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CWT-CNN的齿轮箱运行故障状态识别

针对传统故障诊断中提取的特征不具有自适应能力、很难匹配特定故障的问题,提出了一种基于连续小波变换（CWT）和二维卷积神经网络（CNN）的齿轮箱故障诊断方法。该方法对齿轮箱故障振动信号采用连续小波变换构造其时频图,以其为输入构建卷积神经网络模型,通过多层卷积池化形成深层分布式故障特征表达。利用反向传播算法调整网络各层的结构参数,使模型建立从信号特征到故障状态之间的准确映射。在不同工况和不同故障状态下的实验中,故障识别准确率达到了99.2%,验证了方法有效性。采用这种自适应学习信号中丰富的信息的方法,可以为故障诊断智能化提供基础。      

基于小波包分析与多核学习的滚动轴承故障诊断

为了更准确地诊断滚动轴承故障,提出了一种基于小波包分析与多核学习的滚动轴承故障诊断方法.该方法首先对振动信号进行3层小波包分解,将振动信号分解为不同频带的信号,提取各频带的相对能量特征,构建特征向量;然后采用多核学习算法从训练样本集中学习核函数与分类器;最后使用训练出的分类器识别滚动轴承故障类型.为了验证方法的有效性,进行了滚动轴承故障诊断实验,实验结果表明该方法的故障诊断准确率达到98.25%,与传统的基于小波包与支持向量机的滚动轴承故障诊断方法相比,其故障诊断准确率更高,同时由于避免了核函数的选择问题,该方法更便于实际应用.      

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。     

EEMD与NRS在涡桨发动机转子故障诊断中的应用

针对涡桨发动机转子系统振动信号的非平稳特征,提出一种基于集成经验模态分解(EEMD)与邻域粗糙集(NRS)的涡桨发动机转子故障诊断方法。该方法先对转子振动信号进行EEMD,提取原始信号的时域特征和多尺度排列熵(MPE)特征,转子系统的大部分故障信息隐藏在前几个高频本征模态函数（IMFs）中,分别计算它们的时域指标、能量特征和奇异值分解(SVD)特征;利用NRS评估各个特征的属性重要度,进而选出敏感特征;将其作为支持向量机(SVM)的输入向量来对转子进行故障诊断。实验结果表明:该方法利用敏感特征集对涡桨发动机转子进行故障诊断的准确率达到了97.5%,同时剔除了大量冗余特征,具有较强的鲁棒性。      

基于PCA-LMD 的滚动轴承信号混合特征选取与故障诊断

为了对非平稳、低信噪比的轴承振动信号进行分析,提出1 种基于PCA-LMD 的滚动轴承振动信号混合特征选取及智能 故障诊断方法。基于Hankel 矩阵对实测轴承振动信号进行主成分分析（PCA）降噪处理。对降噪后的非平稳信号进行局部均值分解 （LMD）,得到一系列具有瞬时物理意义的乘积函数（PF）。通过特征分析和对比,选取前5 阶PF 分量的能量比特征、样本熵、均方根及 波形指标作为信号混合特征向量。将特征向量输入到支持向量机（SVM）分类器进行训练与测试,从而实现故障诊断。结果表明：通过 对包含不同故障程度的滚动体、内圈、外圈故障的轴承实测数据进行分析,故障诊断正确率达到98%,验证了本方法的有效性,对航 空发动机轴承的故障诊断具有借鉴和指导作用。     

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%。      

基于声学信号与视觉转换器的滚动轴承故障诊断方法研究

航空机载设备的可靠性对航空运输安全至关重要。针对航空机载设备上的滚动轴承故障，本文提出一种声学信号与视觉转换器（ViT）相结合的滚动轴承故障诊断方法。首先，将采样获得的滚动轴承声信号通过短时傅里叶变换转换为时频图。其次，将时频图按时序分割，作为ViT的输入。ViT通过多注意力机制提取图像块中的信息并输出数据。最后，输出数据通过多层感知机实现对不同类别的滚动轴承故障识别。试验表明，相较于传统的基于卷积神经网络和长短时记忆网络的滚动轴承故障诊断方法，本文所提方法的滚动轴承故障诊断准确率更高，为航空机载设备的轴承故障诊断提供了一类新方法。     

多源数据融合与改进注意力机制的轴承智能故障诊断

单一传感器信号不能全面表达机械设备的运行特征且容易受到自身品质、性能的影响,为此本文提出了一种多源数据融合与改进注意力机制相结合的滚动轴承智能诊断方法。采集不同位置的传感器振动信号作为模型的输入向量,每一个传感器信号作为一个通道,将多通道信号同时送入模型特征输入层;引入改进注意力机制建立各通道和空间动态权重参数,随着模型训练,不断增强故障特征、弱化无用特征;运用深度卷积神经网络模型的卷积、池化等操作将多传感器信号进一步融合并提取故障特征,输出诊断结果。在进行滚动轴承故障诊断实验时,该方法诊断准确率达到100%,高于准确率最佳值为97.42%的单传感器。与其他方法相比,本文方法可以自适应融合多传感器数据以满足诊断任务的要求,具有良好的自适应性和鲁棒性,为滚动轴承的故障诊断提供了一种可行的方法。     

基于融合信息(火用)的转子振动故障SVM诊断方法

通过提取信息(火用)特征,提出基于融合信息(火用)的转子振动故障支持向量机（SVM）诊断方法.首先,在转子试验台上分别模拟转子不平衡、轴系不对中、转子裂纹和转子碰磨4种典型故障,采集这4种典型故障在多转速和多测点下的振动加速度信号;其次,提取基于时域的奇异谱熵和频域的功率谱熵的转子振动故障过程变化规律的信息(火用)特征;最后,将提取到的信息(火用)特征作为故障向量,建立SVM故障诊断模型,进而对转子振动故障进行诊断.实例诊断结果表明：将信息(火用)特征与支持向量机相结合进行转子振动故障诊断,诊断结果准确率达到了97%,有效地提高了故障诊断的准确率.     

基于平滑先验分析和模糊熵的滚动轴承故障诊断

由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,基于对振动信号进行多尺度的模糊熵(FE)分析,提出了基于平滑先验分析(SPA)和模糊熵的滚动轴承故障诊断方法。采用SPA方法对振动信号进行自适应分解,得到振动信号的趋势项和波动项;分别计算趋势项和波动项的模糊熵;将模糊熵值作为特征向量,输入至基于优化算法的支持向量机(OSVM)。将该方法应用于滚动轴承实验数据,分析结果表明:该方法在仅提取两个分量特征的情况下即可达到100%的故障诊断精度,可有效实现滚动轴承的故障诊断。      

Multi-probe linear fitting and time of arrival linear correction method to analyze blade vibration based on blade tip timing without once-per-revolution

Blade vibration monitoring can ensure the safe operation of aero-engine rotor blades. Among the methods of blade vibration monitoring, Blade Tip Timing (BTT) method has attracted more and more attention because of its advantages of non-contact measurement. However, it is difficult to install the Once-Per-Revolution (OPR) probe in the confined space of aero-engine, and the failure and instability of the OPR signal will reduce the reliability of the blade vibration analysis results, which directly affects the accuracy of the blade vibration parameters identification. The Multi-Probe linear fitting and Time of Arrival (ToA) Linear Correction method based on the BTT (MP-LC-BTT) without OPR is proposed to reduce the errors of single probe linear fitting method for blade vibration displacement analysis. The proposed method can also correct the calculation error of blade vibration displacement due to the nonlinear change of rotation speed, which can improve the analysis accuracy of the blade vibration displacement. A new blade vibration model conforming to the actual vibration characteristics is established, and the effectiveness of the proposed method is verified by numerical simulation. Finally, the reliability and accuracy of the MP-LC-BTT method have been verified by the experiments which include two high-speed blade test-benches and an industrial axial fan. This method can be used in the actual aero-engine monitoring instead of the BTT method with OPR.     

基于前缘凸结的推进泵叶片空化控制研究

为抑制推进泵空化不稳定引起的振动、噪声等危害,采用仿座头鲸鳍状肢前缘凸结的方法对推进泵叶片空化进行控制,通过水洞实验和数值模拟对前缘凸结的空化控制效果和机理进行了研究。结果表明,与原型泵相比,本文设计的仿生泵扬程得到了提升,且其效率损失小于2.5%;该仿生泵的前缘凸结会诱发涡结构,使叶片表面适度湍流化,造成空化区域的展向发展受到限制,空泡稳定性得到提高,但其也会导致波谷处存在低压区,造成仿生泵空化初生提前。总体来说,前缘凸结可以有效控制空化脱落和不稳定脉动,但凸结结构参数有待进一步优化以延缓由于波谷处局部压力较低而引发的空化初生提前。     

双树复小波域MCA降噪在齿轮故障诊断中的应用

齿轮箱早期故障信号中往往包含强烈的干扰噪声,而基于简单阈值规则的小波系数降噪方法往往不能取得良好的效果.针对该问题,提出了基于形态分量分析(MCA)的双树复小波降噪方法.首先,对强背景噪声故障信号进行双树复小波变换,得到不同层的小波变换系数;然后,选取小波系数周期性较为明显层的小波系数进行MCA降噪;最后,将降噪后的系数进行单支重构后便可获得故障特征信号,对降噪信号进行包络分析便可以确定信号的故障特征频率.利用该方法对仿真分析和某轧机齿轮箱打齿故障早期信号进行了处理,结果表明:该方法能够在有效去除信号中的强背景噪声,比单独MCA降噪及软阈值降噪具有更好的效果,得到了更清晰的故障特征频率,从而为齿轮早期故障诊断提供了一种新方法.      

基于深度学习的辅助动力装置性能参数预测方法研究

针对传统机器学习的辅助动力装置(Auxiliary Power Unit, APU)性能参数预测方法不能充分利用参数数据间的时序性和非线性问题,提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)-长短期记忆(Long Short-Term Memory, LSTM)-注意力(Attention)的APU性能参数预测方法。首先,引入一维CNN,通过预处理的参数数据得到不同属性的抽象特征。然后,使用LSTM神经网络对这些特征进行记忆,并结合可以对特征状态赋予不同权重的Attention机制来实现参数预测。使用某型APU的参数数据预测未来不同步长的排气温度(Exhaust Gas Temperature, EGT)。实验结果表明,对于单步EGT的预测,CNN-LSTM-Attention模型在平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)指标上比CNN-LSTM、LSTM和简单循环神经网络(Simple Recurrent Neural Network, Simple RNN)模型分别降低了15.2%、32.5%、60.3%,在均方根误差(Root Mean Square Error, RMSE)指标上分别降低了7.3%、11.6%、32.9%。同时它在多步EGT的预测中具有较高的预测精度,证明了该方法的有效性,为短期APU性能变化趋势预测提供一定的参考。     

基于CEEMDAN降噪与双谱分析的滚动轴承故障诊断

滚动轴承早期故障信号中的噪声成分会影响到故障特征的提取。为了提高含噪故障信号中滚动轴承早期故障特征提 取的准确性，将基于自适应噪声的完备经验模态分解（CEEMDAN）用于滚动轴承振动信号的降噪中，并对降噪后的轴承故障信号 进行双谱分析。结果表明：CEEMDAN可有效去除轴承振动信号中的低频噪声干扰，经CEEMDAN降噪后的不同轴承故障信号的 双谱全局图存在明显差异，根据这些差异可在宏观上对不同轴承故障加以区分；通过经CEEMDAN降噪后的不同轴承故障信号的 双谱细节图可以正确提取不同轴承故障的特征频率，从而实现对各轴承故障的有效诊断。CEEMDAN降噪结合双谱分析可为滚 动轴承故障诊断提供一种新的有效方法。     

基于机匣应变信号的航空发动机转静碰摩部位识别

 为有效识别航空发动机转静碰摩部位,提出基于机匣应变信号的航空发动机转静碰摩部位识别技术。以应变片为敏感元件,采用沿机匣轴向、周向粘贴应变片两种实验方案,利用航空发动机转子试验器模拟大量不同碰摩部位的样本,采集航空发动机转子试验器机匣上的应变信号,提取应变的均值特征,利用支持向量机,识别不同碰摩位置。结果表明:沿机匣周向的应变均值特征可有效识别转静碰摩部位,且鲁棒性较好,且仅需在机匣的4个位置粘贴应变片即可对4个不同碰摩部位达到100%的识别率。沿机匣轴向的应变均值特征也可识别不同的碰摩部位,但识别效果不如沿机匣周向效果理想。     

基于机匣信号的滚动轴承故障卷积神经网络诊断方法

针对在滚动轴承故障激励下的机匣微弱故障特征,提出了基于卷积神经网络(CNN)的故障诊断方法。利用矩阵图法、峭度图法以及小波尺度谱法3种振动信号的预处理方法,将一维原始信号转换为图像信号;利用卷积神经网络对故障进行识别。通过比较分析发现:通过连续小波尺度谱更易提取滚动轴承的故障特征,其故障识别率达到95.82%,均高于其他几种振动信号预处理方法;由于卷积神经网络可以利用深层网络结构自适应地提取滚动轴承故障特征,比传统支持向量机(SVM)方法的故障识别率高约7%。结果证明了该方法的有效性与可行性,且具有较好的泛化能力和稳健性。      

车用驱动电机电磁振动噪声源诊断技术

由于车用驱动电机追求更宽的调速范围和更高的功率密度,导致电机产生的振动噪声进一步增大。为此针对车用驱动电机电磁振动噪声产生的机理,提出了适用于车用驱动电机不同电磁振动噪声源特征频率的识别方法。对电机定、转子磁场谐波进行分析,得出了磁场频率的数学解析表达式。对电机电磁激振力的阶次和频率进行研究,总结得出了不同电磁振动噪声源的特征频率。通过对电机电磁振动噪声测试数据进行诊断分析,验证了所提诊断方法的准确性。