一种改进的固液火箭发动机故障诊断方法

针对固液火箭发动机的可靠性问题，设计了一种改进的贝叶斯网络故障诊断方法，可以通过网络化自主逻辑推理，对固液火箭发动机进行故障诊断。为了提取时序观测信号的故障特征，提出将步进法与核主成分分析(KPCA)相结合的分析方法，并根据模糊C均值聚类算法(FCM)建立模糊多态贝叶斯网络，实现对观测信号尺度的模糊处理，提高对不确定性故障的诊断能力。通过Matlab/Simulink建立改进的贝叶斯网络故障诊断系统。仿真结果表明，改进的算法能够实现对固液火箭发动机常见故障的有效诊断，并能够适应小样本集学习的情况。与传统贝叶斯诊断算法相比，故障诊断的平均准确率提高了20.9%。     

基于EMD和SVM的机载燃油泵故障诊断研究

针对机载燃油泵故障数据来源较少、诊断效率较低、维护费用较高、缺乏有效故障特征的问题，利用机载燃油转输系统实验平台收集的振动信号和压力信号，提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的机载燃油泵故障诊断方法。首先，利用EMD提取振动信号不同频段的能量值作为特征参量，并结合压力信号均值构造故障特征向量；其次，分别采用遗传算法(GA)、粒子群优化算法(PSO)、樽海鞘群算法(SSA)、网格搜索算法(GS)对SVM的惩罚参数和径向基函数(RBF)参数进行优化，并对优化后的SVM诊断性能进行了评估；最后，分别采用SVM、极限学习机(ELM)、BP神经网络作为分类器，并对3种分类器的诊断性能进行了评估。结果表明:采用3种群智能优化算法的SVM故障诊断率均能达到100%，寻优过程中均未陷入局部最优解，且寻优时间相当，其中GA的训练时间最短，可以采用GA对SVM参数进行寻优；当采用GA_SVM作为故障分类器时，用时较短，且故障诊断率较高，可以选用GA_SVM分类模型实现机载燃油泵的高效故障诊断。      

一种谐波减速器不对中误差分析方法

在空间环境中运行的星载天线转动单元中的谐波减速器产生的不对中故障信号故障特征难以提取,针对此问题提出了一种优化变分模态分解的故障诊断方法,这种方法基于鲸鱼优化算法(WOA)和Teager能量算子(TEO)包络解调。首先,由于包络熵对故障信号特征非常敏感,故采用包络熵作为适应度函数,同时其也是鲸鱼优化算法的目标函数。其次,WOA具有操作简单、调整参数少、跳出局部最优能力强等诸多优点,故使用WOA对变分模态分解(VMD)进行优化,构建优化算法。最后,使用Teager能量算子对本征模态分量(IMFC)进行处理。所提出的方法用于分析谐波减速器输入、输出轴两端收集的实验信号。通过与传统的快速傅里叶变换方法进行对比结果表明,所提出的方法提高了分解效率,在分解参数的原则和故障信号提取精度方面具有良好的性能,误差不超过2%,能够实现谐波减速器不对中故障信号的精确诊断,具有一定的研究意义与工程实用价值。     

基于深度残差网络的模拟电路软故障诊断方

航天电子电路的故障诊断一直是航天领域可靠性与安全性的一个热点研究课题，航天电子电路的故障将直接影响航天任务是否成功。提出了一种基于深度残差网络的模拟电路故障诊断方法。该方法使用短时傅里叶变换将电路的时域输出信号转换为二维电路图像，并将其作为神经网络的输入，再利用ResNet提取模拟航天电子电路的性能特征，确定元件的故障类型，完成电路的故障诊断。通过仿真验证了该方法的故障诊断性能。仿真结果表明，该方法能够实现高达99.1%的诊断准确率。     

基于多特征融合与RF的球磨机滚动轴承故障诊断

由于冶金工业工况复杂，很难从单一信号中获取高质量的故障特征，诊断效果不佳。针对直接使用电流和振动信号进行融合，不能体现2类信号在不同频段上的优势和彼此之间的互补信息，而影响诊断性能的问题，提出一种基于振动和电流信号的多特征互补融合故障诊断方法。将振动信号和电流信号的高频系数特征通过最大绝对值规则融合，形成体现高频段特征的互补特征；将振动信号和电流信号的低频系数特征通过稀疏表示（SR）融合，形成体现低频段特征的互补特征。通过定义由多特征组成的特征矩阵融合全频段特征，增强全局特征表征能力。采用递归特征消除法消除融合后的冗余特征，提高分类精度，结合随机森林（RF）对轴承故障状态进行分类。实验结果表明：所提方法相比基于振动信号和基于电流信号的诊断结果更加准确。     

基于NMF的SVM故障诊断方法

针对大维数系统故障诊断中存在特征提取困难和识别率低的问题,提出基于非负矩阵分解(NMF,Non-negative Matrix Factorization)的支持向量机(SVM,Support Vector Machine)诊断方法,避免了直接对故障特征的选择和提取,实现特征降维,提高故障模式分类的准确性和速度;对于NMF中的结果随机性问题,提出用前次分解所得系数矩阵求解样本降维特征矩阵的方法,保证多次NMF分解尺度一致.实验表明该方法能对故障特征有效降维,并具有较高的诊断效率和故障识别率.     

基于RBF神经网络的控制电器元件故障诊断

针对控制电器元件故障征兆与故障类型之间的非线性映射关系,提出了基于径向基函数神经网络RBFNN(Radial Basis Function Neural Network)的控制电器元件故障诊断方法.在分析控制电器元件故障机理和失效形式的基础上,提取出描述故障类型的典型故障特征矢量.给出在获得足够多故障信息的情况下,运用RBFNN进行故障诊断的模型及整个故障诊断算法的实现过程.为了验证故障诊断模型的有效性和合理性,利用训练好的RBFNN对故障特征矢量进行识别.仿真结果表明,RBFNN能克服诊断过程中容易陷入局部极小的缺点,并能满足故障诊断的快速性和准确性要求.      

基于深度迁移学习的航天器故障诊断

随着航天科技的发展，智能故障诊断技术是确保航天器控制系统安全、自主运行的关键技术之一.由于在轨航天器遥测数据样本少、噪声高、未标记，因此缺乏自适应能力、学习能力的传统故障诊断方法难以准确诊断在轨航天器故障.本文针对上述问题提出一种基于深度迁移学习的航天器故障诊断方法，为在轨航天器实时故障诊断提供了可行方法.首先，对航天器运行数据进行预处理，将多维时域信号转换为二维图像信号；其次，搭建基于残差网络的故障诊断深度学习框架，并利用地面测试数据与其他航天器在轨运行数据对网络进行预训练；进而，为了实现当前在轨航天器实时故障诊断，本文采用迁移学习自适应方法，设计网络联合分布自适应代价函数，对故障诊断模型进行参数重调，使模型适应当前在轨航天器故障诊断任务.仿真结果表明，所提出的基于深度迁移学习的故障诊断方法可以快速准确的诊断出航天器故障.     

基于EMD与切片双谱的轴承故障诊断方法

针对轴承故障诊断问题,提出一种基于经验模态分解(EMD,Empirical Mode Decomposition)与切片双谱分析相结合的新方法.将原始信号分解成不同尺度的固有模态函数(IMF,Intrinsic Mode Function),求取IMF分量的包络,计算其对角切片双谱,提取由于二次相位耦合产生的非线性特征,得到轴承的故障特征频率.通过对仿真信号进行分析,表明该方法克服了传统的基于EMD的包络功率谱方法不能抑制噪声的缺点,同时较传统高阶谱方法计算量更小.给出了6205-2RS JEM SKF轴承诊断实例,说明了该方法的可用性.     

基于EEMD分解的直驱式机电作动器故障诊断

基于集合经验模式分解 (EEMD,Ensemble Empirical Mode Decomposition)算法,给出一种机载直驱式双余度机电作动器(DDDR-EMA,Direct-Driven Dual-Redundancy Electro-Mechanical Actuator)复合故障诊断方法.EEMD对信号加入有限幅度的高斯白噪声,利用高斯白噪声频率均匀分布的统计特性使信号在不同尺度上保持连续性,解决了经验模式分解的模式混叠缺陷并保留了自适应性.将EEMD方法应用于机载DDDR-EMA故障诊断实验振动信号分析,先对实测信号进行分解,得到一组无模式混叠的固有模式函数;再采用不同的方法分析各频段,提取各频段包含的故障特征.实验结果表明:与经验模式分解相比EEMD能提高故障信号的分析精度,准确诊断机载DDDR-EMA的复合故障.     

基于VMD-MPE的开关磁阻电机功率变换器故障诊断

故障诊断是提升开关磁阻电机(SRM)调速系统可靠性的重要技术。针对功率变换器故障信号非线性不稳定、有效信息易被噪声掩盖的特点, 提出了一种新的故障特征提取方法。对直流母线电流进行变分模态分解, 得到若干本征模态分量, 取多尺度有效模态分量排列熵平均值作为特征向量, 输入支持向量机分类器进行故障识别。为验证所提方法的可行性, 建立仿真模型, 与传统的小波分析等故障诊断方法进行对比；搭建了开关磁阻电机实验台架, 测试了开路、短路故障状态。仿真和实验结果表明:所提方法可减小噪声影响, 提高故障识别准确率。      

基于DWNN的机电作动器渐变性故障诊断

飞机飞行控制系统机电作动器（EMA）的渐变性故障很难准确预判,若不能及早发现而任其发展就会影响到飞机的飞行安全性。针对EMA的渐变性故障,提出一种基于动态小波神经网络（DWNN）的故障诊断方法。首先,利用EMA在电机电枢绕组匝间短路、传动装置丝杆和滚珠磨损等多种渐变性故障状态下的运行数据来训练DWNN故障诊断模型;然后,利用训练好的DWNN模型对EMA渐变性故障进行诊断。创新之处在于DWNN模型利用小波分解算法去除了传感器测量信号中高频分量的影响,利用反馈神经网络的记忆能力融合了过去输入的信息和过去预测的信息,提高了对EMA渐变性故障诊断的准确性。通过对某型EMA进行故障诊断实验,仿真结果表明所提出的DWNN方法可以实现对EMA部件渐变性故障的准确诊断。      

基于谱峭度与双谱的轴承故障诊断方法

针对强背景噪声情况下的轴承故障诊断问题,提出了一种基于谱峭度与双谱的轴承故障诊断方法。该方法采用谱峭度检测振动信号瞬态频带,利用最优带通滤波器抑制振动信号中的噪声得到滤波后信号。由带通滤波器的带宽确定低频矩形区域,计算落于该区域内的信号包络的局部双谱图,依据局部双谱图诊断轴承故障。仿真分析表明,强背景噪声和滚动体滑动会造成传统轴承故障诊断方法（如峭度、功率谱、包络谱）失效,而该方法能够有效地抑制噪声,更准确地诊断轴承故障,并通过6205-2RS JEM SKF轴承诊断实例,说明了该方法的有效性。     

基于峭度熵与分层极限学习机的动量轮轴承故障诊断研究

动量轮是卫星姿态控制系统的关键部件，其可靠性直接关系到整星寿命与安全。作为动量轮的核心组件，轴承易于发生故障，且独特结构和复杂运行环境导致监测信号信噪比低，早期故障诊断困难。针对这种情况，对变分模态分解和峭度熵结合的特征提取方法进行研究，获得动量轮轴承监测信号中的微弱故障特征，并建立特征向量。引入分层极限学习机，对结构和编码方法进行优化后用于轴承故障的识别。最后，将提出的方法用于实际故障的诊断，并通过与传统ELM方法比较，得出提出的方法在动量轮轴承故障诊断中具有更高的诊断精度，达到98.5%。     

基于深度残差收缩网络的滚动轴承故障诊断

滚动轴承的准确故障诊断是确保机械设备安全可靠运行的必要手段。针对多故障、长时间序列的滚动轴承振动信号，提出了一种基于深度残差收缩网络(DRSN)模型的故障诊断方法。首先，根据采集到的滚动轴承数据构造故障样本，针对多种故障类型下的长时间序列的振动信号，按照一定尺寸将长时间序列矩阵化，构成多故障类型的灰度图故障样本。从正常到故障的滚动轴承性能退化过程，通过多个采样点的随机采样，构造全寿命周期的故障样本用于故障诊断。其次，在多层深度学习模型基础上，将残差收缩网络模块加入到卷积神经网络(CNN)中构建深度残差收缩网络模型用于故障诊断，其中通过将残差项加入到网络中训练解决了多层网络模型的模型退化问题，利用软阈值化实现了样本降噪。最后，为了验证所提方法的有效性，采集了滚动轴承的多故障时间序列样本和全寿命周期故障样本用于故障诊断。实例验证的结果表明:所提深度残差收缩网络模型在处理含噪声样本时仍具有良好的鲁棒性，多层网络模型下没有明显的网络退化，能够保持较高的故障诊断正确率。在处理2种轴承故障数据集时，与其他模型相比，所提方法训练误差更低，平均故障诊断正确率提高1%~6%。      

基于PCA和WPSVM的航天器电特性识别方法

针对航天器电特性监测系统识别过程中存在测试数据量大、特征维数高、样本少、计算速度慢和识别率低等问题,提出基于主成分分析(PCA)的特征提取和加权近似支持向量机(WPSVM)的在线故障诊断方法.实现了对信号故障特征的主成分分析、选择和提取,并对高维特征数据实现了降维,提高了航天器电特性在线故障诊断的准确性和速度.针对PCA中的结果选取问题,提出运用数据贡献度阈值进行数据截取的方法,有效地保证了数据的有效性与一致性.结果表明:该方法充分利用了航天器电特性监测系统的有用数据特征,有效提高了识别的精度,且计算时间较短,效率较高.      

基于盲源分离技术的航空发动机振动信号分析

基于双转子航空发动机机匣拾取振动信号特征的分析,采用基于数学形态学滤波前处理的盲源分离识别方法进行特征提取.针对机匣拾取振动信号的特征,利用开—闭和闭—开组合数学形态滤波器在保留信号基本形状的前提下,滤除掉原始信号中的噪声分量.利用Fast ICA算法恢复高、低压转子源振动信号的波形.对实测数据的分析表明,该方法能够较好地恢复高、低压转子所激振动信号的频域结构信息,有利于提高故障定位的准确性.     

小卫星多级故障诊断系统设计

提出一种基于模糊神经网络的小卫星多级故障诊断系统,利用多级的方式对小卫星的故障进行诊断。其中第一级采用模糊聚类的方法,将故障定位于模块级;第二级采用模糊径向基神经网络,完成故障的部件级定位。最后用该故障诊断方法针对卫星故障仿真系统做了实验,对其预设故障进行了诊断,诊断结果与仿真系统预设故障完全一致。实验表明:多级故障诊断结构提高了故障诊断的系统性、准确性并大大降低了故障诊断中的计算量。     

液压泵轴承故障的诊断方法

利和倒谱包络方法解决液压泵轴承故障特征提取和故障诊断的问题，文中详细给出了倒谱包络的模型，然后在频域和倒频域比较正常泵和轴承故障泵的功率谱变化及倒谱包络变化。分析研究表明，轴承振动信号相对于柱塞与斜盘的振动是非常微弱的，利通常的信号处理方法进行轴承故障诊断往往难以奏效，而利用倒谱包络方法则可以突出故障信息，从而达到轴承故障诊断的目的。