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。      

改进BP算法在模糊神经网络中的应用

引入一种改进的BP算法——动量因子-自适应学习率算法.通过调节动量因子以及在学习过程中的学习率实现自适应,以提高学习速率和增强学习的平稳性.将该学习算法引入到串形结构的多层前向模糊神经网络中,通过学习确定了模糊映射关系,实现了对象的模糊故障诊断.在应用模糊神经网络进行故障诊断时,被监测的故障征兆信号与网络输入层相连,即将输入向量输入到网络中,经过模糊化处理,得到各故障征兆在所定义征兆的模糊子集上的隶属度向量,再利用神经网络的前向计算,得到故障原因的模糊隶属度向量,最后通过对向量的分析确定故障原因的类型.将上述模糊神经网络应用到空气静压轴承中,实现了设备的故障诊断,测试结果验证了该方法的有效性.      

基于蚁群优化的长短时神经网络变外形飞行器故障模式识别

变外形飞行器机械结构复杂,在变外形过程中发生故障的概率大,传感器测量成本高,针对这些问题,提出了一种基于长短时神经网络进行飞行器测试故障诊断的方法。首先根据变外形飞行器的气动参数模型和非线性动力学模型,构建变外形飞行器执行机构故障特征数据库。然后针对变外形飞行器发生故障时的序列化特征数据,提出基于长短时神经网络的执行器故障诊断框架。利用蚁群优化算法对网络训练的超参数进行优化,提高故障诊断的准确性与泛化性。通过仿真验证了该方法可实现变外形飞行器的低成本,高效率,高精度的故障快速定位。     

旋翼多维振动最优调整方法

针对直升机旋翼系统非线性、难以建模的特点,采用径向基函数(RBF,Ra-dial Basis Function)神经网络建立直升机旋翼动平衡调整模型.根据约束条件以直升机机身振动值作为目标函数建立适应度函数,以旋翼系统的调整参数为优化变量,进行神经网络学习和优化.利用粒子群优化(PSO,Particle Swarm Optimization)算法对适应度函数进行寻优,获得当直升机振动最小时的桨叶的调整参数.实验结果表明:PSO算法寻优效率方面高于遗传算法;RBF神经网络和PSO算法相结合可以有效地实现直升机旋翼动平衡调整.     

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.     

基于循环神经网络的卫星姿态执行器故障诊断

针对卫星姿态控制系统执行器机构故障问题，提出了一种基于循环神经网络的故障诊断方法。对卫星姿态控制系统建模，进行故障分析并采集星敏感器和角速度陀螺的连续时刻故障数据。设计六种异构的循环神经网络，对故障数据进行故障诊断和分类, 分别从网络深度、反馈单元、激活函数和训练算法对比网络效果。带有门循环单元的 (gate recurrent unit，GRU)深层循环神经网络训练效果更好，其故障诊断准确率达到了95.7%。结果表明对于时序的卫星数据，门循环单元和带有一定深度的循环神经网络故障诊断效果更优。     

一种基于FPGA的深度神经网络硬件加速器系统

深度神经网络目标检测算法计算复杂度高、模型复杂,对硬件平台的算力有很高需求,针对以上问题,设计了一种基于现场可编程门阵列(field programmable gate array, FPGA)芯片的硬件专用加速器.通过软硬件协同方法,设计具有高并行度及深度流水的片上架构,并使用模型量化、结构优化等方法对神经网络模型进行优化.在所设计的加速器系统中进行神经网络目标检测算法的部署,实现了高数据吞吐率、低功率消耗的FPGA神经网络计算,且模型精度损失低于1.2%,为在低能耗嵌入式平台上部署深度神经网络目标检测算法提供了有效解决方案,可广泛应用于机载、星载智能计算设备.     

基于AI+神经网络的数字化故障电弧识别方案研究

线路故障电弧的特征随着电力电子技术的提高更趋复杂，传统的故障电弧识别方式已无法应对新型用电系统。对比传统故障电弧识别方案，研究故障电弧产生类型和新型检测技术，提出基于谐波因素、总谐波畸变率、电流零休时间、电流变化速率、电流周期性等典型时域、频域特征的AI+神经网络的数字化故障电弧识别方案。该方案运用回归算法向量机对特征图进行分类处理，通过正向传输运算、反向传输运算和迭代回归运算三个步骤执行卷积神经网络，频繁迭代回归以获得最佳特征识别图。本文以调光器的故障电弧识别为例，对故障识别方案进行验证，结果表明采用此方案可实现更高效、更精准、更稳定地识别故障电弧。     

卫星群反作用飞轮的故障诊断方法研究

卫星群飞行技术是航天领域的新兴技术,多个低成本小卫星可以完成较为艰巨的太空任务,但与此同时也会带来更多的故障问题。面对复杂的空间环境,针对卫星群可能发生的故障问题,提出了一种分布式卫星群系统故障诊断方案,通过基于Elman神经网络的故障诊断方法完成对卫星群姿态控制系统的故障诊断。试验结果表明,该方案能够快速检测出卫星群中反作用飞轮发生的故障,并且让邻近卫星通过神经网络也能检测到该故障的发生,表现出很好的准确性和实时性,在实际应用中有效可行。     

基于小波包和Elman神经网络的液压泵故障诊断

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点,及 传统的BP网络进行故障诊断时网络学习具有收敛速度慢和学习、记忆不稳定的缺陷,提出了 一种将小波包变换和改进Elman神经网络相结合,进行液压泵故障诊断的新方法.利用具有 紧支结构的小波函数对信号进行分解,削减小波系数以滤除信号中的噪声;单支重构以有效 提取各频带的故障特征,并以频带能量作为识别故障的特征向量;应用改进的Elman神经网 络建立从特征向量到故障模式之间的映射,实现液压泵故障分类.试验结果表明,采用小波 包和改进Elman神经网络相结合的方法可有效的实现液压泵故障的诊断.      

应用支持向量回归机探索发动机VSV调节规律

发动机可调静子叶片（VSV）调节规律极其复杂,通过挖掘快速存取记录装置（QAR）数据对VSV调节规律进行了深入研究。首先,通过PW4077D发动机健康状态的QAR数据,建立基于粒子群优化（PSO）算法的支持向量回归机（SVR）模型,来探索VSV调节规律;然后,利用后续航班数据对PSO-SVR模型进行验证,并将验证结果与传统的PSO-BP神经网络模型进行对比;最后,应用PSO-SVR模型进行发动机故障诊断。研究结果表明:PSO-SVR模型的回归预测精度优于PSO-BP神经网络模型,能够准确反映VSV的调节规律。可将其用于发动机的状态监控和故障诊断,亦可为VSV控制系统设计提供参考。      

基于RBF带学习能力高精度非线性FDD设计

在轨航天器故障检测与诊断问题需要面对模型的非线性,而且要求尽量提高其检测的精度,为此设计了基于径向基函数（RBF）神经网络的动量轮非线性故障检测与诊断（FDD）方案。首先应用RBF补偿建模误差,提高检测精度,并选择李雅普诺夫函数证明其收敛性;然后应用非线性观测器来产生故障残差,给出了阈值以及故障检测的时间;应用RBF网络对故障信号进行重构,并据此设计了带学习能力的FDD策略。再次建立了详细的动量轮模型,通过不同条件下的仿真研究分别验证残差的阈值特性、时间特性以及RBF的重构能力,仿真结果表明了算法的有效性。     

基于粗神经网络的民用飞机故障诊断

针对传统神经网络故障诊断过程中网络训练时间长、结构复杂以及仅能进行单值输入的缺陷,设计了一种基于粗神经网络的民用飞机故障诊断系统.将粗糙集理论应用在神经网络的前端对民用飞机故障样本数据进行约简处理,以此去除冗余属性的干扰,克服了无关样本数据对网络学习性能的影响,简化了网络结构;利用粗神经元代替传统神经元,提高了网络性能,扩展了网络的应用范围.通过对空中客车A320飞机的故障诊断试验验证了该方法的有效性.     

火箭发动机基于神经网络非线性辨识的故障检测

应用神经网络方法，提出了一种液体火箭发动机故障实时检测算法。神经网络采用非线性辨识技术贴近发动机的工作过程，并输出包合发动机故障信息的辨识误差信号。若辨识误差变大超过一定阈值，检测逻辑就预报发动机故障。在发动机启动阶段离线训练神经网络，在发动机稳态过程可以采用离线或在线学习算法。实验研究表明神经网络可以成功地应用于大型泵压式液体火箭发动机的故障检测。     

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%。