基于量子粒子群和流形学习的分类方法及其在发动机故障诊断中的应用

针对测量参数存在的非线性、参数间的耦合性以及噪声干扰,将量子粒子群算法引入到流形学习的参数选择中,结合径向基神经网络,提出了一种故障诊断方法。邻域个数和约简维数是流形学习中的关键问题。结果表明:该方法首先利用量子粒子群算法优选邻域个数、约简维数和径向基函数的参数,再利用等距特征映射(ISOMAP)对原始参数进行非线性降维,提取其低维流形特征,从而进行故障分类。结果表明:该方法能够有效地对发动机各种复合故障进行分类,精度达到97.33%,量子粒子群优于基本粒子群优化的分类结果;其分类精度明显优于主元分析(PCA)、核主元分析(KPCA)方法,且有很强的抗噪能力。     

基于T-S模糊KPCA模型的分布式控制系统传感器故障诊断

为减小航空发动机多工况的工作特性和分布式控制系统非线性网络环境对故障诊断系统的影响,针对航空发动机分布式控制系统,提出一种基于T-S模糊KPCA模型的传感器故障诊断方法。首先采用C均值模糊聚类法,以油门杆角度为样本标签,对样本空间进行模糊分类,再通过模糊相似矩阵剔除各样本子空间的野值点;其次建立标称工况的KPCA模型,并利用训练样本对非标称工况的隶属度函数进行辨识,得到全工况T-S模糊KPCA模型;最后利用统计量T 2和SPE对传感器故障进行检测,并采用数据重构方法对故障传感器进行隔离定位。仿真结果表明该方法对发动机的任意稳定工况具有自适应能力,能够在非线性网络环境下对正常样本和故障样本保持较低的虚警率和漏报率。当多个传感器同时发生故障时,能够准确找到故障源,实现对故障传感器的隔离。     

基于自适应核主元分析的EHA系统传感器故障检测

针对核主元分析(KPCA)方法难以选择合适核函数的问题,提出了一种基于自适应核主元分析的传感器故障检测方法,根据训练数据对核函数进行自适应修正,使核函数适应给定的训练数据。对常规数据标准化处理方法进行了改进,提出了一种"均值化"的处理方法,使处理后的数据既能消除不同变量幅值和量纲的影响,又能反映训练数据的全部信息。将此方法应用于机载电动静液作动器(Electro-Hydrostatic Actuator,EHA)系统的传感器故障检测,结果表明,此方法比常规KPCA方法更为先进,具有更好的故障检测性能。     

基于EMD熵特征融合的滚动轴承故障诊断方法

研究了滚动轴承故障诊断单一故障信号的局限性和故障特征的非线性,从信息融合的理论出发,利用非线性动力学参数熵作为特征,提出了基于经验模态分解(EMD)熵特征融合的方法来解决滚动轴承故障诊断问题.首先将原始信号进行EMD,利用EMD的自适应多分辨率的特点计算EMD得到的固有模态函数(IMF)信号的多种熵值,然后采用核主元分析(KPCA)对提取的状态特征进行信息融合,从而得到互补的特征,最后将提取的融合特征通过支持向量机(SVM)进行故障诊断.滚动轴承故障诊断实验表明:该方法结合了EMD、信息熵理论和KPCA强大的非线性处理能力的特点,可以进行滚动轴承故障诊断.      

基于核主元分析方法的燃气涡轮发动机燃烧系统实时监测与诊断

针对燃气涡轮发动机燃烧室状态监测方法不足,故障定位难和故障早期发现难的问题,以涡轮排气温度场周向数据为分析依据,通过研究燃气在涡轮通流部分的偏转规律,利用核主元分析(KPCA)方法对经过有效性处理后的温度场数据进行分析,并结合两台发动机的故障数据,分别对燃烧系统自身故障和热电偶传感器故障进行检测与识别,验证了排气温度场燃气偏转规律与核主元分析相结合的方法对燃烧系统故障和传感器故障进行诊断的有效性.结果表明:该方法能够将安装了环管式分布火焰筒的燃气涡轮发动机燃烧室的故障诊断定位层次从目前的燃烧室这个大部件提高到火焰筒级别的小部件.      

基于监督流形学习的航空发动机振动故障诊断方法

航空发动机故障诊断中一个有挑战性的难题就是如何处理具有高维数、非线性化特点的故障数据,传统模式识别方法很难发现这类数据集的真实结构,导致故障诊断准确性不高。针对这一问题,将一种新兴的非线性维数约简技术——流形学习引入航空发动机振动故障诊断,提出基于监督流形学习理论的航空发动机特征提取与识别方法。该方法首先采用最近兴起的监督局部线性嵌入流形学习算法对蕴含在高维振动故障数据中不同故障的流形特征进行学习,映射到低维嵌入空间以实现故障的特征提取,在降维后的流形特征空间中构造分类器实现故障识别。利用航空发动机转子故障数据对方法的有效性进行了验证,结果表明,该方法显著提高了故障诊断性能,克服了传统的模式识别方法PCA和LDA的不足,并且在训练样本数为每类100的条件下,该方法的平均故障诊断正确率比PCA和LDA分别高出2.93%和7.20%。     

基于感测线圈和KPCA的电机轴承故障检测

在电机定子中嵌入感测线圈并结合核主元分析(KPCA)进行电机轴承的故障检测。8只线圈分别嵌入电机定子的前端和后端,通过分时复用形成6组反应电机状态的差动信号。针对6组感测信号与电机状态间的非线性特征,采用KPCA进行多变量分析。着重介绍分析了KPCA故障检测的算法、监测指标和步骤。最后,用机车变压器油泵电机为对象开展了试验研究,验证了所提电机轴承故障监测方法的有效性和正确性。     

基于改进PCA算法的航空发动机状态诊断模型

针对飞行试验对高效异常诊断手段的迫切需求,利用海量飞行试验数据,在提取表征发动机状态参数的基础上,采用分段线性化的思想改进PCA(主元分析)算法,改善PCA算法在复杂非线性系统建模方面存在的参数估计精度差等问题。根据发动机风扇转子转速对试飞数据(样本数据)进行区间划分,分段建立发动机状态诊断模型。验证结果表明:改进PCA算法建立的诊断模型参数估计精度较好,对参数偏差较为敏感,能正确检测发动机异常的出现并准确定位异常参数,对飞行试验安全监控及发动机异常诊断平台的开发具有一定的参考价值。     

基于SVR的航空发动机抗性能退化容错研究

涡轮风扇发动机工作环境复杂,长期工作在高温、高压状态下,使得发动机不断老化、性能衰退,由性能退化导致的航空发动机可靠性降低问题不容忽视.采用支持向量回归方法SVR对测量参数进行估计,获得发动机性能退化模型;应用支持向量机的非线性回归的核函数变换法,对特征空间优化获得最优分类面,同时基于Mann-Kendall算法对发动机性能退化参数进行评估.结果表明:该方法能有效地评估分析发动机性能退化趋势和衰退程度.     

基于马氏距离的航空发动机健康监控方法

航空发动机健康监控是实现航空发动机健康管理的关键技术之一。针对航空发动机健康监控高维计算复杂度高的问题,提出了一种基于主成分分析与马氏距离结合的计算方法。首先通过主成分分析对性能监测参数进行降维,并采用马氏距离计算发动机的健康参数,最终根据威布尔分布确定健康参数的警戒值。实例计算结果表明,方法能够较好反映航空发动机健康状态,并能检测运行过程中出现的异常点。     

基于支持向量机的发动机性能衰退指标分类和预测

基于支持向量机几何距离建立表征发动机性能衰退程度的指标,并基于相空间重构理论对该指标进行多步预测,表明回归支持向量机结果优于神经网络预测结果。利用主元分析、核主元分析方法对发动机性能特征量约简并提取其主元,得到核主元分析的分类效果更好。利用交叉验证的方法优化分类支持向量机和核函数中相关参数,给出发动机性能衰退指标曲线。通过建立统计量的方法分析发动机性能变化,确定性能变化关键点。所得结论对做好发动机维护保养工作,延长发动机使用寿命具有一定的指导意义。     

一种鲁棒的概率核主成分分析模型

大数据时代面临的数据维数越来越高,对数据降维处理越发显得重要。经典的主成分分析模型已被证明是一种有效的数据降维方法。但它在处理非线性、存在噪声和异常点的数据时存在效果较差的问题。对此,文章提出了一种鲁棒概率核主成分分析模型。该模型将核方法与基于高斯隐变量模型的极大似然框架相结合,用多元 t分布作为先验分布,以同时解决主成分分析在这 3个方面的弊端。提出混合鲁棒概率核主成分分析模型,使其可直接用于对混合的非线性数据进行降维和聚类分析。在不同数据集上进行的实验结果表明,与标准的混合概率核主成分分析模型相比,文中模型在数据聚类方面有更高的准确率。     

基于粗糙核Fisher鉴别分析的特征提取及其在发动机故障诊断中的应用

将粗糙集理论的属性约简与核Fisher鉴别分析方法结合起来,提出一种基于粗糙核Fisher鉴别分析的故障特征提取方法.首先采用粗糙集理论的属性约简删除与分类无关或关系不大的特征,降低输入特征维数,排除干扰特征的影响,减小了特征提取计算量;再采用核Fisher鉴别分析方法进一步提取非线性特征;最后将该方法应用于航空发动机滑油系统故障特征提取及故障识别中.结果表明:该方法获取的特征在提高分类正确率的同时,还有效地降低了输入特征维数,提高了分类效率,并且对分类器具有较强的适应性和鲁棒性.      

一种基于改进核主成分分析的SAR图像识别方法研究

针对传统核主成分分析方法识别SAR图像时,存在图像像素之间关联性差、对目标姿态角依赖性强等局限性,研究了一种基于改进核主成分分析的SAR图像识别方法。其研究思想是,结合SAR图像的特点提出了一种基于局部特征核主成分分析的特征提取方法,并设计了一种基于灰关联分析的双分类器对提取特征进行分类。NSTAR仿真实验表明：该方法不仅可以增强图像像素之间的相关性,而且对目标姿态角不存在依赖性,仿真结果验证了方法的有效性和可行性。     

航空发动机双重传感器故障诊断逻辑研究

针对航空发动机控制系统的双重传感器故障,提出了一种采用双路容错设计的卡尔曼滤波器故障检测隔离系统.故障检测隔离系统由一系列卡尔曼滤波器组成,每个滤波器都假定2路传感器故障,而以故障支路外的测量值作为输入量.当双重传感器故障发生时,只有不包含故障传感器信息的滤波器保持较低的估计残差,其他滤波器都会产生较大的估计残差,如此双重传感器故障便可以被隔离.利用滤波器组估计残差的特征,进一步设计合理的运算逻辑,系统就可以同时对传感器单一故障进行检测和隔离.为了验证故障诊断系统的有效性,在发动机慢车状态分别对传感器发生双重故障和单一故障的情况进行仿真.仿真结果表明:故障诊断系统能够准确有效地对传感器双重故障和单一故障进行检测和隔离.      

发动机故障诊断的主成分算法

 给出了两种基于主成分分析的发动机故障诊断算法,即主成分估计算法和主成分降维算法。这两种算法可以有效地解决发动机故障诊断中的两个技术难点,即减少故障方程中故障因子的个数以及克服故障方程的多重共线性的不良影响．在主成分估计算法中提出了最优主成分个数的概念,解决了主成分个数选择的难题．还以JT9D发动机故障诊断问题为例说明主成分分析算法的应用。研究结果表明,利用主成分降维方法可以将JT9D发动机的26个故障因子压缩到9个,或者将5个单元体的10个故障因子缩减到５个综合变量。所给出的两种算法可以在故障方程存在严重多重共线性而又无约束条件可供利用的情况下给出满意的故障诊断结果。     

基于KPCA 和DBN 的航空发动机排气温度基线模型

为了给航空发动机整体性能的实时监控与健康管理提供技术手段,提出1种基于核主成分分析和深度置信网络相结合的航空发动机排气温度基线模型构建方法。以配装CFM56-7B发动机的飞机在运行过程中各系统产生的快速存取数据作为原始的数据样本,利用核主成分分析进行降维处理,选用高斯函数作为核函数,将降维后的数据作为深度置信网络的输入,建立航空发动机EGT基线模型,通过大量QAR数据验证了模型的有效性和正确性。与传统神经网络建模方法相比,所提出的建模方法不但降低了网络结构的复杂度,同时也提高了模型的精度。