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。      

基于双重注意力机制及S-BiGAN的机电设备故障诊断

标签样本少条件下机电设备的准确故障诊断对于提高复杂机电设备的健康管理能力具有重要意义。针对标签样本少条件下难以建立准确故障诊断模型的问题,在半监督生成对抗网络的基础上,将注意力模块引入生成对抗网络,并利用格拉姆角场将一维数据转换为二维图像;结合双向生成对抗网络特点,提出一种基于双重注意力机制的半监督双向生成对抗网络（S-BIGAN）机电设备故障诊断模型,以轴承数据为例进行验证。结果表明：与CNN-SVM、SGAN 等算法相比,本文提出的模型能够提高样本生成质量和故障分类特征,有效解决标签样本少情况下的故障诊断问题,极大地提高了故障诊断准确率。     

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。     

航空发动机整机振动故障模糊信息熵诊断方法

为了获得航空发动机整机振动故障征兆与故障原因之间难以确定的复杂隶属关系,提高故障诊断的准确率,基于模糊数学理论和信息熵理论,提出了基于模糊信息熵的发动机整机振动故障融合诊断方法。通过建立模糊信息熵融合诊断的数学模型,使定量分析与专家经验和定性分析相结合,并应用于某型航空发动机整机振动故障诊断。实际应用表明,基于模糊信息熵融合的诊断模型较单一的模糊诊断模型准确率明显提高,验证了该方法用于航空发动机整机振动故障诊断是有效的。     

基于飞行过程数据的航空发动机故障诊断方法研究

针对航空发动机飞行过程数据,结合门控循环单元（GRU）动态网络和深度神经网络（DNN）,提出了一种数据驱动的航空发动机故障诊断结构。首先,从飞行数据中抽取发动机健康数据,并通过一组GRU网络建立发动机在健康状态下的动态模型。其次,通过GRU动态模型的预测值与真实测量信号生成残差信号,残差信号作为DNN网络的输入预测发动机健康参数。最后,通过诊断决策模块实现对发动机的故障检测与识别。使用仿真生成的真实飞行工况数据集对提出的故障诊断系统进行了验证。结果表明,相比于直接使用传感器测量数据,基于GRU网络的残差结构能够大幅提升故障检测和识别性能,故障检测和识别准确率分别可达96.51%和95.06%,并且对训练数据样本数量的依赖性较小,较少的训练样本也能获得很好的预测结果。     

航空发动机性能图像纹理片段划分方法

为了解决深度学习在航空发动机性能异常检测中出现的数据不平衡的问题，在高频次纹理片段对应性能稳定状态、低 频次纹理片段对应异常波动状态的合理假设下，提出了一种航空发动机性能图像纹理片段划分方法。通过研究性能数据空间与 RGB彩色空间的映射，提出高维性能数据图像化。引入分形盒维理论，定义纹理特征维数表征性能图像纹理特征，提出基于高频 次生长树的图像纹理片段划分方法，实现性能图像按纹理出现频次的精细划分，建立正常样本和异常样本数量接近的数据集。选 取多个航段发动机性能数据，与时频图和采样法生成的数据集进行对比验证。验证结果表明：该方法可以生成数量相当且真实 客观的正常样本和异常样本，在ResNet50模型上的准确率达91.72%，减小了数据不平衡对准确率的影响。     

基于IGA-ELM网络的滚动轴承故障诊断

为了提高航空发动机轴承故障诊断准确率,提出基于改进遗传算法优化极限学习机网络（IGA-ELM）的诊断模型。针对传统遗传算法易早熟等缺陷,对遗传算法的交叉操作和变异操作进行改进,并用改进的遗传算法优化极限学习机的输入权值矩阵和隐含层阈值,利用Moore-Penrose算法计算极限学习机的输出权值矩阵。使用IGA-ELM诊断模型对滚动轴承正常、内环故障、外环故障和滚珠故障4种工况进行诊断,并分析极限学习机隐含层神经元的数量和激活函数对轴承故障诊断的影响。为了验证改进遗传算法优化极限学习机的有效性,将传统遗传算法、自适应遗传算法和粒子群算法作为对比算法。经过分析表明：改进遗传算法收敛速度和收敛误差,均优于对比算法。     

基于ARCN模型的轴承故障诊断

提出注意力循环机制与胶囊网络融合的注意力循环胶囊网络（ARCN）的诊断模型。提取时序特征信息构建初级胶囊;自适应融合路由机制、注意力循环机制构建数字胶囊特征;基于西储大学轴承实验数据,验证了ARCN模型的准确率、鲁棒性、稳定性、收敛误差,其准确率相比Caps模型识别准确率提高1.2%、收敛误差达到0.2。基于实验仿真平台,采集正常、内环故障、外环故障和滚动体故障的振动信号,并通过小波基变换获取的时频图构建ARCN模型的数据集。仿真实验结果表明:ARCN模型下,每类故障被误诊的概率不超过总样本的1%。      

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。     

涡轴发动机单元体性能分析与故障诊断方法

介绍了某发动机监测参数的选择与监视方法,运用故障因子概念建立了单元体故障诊断模型,利用实际试车数据对诊断模型进行了验证.结果表明诊断模型可信,诊断结论与实际情况相一致.     

基于EMD模糊熵与会诊决策融合模型 的中介轴承故障诊断技术

针对航空发动机中介轴承故障信号难于识别的问题,提出了1种融合k NN、SVM、CART、RF及GBDT 5种算法的会诊决策融合模型。基于中介轴承故障模拟试验台开展某型航空发动机中介轴承故障试验验证。采用EMD算法对采集的振动故障信号进行分解,提取IMF分量的模糊熵作为故障特征。利用建立的会诊模型对中介轴承内环故障、内环-滚动体耦合故障、正常、滚棒剥落、滚棒划伤5种不同状态进行识别。试验研究表明:会诊模型的故障诊断准确率高达92.5%,并表现出良好的泛化能力。     

并行稀疏滤波在轴承声信号下的故障诊断

振动信号是航空发动机故障监测的常用信号。由于航空发动机结构复杂，对振动传感器的布置要求日益严格。声学信号以其非接触式、易布置、低成本的优点，在轴承智能故障诊断中引起了广泛的关注。然而，由于航空发动机内声信号所处的环境噪声较强，传统的轴承故障诊断方法无法实现精确的特征提取。为此，研究有效的特征提取方法实现轴承声信号下的智能故障诊断显得尤为重要。稀疏表示是智能故障诊断中的一个研究热点，在稀疏特征提取方面显示出强大的力量。对强噪声下的声信号进行有效的稀疏特征提取，可为轴承的非接触式故障诊断提供解决路径。提出一种基于并行稀疏滤波的轴承故障诊断方法，能够实现对轴承声信号的稀疏特征提取。并行稀疏滤波通过在传统稀疏滤波的基础上增加另一个归一化方向来实现进一步的稀疏特征提取，然后采用权值归一化方法约束训练得到的权值矩阵。最后，通过仿真和实验数据验证了所提方法的优越性。结果表明，并行稀疏滤波能够实现轴承声信号的有效稀疏特征提取和精准分类，可用于声学信号下的轴承智能故障诊断。     

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

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CNLS-MMD的孪生混合网络四旋翼飞行器故障诊断方法

四旋翼飞行器在众多领域中应用广泛,由于工作环境复杂多变,四旋翼飞行器极易出现结构损伤性故障,给飞行器的安全性带来巨大的挑战,因此开展四旋翼飞行器结构损伤性故障的相关研究对提高四旋翼飞行器可靠性具有重要意义。针对四旋翼飞行器在实际应用中结构损伤性小样本故障数据诊断率低的问题,本文提出了一种在小样本条件下基于卷积神经网络和长短时记忆网络的孪生混合网络（CNLS-MMD）四旋翼飞行器故障诊断方法。首先,设计试验获取四旋翼飞行器多工况结构损伤性飞行数据并对数据进行预处理。其次,建立基于孪生混合网络的故障诊断模型,采用卷积神经网络（CNN）和长短时记忆网络（LSTM）构建CNLS混合模型提取数据特征,利用最大均值差异（MMD）衡量样本的相似度,实现对故障标签的预测。最后,选择不同样本数量的训练集训练模型,使用多工况小样本数据集对搭建的模型进行故障测试。结果表明,该故障诊断方法具有较好的诊断性能和泛化能力。     

自组织神经网络航空发动机气路故障诊断

 为克服学习样本依赖于发动机精确模型的问题,提出了一种基于自组织神经网络的发动机智能故障诊断的方法,并运用故障特征提取的数据预处理方式,成功地对航空发动机气路部件的几种典型故障做出正确诊断。为验证网络的抗噪性能,引入了自联想神经网络。研究表明,自组织网络可以脱离发动机模型,并且对测量噪声有良好的鲁棒性,能基本满足航空发动机故障诊断的要求,具有较好的工程应用前景。     

支持向量机在燃气涡轮性能诊断中的应用

由Vapnik统计学习理论得到的支持向量机是一种新的人工智能方法，它具有比人工神经网络更好的泛化性。文中构建了一种基于C—SVC的故障诊断模型（CBFDM），并采用5重交叉验证法来选择模型参数，该模型可给出3个最可能的故障原因。利用PW4000—94发动机巡航态影响系数矩阵产生仿真数据，对CBFDM研究结果表明，即使在噪声级别为正常情况下的3倍时，该模型诊断准确率仍超过93％。该诊断模型也可用于其它领域诊断问题。     

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MTF-MSMCNN的小样本滚动轴承故障诊断方法

针对样本数量不足以及工况条件复杂导致故障识别精度低下的问题，提出一种基于马尔科夫转移场与多维监督卷积神经网络（Markov transition field and multidimensional supervised module convolutional neural networks, MTF-MSMCNN）的小样本滚动轴承故障诊断方法。采用MTF编码方式将一维滚动轴承信号转化为二维特征图像，使其保留时间相关性；提出多维监督模块（Multidimensional supervision module, MSM），在空间维度和通道维度监测重要故障特征并自适应赋予权重，提升模型捕捉关键特征的能力；将MSM嵌入到卷积神经网络中，构建出MSMCNN模型；通过试验构建复杂工况条件，将MTF图像输入到所提模型进行故障诊断，并运用两种数据集验证模型有效性。试验结果表明，MTF-MSMCNN在每类故障训练集样本仅有10个且在0 dB噪声污染下故障诊断精度依然可达90%左右，对比其他诊断模型，本文所提方法在小样本、变工况以及噪声干扰条件下具有更高的识别准确率、更强的泛化能力以及抗噪性能。     

Elman回归神经网络在航空发动机故障诊断中的应用

提出了一种基于Elman神经网络的航空发动机故障智能诊断方法。以在某型发动机地面定检状态下实测的数据作为样本数据,建立了航空发动机故障诊断模型,利用该模型成功地对实测发动机参数进行了诊断。研究结果表明:该方法对权值初始值选取、隐含层节点数选取和输入样本规范化处理等不敏感,具有学习速度快、诊断精度高等优点。