免疫支持向量机用于航空发动机磨损故障诊断

航空发动机在使用寿命周期内会不断磨损最终出现故障,通过对发动机油液监测铁谱分析数据的挖掘可实现磨损故障的诊断。本文研究免疫算法优化的支持向量机(SVM)在航空发动机磨损故障诊断中的运用。首先,总结了支持向量机和免疫算法的运行流程和关键算法。然后,用改进的免疫算法优化支持向量机惩罚因子、松弛变量及核函数参数。某型航空发动机的油液铁谱分析数据和加入噪声数据验证结果表明,该方法可有效实现航空发动机磨损故障诊断且具有较好的鲁棒性。最后,研究了核函数、多分类决策方法、初始种群大小、亲和力计算公式、支持向量机优化方法和归一化方法对磨损故障诊断准确率的影响,得到了最佳诊断方法。     

基于多分类AdaBoost的航空发动机故障诊断

对航空发动机运行数据进行数据挖掘的方法,是发动机故障诊断研究领域的重要研究内容。由于各种算法自身的局限性,通过某种单一算法很难大幅度提升故障分类的准确性。运用组合分类的AdaBoost算法,综合多个分类模型进行诊断,是提升故障识别精度的一种较好的方法。通过AdaBoost算法及其改进算法的结合,建立一种多分类的AdaBoost算法,以支持向量机（SVM）为基础分类器,进行综合诊断模型的建立。通过单位向量法、比值系数法和相关系数法将指印图中统计的故障标识数据进行处理,得到不受故障程度影响的训练数据,再进行建模。实验表明,AdaBoost相关结合算法能够显著提升分类器性能。根据实际故障案例,验证了所建立的诊断模型能够较好地用于发动机的故障诊断。      

航空发动机可靠性评估中故障样本时效性分析

通过故障数据建立可靠性模型反映系统可靠性状态的变化具有一定的滞后性,随着发动机可靠性水平的不断提高,对航空发动机进行可靠性评估需要将早期故障样本进行时效性处理.提出衰减因子 α 用于表示故障强度的衰弱程度,对Gompertz可靠性增长模型改进得到故障的衰减函数,来描述故障强度的衰弱过程;用Bayes方法合理利用发动机全部故障样本进行数据融合,可有效解决样本的时效性问题.对在研的某涡扇发动机进行故障统计分析,研究了典型故障模式的时效性变化,结果表明:考虑样本的时效性后进行可靠性评估对发动机当前的可靠性水平能给予更加科学的评价.     

基于危害度航空发动机可靠性评估模型及应用

针对航空发动机可靠性指标评估的需要,提出了基于危害度故障统计分析模型.该模型考虑各故障样本对发动机危害性的影响,将出现的故障按照对发动机安全、性能、任务及维修等指标的影响进行等级分类,从故障的失效机理出发建立相应的分布模型,采用分布计算和二次分布等算法进行整体可靠性指标评估.应用该模型对英产和国产的2种同类型航空发动机进行了故障统计分析,计算了2种发动机的可靠性指标,并进行了对比分析.最后以累积工作时间和日历工作时间进行了故障的时间变化分析,提出了故障样本的时效性.      

基于蒙特卡罗模拟的航空发动机故障风险预测

针对航空发动机结构复杂、故障模式多样,传统故障风险预测方法难以实现的现状,基于蒙特卡罗模拟技术,给出了航空发动机故障风险预测方法,用于评估发动机各个部件在未来发生故障的可能性.针对航空发动机故障数据的特点,以威布尔分布建立故障概率模型,利用中位秩回归参数法,估计威布尔分布参数.利用乘同余组合发生器与反变换法相结合的方式产生满足威布尔分布的随机数.在单故障模式风险预测的基础上,给出了多种故障模式并存的航空发动机风险预测方法,并且给出了蒙特卡罗模拟步骤和算法,针对实例,对比发动机厂商提供的预测数据,验证了算法的有效性与蒙特卡罗模拟方法在航空发动机故障风险预测中的可用性.      

一种基于Gabor深度学习的无人机目标检测算法

随着智能控制技术的不断成熟,无人机给军事领域带来快速发展的同时也带来了威胁.因此针对空中飞行的无人机进行实时检测的任务需求,设计了一种基于Gabor深度学习的无人机目标检测算法.首先,搭建基于Gabor滤波器的深度神经网络,输入的图片经过该网络进行网格化划分,用以特征提取;然后,针对每个格子的特征利用回归算法计算其中物体的位置信息,并利用分类算法计算物体的类别信息,对以上得到的回归和分类结果进行筛选、融合得到最终的检测结果;最后,采集空中飞行的无人机真实数据构建数据集,在此基础上进行网络模型训练和算法验证.     

航空发动机性能参数预测方法

航空发动机性能参数预测对于发动机的视情维修具有重要的意义.为了提高预测精度,在分析发动机性能参数数据特点的基础上,提出了一种新的应用于此领域的组合预测模型.首先利用小波变换将原始数据分解为不同尺度上的几组子序列,根据各子序列的特点分别选用自回归滑动平均(ARMA,Autoregressive Moving Average)模型或求和自回归滑动平均(ARIMA,Autoregressive Integrated Moving Average)模型进行预测,然后将所有预测结果合成,得到最终预测结果.通过仿真实验,验证了该组合模型提高短期和中长期预测精度的有效性,并分析了小波分解层数对于预测精度的影响.      

基于超统计的多阶段航空发动机剩余寿命预测

针对传统航空发动机剩余寿命（RUL）预测模型无法客观描述多阶段性能衰退过程及对于RUL预测精度不高的问题, 提出了一个新的多阶段航空发动机RUL预测模型, 包括超统计理论、突变点检测、无迹卡尔曼滤波（UKF）与非线性预测4部分内容。提出了基于超统计理论的多阶段分割滤波（BS-MSF）算法。首先, 该算法采用超统计理论进行突变点检测, 将航空发动机的健康数据划分为多个退化阶段；其次, 应用UKF对融合的时变参数进行滤波处理；最后, 通过非线性拟合对发动机RUL进行预测, 实验采用美国NASA发布的航空发动机数据进行数据分析和验证。结果表明:所提算法在发动机性能退化中的预测具有更好的适应性和更小的拟合误差, 能更准确地预测发动机的RUL, 预测精度比单阶段方法提高5.5%。      

图模型与学习算法结合的贝叶斯网络自动建模

针对纯数据驱动的贝叶斯网络结构学习算法的准确度和效率较低的问题,提出了一种融合多信号流图模型与K2学习算法的贝叶斯网络自动建模方法。该方法利用多信号流图模型能够描述信号之间传递与依赖关系的能力,结合K2学习算法在结构学习中的优势,实现了专家知识与数据驱动方法有效融合的贝叶斯网络结构自动学习算法。通过与常用网络结构学习算法的对比实验证明,该融合算法显著降低了结构学习对学习范围和训练数据规模的要求,具有更高的学习准确度和运算效率。采用真实系统实例阐述了该融合算法的应用过程,验证了算法的实用性。      

基于R-D SSD模型航空发动机安装工位检测算法

为解决航空发动机在安装过程中大多实行人工安装、定位不精确等问题,在研究其自动化安装方法中,针对航空发动机安装工位的检测需求,提出了一种残差网络与膨胀卷积相融合的SSD改进算法(R-D SSD)。将经典SSD模型的主干网络VGG16替换为残差网络ResNet-101,并增加其输出特征图上的预选框数量,解决了原始算法对底层特征抓取能力不足的问题,进而弥补了对小目标检测效果较差的缺陷;利用膨胀卷积扩大网络的感受野,获取足够的安装工位边缘特征细节信息,在不改变网络结构的同时,保证了模型良好的实时性和对目标的检测精度。实验表明:对于小目标数据集和整个数据集,R-D SSD算法的平均检测精度较原始算法分别提高了8.6%和4.0%,可以满足航空发动机安装时平均检测精度不低于85%的要求。      

航空发动机传感器故障与部件故障诊断技术

结合局部学习思想与集成学习技术,提出了一种基于支持向量机-极端学习机-卡尔曼滤波器(SVM-ELM-KF,Support Vector Machine-Extreme Learning Machine-Kalman Filter)的航空发动机传感器故障与突发性部件故障诊断的方法.将改进的迭代约简最小二乘支持向量回归机训练技术推广到分类机中,用于区分传感器故障与部件故障,使得该分类机具有一定的稀疏性.对于传感器故障,利用ELM分类机对故障进行定位.对于部件故障,利用改进的卡尔曼滤波器对发动机各部件的健康参数进行估计,从而对部件故障进行定位.仿真结果表明,提出的故障诊断方法能够准确地区分传感器故障和部件故障,实现故障的有效定位,验证了方法的可行性.     

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.     

基于半监督迁移学习的轴承故障诊断方法

针对航空发动机轴承故障诊断过程中预测精度不足以及过拟合的问题,提出基于迁移学习的半监督集成学习器（SSIT）用以发动机轴承故障预测。首先,训练改进的基于迁移学习的极限学习机（TELM）以及基于迁移学习的支持向量机（TSVM）,分别迁移不同目标空间的高相似度样本加入到源样本空间进行训练。然后,与对应的基学习器集成同簇学习器来识别未标记样本,构成半监督学习器不断调整初始基学习器权重,并继续集成半监督基学习器的识别结果到SSIT中。通过此学习机识别提取特征后的,用以故障识别。实验结果清楚地表明:此种方法可以有效降低迁移学习中的负迁移效果,提升迁移精度10%左右,降低机器学习中的过拟合效果,提高半监督学习稳定性,与现有的预测方法相比可以提高精度9%以上。      

小样本下基于孪生神经网络的柱塞泵故障诊断

针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明：与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明：所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。     

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%。