动机故障智能诊断模型,并对典型发动机故障进行了诊断.结果表明,RBF网络具有优秀的故障学习能力,采用它进行航空发动机故障诊断是行之有效的,具有较好的应用前景.     

基于判别分析的发动机故障诊断方法

本文介绍了以多元统计分析中的判别分析理论为基础的航空喷气发动机的故障诊断方法。重点讨论了应用 Baves 判别方法建立发动机故障诊断模型的有关问题。文中讨论了与故障样本、诊断模型和模型检验有关的问题。文中还给出了应用基于判别分析的发动机故障诊断方法对 JT9D 发动机进行建模和诊断的结果。结果表明:基于判别分析的发动机故障诊断方法是可行的和有效的,并已显示出良好的工程应用前景。     

基于灰色关联分析的航空发动机气路部件故障诊断

为了改善对航空发动机气路部件故障诊断能力,提出了一种基于灰色关联分析的两层诊断方法。该方法首先利用粒子群算法优化各蜕化程度下灰色关联加权指数,构建标准故障序列,利用灰色关联分析进行第一层定性诊断,再优选故障模式利用灰色斜率关联分析方法进行二次诊断,得到了气路部件故障诊断结果。仿真表明,改进二次灰色关联分析诊断方法比单层诊断方法结构更简单,计算量小,更适合于较多传感器的发动机诊断系统,比经验灰色关联分析方法诊断精度更高。     

基于改进D-S证据理论的航空发动机转子故障决策融合诊断研究

针对单一传感器的测量信息难以准确、全面地反映航空发动机转子、轴承和齿轮的工作状况,进而造成振动故障诊断难度大的问题,提出安装多个振动传感器组成传感器网络,建立基于多传感器信息的发动机转子故障决策融合诊断系统。由于多传感器系统不可避免地会存在各传感器信息不一致、信息冲突的情形,因此针对该融合诊断系统的信号测量、信息预处理、特征提取、故障诊断及决策融合5个环节,重点研究了决策融合环节的Dempster-Shafer（D-S）证据决策融合方法存在的冲突证据融合失效问题。通过分析原因,从避免“一票否决”现象和证据加权平均两个方面进行改进,提出了改进D-S证据融合方法,并应用于航空发动机转子的模拟故障决策融合诊断中。结果表明基于D-S证据理论对3个传感器的单一诊断结果进行决策融合,能得到比任一单个传感器更准确、可靠的结果;而改进D-S证据融合方法由于能在一定程度上克服冲突证据融合带来的失效问题,且能同时兼顾处理好非冲突证据的融合,故其对于证据冲突和非冲突情形都取得了较好的融合效果,因此总的分类正确率要高于常规D-S算法和PCR5算法。     

发动机转子系统早期故障特征提取方法

对飞机发动机转子系统早期故障特点进行分析的基础上,提出了利用虚拟仪器和Matlab小波工具箱分析软件对其早期故障进行检测和特征提取的方法.文中对早期故障特征量的选取、有用信号与噪声信号的分离方法、突变信号与奇异信号的特征提取等进行了分析和研究,并以转子早期碰摩和早期不平衡为例进行了实验研究.结果表明,Labview和Matlab小波分析软件相结合,能够快速有效地提取发动机转子系统的早期故障特征,为发动机转子系统早期故障的快速识别提供了一种新途径.     

考虑性能退化的航空发动机故障诊断量化评估

航空发动机全生命周期内的故障诊断一直是研究的热点,为保障航空发动机在性能退化条件下故障诊断算法的可靠性,对考虑性能退化的航空发动机进行故障可诊断性量化评估有着重要的意义。本文从状态量的可测量性以及最优观测器设计两个方面对退化状态下航空发动机的滑动窗口模型进行解耦处理。从故障可检测及可隔离两个方面对故障的可诊断性进行量化评估,以巴氏距离为量化标准,将量化评估问题转换为多元分布概率距离求解问题。同时,从故障空间的角度对故障可隔离性进行定义,剥离了参考故障模式的影响,将可隔离性转化为故障空间中故障模式的固有属性,并给出航空发动机故障可检测及可隔离的判据。仿真实验证明,本文所提出的方法可以在发动机性能退化条件下对控制系统传感器、执行机构故障以及发动机气路部件故障进行可诊断性量化评估。     

基于模糊数学形态学及免疫智能的旋转机械状态参数图形识别方法

以旋转机械振动多维图形为对象,研究了直接提取和挖掘图形特征信息的模糊形态学方法,提出了基于模糊数学形态学及免疫智能的旋转机械振动参数图形识别方法。利用模糊形态滤波方法实现图形滤波,研究了模糊形态边缘检测算子,并结合旋转机械振动参数图形进行形态学梯度的边缘纹理特征提取,最后利用人工免疫算法对图形特征进行诊断识别。在600MW模化汽轮机转子试验台上进行了转子正常、转子不平衡故障、转子不对中故障及汽流激振故障的试验,诊断结果表明本文所提出的方法可以获得较高的诊断精度,为旋转机械故障诊断探索了一条新路。     

转子振动故障的过程功率谱熵特征分析与定量诊断

针对传统旋转机械振动故障定性诊断的不足,提出了1种以信息熵理论为基础的转子故障特征分析与定量诊断方法。在转子试验台上模拟转子振动的4种典型故障,分别得到4个测点多转速下的振动过程故障数据;对这些故障数据进行分析和处理,提取反映其振动过程的故障特征——功率谱信息熵,建立能描述转子振动过程变化规律的多转速多测点下的故障信息熵矩阵,并对振动故障进行分析;通过对转子振动故障信号的实例计算和定量诊断分析,验证了该方法在转子振动故障分类和故障严重程度判断方面是可行的。     

基于过程功率谱熵SVM的转子振动故障诊断方法

针对旋转机械振动过程的复杂性和振动故障产生的随机性以及振动故障样本获取难的问题,在信息熵理论的基础上,融合了支持向量机(SVM)小样本、全局性和泛化性好的优点,提出了过程功率谱信息熵(功率谱熵)SVM的故障诊断方法。结合转子实验台,得到了4种典型振动故障在多测点多转速下的数据,通过计算提取了其功率谱熵特征值作为故障样本,即故障向量,并建立SVM诊断模型,对转子振动故障的类别、严重程度和部位识别诊断,验证了该方法在转子振动故障诊断方面效果良好。     

基于融合信息(火用)的转子振动故障SVM诊断方法

通过提取信息(火用)特征,提出基于融合信息(火用)的转子振动故障支持向量机（SVM）诊断方法.首先,在转子试验台上分别模拟转子不平衡、轴系不对中、转子裂纹和转子碰磨4种典型故障,采集这4种典型故障在多转速和多测点下的振动加速度信号;其次,提取基于时域的奇异谱熵和频域的功率谱熵的转子振动故障过程变化规律的信息(火用)特征;最后,将提取到的信息(火用)特征作为故障向量,建立SVM故障诊断模型,进而对转子振动故障进行诊断.实例诊断结果表明：将信息(火用)特征与支持向量机相结合进行转子振动故障诊断,诊断结果准确率达到了97%,有效地提高了故障诊断的准确率.     

基于平滑先验分析和模糊熵的滚动轴承故障诊断

由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,基于对振动信号进行多尺度的模糊熵(FE)分析,提出了基于平滑先验分析(SPA)和模糊熵的滚动轴承故障诊断方法。采用SPA方法对振动信号进行自适应分解,得到振动信号的趋势项和波动项;分别计算趋势项和波动项的模糊熵;将模糊熵值作为特征向量,输入至基于优化算法的支持向量机(OSVM)。将该方法应用于滚动轴承实验数据,分析结果表明:该方法在仅提取两个分量特征的情况下即可达到100%的故障诊断精度,可有效实现滚动轴承的故障诊断。      

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。