基于GSP仿真和SDAE的航空发动机故障诊断

为了深入研究航空发动机故障机理,提出基于航空燃气涡轮发动机性能仿真软件(GSP)和堆栈降噪自编码器(SDAE)的航空发动机故障诊断方法。通过GSP性能仿真方法模拟发动机在不同设计参数下的部件故障,并得到对应的运行状态参数;从每种故障类型下的长时间序列的状态参数中提取出向量化的曲线特征,构成故障样本;将故障样本带入SDAE模型中进行深度特征提取,经过前向传播和反向微调得到训练好的模型用于发动机故障诊断。结果表明:GSP能够通过参数更改来模拟微弱故障下的状态参数,从而构建多故障样本集;SDAE的重构误差和反向传播误差能够快速收敛到较小值,SDAE的故障诊断正确率为99.5%;与深度信念网络(DBN)、人工神经网络(ANN)以及经典机器学习方法支持向量机(SVM)相比,SDAE的故障分类正确率分别提高了0.8%、6.9%和10.1%。     

基于支持向量机的航空发动机性能衰退指标预测

针对航空发动机性能衰退状态的趋势预测问题,基于非线性支持向量机回归建立了发动机性能衰退指标的预测模型,给出了反映其性能衰退的综合指标。利用该模型对发动机的性能衰退指标进行了预测分析,并与神经网络模型预测结果进行了比较。结果表明:支持向量机回归预测模型能更准确地对发动机的未来状况进行预测。     

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EMD和SVM的滚动轴承故障诊断方法

将支持向量机(SupportVectorMachine,简称SVM)、经验模态分解(EmpiricalModeDecomposition,简称EMD)方法和AR(Auto-Regressive,简称AR)模型相结合应用于滚动轴承故障诊断中。该方法首先对滚动轴承振动信号进行经验模态分解,将其分解为多个内禀模态函数(IntrinsicModeFunction,简称IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法在小样本情况下仍能准确、有效地对滚动轴承的工作状态和故障类型进行分类,从而实现了滚动轴承故障诊断的自动化。      

基于改进模糊SVM的转子振动故障诊断技术研究

本文首先对常用的隶属度确定方法进行改进,提出了基于改进模糊支持向量机（FSVM）的融合故障诊断方法,并建立了改进FSVM故障诊断数学模型;然后,利用转子振动模拟实验台对四种典型的转子诊断故障进行模拟,并提取其故障信号特征;最后,通过实例计算分析,验证了该方法在转子振动故障诊断方面是可行和有效的,为转子振动故障准确诊断提供了一种新方法。     

基于ReliefF-LMBP算法的涡轴发动机气路故障模式识别—两机专刊

针对涡轴发动机气路故障模式识别精度不高的问题,提出了一种基于ReliefF-LMBP故障特征提取的发动机故障模式识别方法。应用ReliefF算法对发动机传感器参数赋予权值,对传感器参数特征权重值进行迭代更新和排序,聚集好的特征样本,离散异类样本。根据筛选出的特征子集,利用LMBP神经网络算法进行发动机故障模式识别。以涡轴发动机为对象进行气路故障诊断验证,结果表明所提方法能提取特征传感器参数并实现有效的故障模式识别。     

Rotating machinery fault diagnosis based on convolutional neural network and infrared thermal imaging

Rotating machinery is widely applied in industrial applications. Fault diagnosis of rotating machinery is vital in manufacturing system, which can prevent catastrophic failure and reduce financial losses. Recently, Deep Learning (DL)-based fault diagnosis method becomes a hot topic. Convolutional Neural Network (CNN) is an effective DL method to extract the features of raw data automatically. This paper develops a fault diagnosis method using CNN for InfRared Thermal (IRT) image. First, IRT technique is utilized to capture the IRT images of rotating machinery. Second, the CNN is applied to extract fault features from the IRT images. In the end, the obtained features are fed into the Softmax Regression (SR) classifier for fault pattern identification. The effectiveness of the proposed method is validated using two different experimental data. Results show that the proposed method has a superior performance in identification various faults on rotor and bearings comparing with other deep learning models and traditional vibration-based method.     

基于卷积门控循环网络的滚动轴承故障诊断

针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。      

支持向量机时间序列预测模型的参数影响分析与自适应优化

建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力,因此与建立在经验风险最小原则上的神经网络模型相比,理论上更为完善.本文运用支持向量机建立时间序列预测模型,研究影响模型预测精度的相关参数,在分析参数对时间序列预测精度的影响基础上,提出用遗传算法建立支持向量机预测模型的参数自适应优化算法.最后,用太阳黑子数据和航空发动机油样光谱数据进行了预测分析.算例表明了本文算法的正确性.     

Regression model for civil aero-engine gas path parameter deviation based on deep domain-adaptation with Res-BP neural network

The variations in gas path parameter deviations can fully reflect the healthy state of aero-engine gas path components and units; therefore, airlines usually take them as key parameters for monitoring the aero-engine gas path performance state and conducting fault diagnosis. In the past, the airlines could not obtain deviations autonomously. At present, a data-driven method based on an aero-engine dataset with a large sample size can be utilized to obtain the deviations. However, it is still difficult to utilize aero-engine datasets with small sample sizes to establish regression models for deviations based on deep neural networks. To obtain monitoring autonomy of each aero-engine model, it is crucial to transfer and reuse the relevant knowledge of deviation modelling learned from different aero-engine models. This paper adopts the Residual-Back Propagation Neural Network (Res-BPNN) to deeply extract high-level features and stacks multi-layer Multi-Kernel Maximum Mean Discrepancy (MK-MMD) adaptation layers to map the extracted high-level features to the Reproduce Kernel Hilbert Space (RKHS) for discrepancy measurement. To further reduce the distribution discrepancy of each aero-engine model, the method of maximizing domain-confusion loss based on an adversarial mechanism is introduced to make the features learned from different domains as close as possible, and then the learned features can be confused. Through the above methods, domain-invariant features can be extracted, and the optimal adaptation effect can be achieved. Finally, the effectiveness of the proposed method is verified by using cruise data from different civil aero-engine models and compared with other transfer learning algorithms.     

数控系统故障的ANN与专家诊断系统的研究及应用

 分析了ＣＮＣ系统的故障特点,针对ＦＡＮＵＣ７数控系统,建立并比较了适用于ＣＮＣ故障的ＢＰ和ＢＡＭ两种ＡＮＮ诊断模型,探讨了模糊神经网络在ＣＮＣ故障诊断中的应用,给出了模糊ＡＮＮ识别ＭＡＣＳ５００数控机床伺服系统故障的数据和结果;介绍了所开发的ＣＮＣ系统故障诊断专家系统ＣＮＣ－ＤＥＳ的总体结构、知识表达与推理等,列举了该系统应用于ＣＮＣ故障诊断的情况和结论。     

基于LMD和RBF相结合的尾桨台传动系统滚动轴承故障诊断方法

提出了局部均值分解(Local mean decomposition,简称LMD)方法和径向基函数神经网络(Radial Basis Function Neural Network,简称RBF)相结合的滚动轴承故障诊断方法.LMD方法是一种新的自适应时频分析方法,能够有效地提取故障特征.该方法首先采用LMD对滚动轴承振动信号进行分解,计算分解得到的PF分量能量比,作为特征向量输入到RBF神经网络中,进行故障分类和识别.通过真实滚动轴承数据的故障诊断实验,验证了该方法的有效性.     

基于变精度粗糙集的航空发动机故障诊断

针对航空发动机故障诊断的实际情况,在分析粗糙集理论缺陷的基础上,引入变精度粗糙集模型对专家给出的样本集进行处理,并将所得到的极小化决策算法用于历史故障样本集的分析,得到了高的识别率,从实践的角度证明了该方法的有效性以及小样本情况下所得决策算法的普适性.      

A new bearing fault diagnosis method based on modified convolutional neural networks

Fault diagnosis is vital in manufacturing system. However, the first step of the traditional fault diagnosis method is to process the signal, extract the features and then put the features into a selected classifier for classification. The process of feature extraction depends on the experimenters’ experience, and the classification rate of the shallow diagnostic model does not achieve satisfactory results. In view of these problems, this paper proposes a method of converting raw signals into two-dimensional images. This method can extract the features of the converted two-dimensional images and eliminate the impact of expert’s experience on the feature extraction process. And it follows by proposing an intelligent diagnosis algorithm based on Convolution Neural Network (CNN), which can automatically accomplish the process of the feature extraction and fault diagnosis. The effect of this method is verified by bearing data. The influence of different sample sizes and different load conditions on the diagnostic capability of this method is analyzed. The results show that the proposed method is effective and can meet the timeliness requirements of fault diagnosis.     

基于支持向量机的航空发动机故障诊断

支持向量机是一种具有完备统计学习理论基础和出色学习性能的新型机器学习方法,它能够较好地克服神经网络容易出现的过学习和泛化能力低等缺陷。提出一种基于支持向量机的航空发动机故障诊断方法,应用该方法成功地对发动机气路部件的几种典型故障进行了正确诊断。在对检验样本施加噪声后,支持向量机构成的故障分类器仍然能够满足发动机故障诊断的要求,表明提出的故障诊断算法具有良好的鲁棒性,可以作为工程应用的基础。      

航空发动机故障的支持矢量机智能诊断

引入支持矢量机和多元分类算法到航空发动机故障诊断当中。通过设计的多元分类支持矢量机构建了小样本多参数航空发动机故障智能诊断模型，然后通过发动机故障仿真器对典型发动机气路故障进行了诊断。结果表明，支持矢量机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可行、有效的。     

基于1-DISVM的聚类模型及直升机齿轮箱故障诊断应用

针对当前故障诊断中存在的训练样本少、知识难获取的问题,结合SVM小样本学习的特点,提出一种基于SVM的自学习聚类模型。通过改进无监督1-SVM算法上的不足,形成一种改进决策1-SVM(1-DISVM)算法,由此构建了多模式训练与分类算法,并设计出基于1-DISVM的自学习聚类模型。最后对其进行仿真验证,并应用于直升机齿轮箱的故障诊断,结果表明该方法能从少量样本中自学习输入模式的内在规律,自适应地对未知故障模式进行准确地分类识别。     

基于LMD与AO-PNN的中介轴承故障诊断方法

针对航空发动机中介轴承受噪声干扰大、传递路径复杂导致采用传统方法难以进行故障诊断的问题,提出了一种基于 局部均值分解（LMD）与相关系数-能量比-峭度准则、结合天鹰座优化算法（AO）优化概率神经网络（PNN）的中介轴承故障诊断方 法。使用LMD对传感器采集的振动信号进行分解;利用相关系数-能量比-峭度准则判决筛选分解得到的PF分量,重构筛选后的 信号;计算重构信号的多尺度排列熵（MPE）,以构建特征向量;通过AO优化的PNN的平滑因子,将优化后的神经网络用于中介轴 承的故障诊断。基于中介轴承故障试验数据对诊断结果进行了分析,结果表明：提出的方法可以有效诊断高背景噪声、复杂路径 干扰下的航空发动机中介轴承的典型故障,与粒子群优化的概率神经网络方法（PSO-PNN）和传统的PNN方法相比,其诊断准确 率分别提高了3.875%和8.125%,具有较好的全局收敛性和计算鲁棒性。     

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。     

基于QPSO-ELM的某型涡轴发动机起动过程模型辨识

针对解析法建立某型涡轴发动机起动过程模型困难的问题,提出一种基于量子粒子群优化-极限学习机（QPSO-ELM）的某型涡轴发动机起动过程模型数据驱动辨识方法。首先构建基于状态空间法描述的某型涡轴发动机起动过程分段模型,然后结合发动机起动试验数据,采用QPSO-ELM算法对该起动模型进行辨识,试验结果表明：燃气发生器转子转速、发动机输出轴转速和燃气涡轮后温度的辨识结果都良好地逼近了实测数据,最大相对误差的均值分别为1.358%、1.628%和2.195%,满足实际应用的精度需求,并且QPSO-ELM的辨识精度优于极限学习机（ELM）、支持向量机（SVM）和反向传播（BP）神经网络。