基于模糊粗集的航空发动机特征参数提取算法

提取发动机性能状态的特征参数,是提高发动机故障识别正确率和可靠性的必要条件.针对实际航空发动机故障参数所具有的模糊和连续性特点,提出了一种基于模糊粗糙集的特征参数提取算法,并应用到某型航空发动机故障识别.研究结果表明:属性约简的核则为导致发动机故障的特征参数,以此特征参数进行故障诊断,可保证较高的诊断精度;同时,该算法的抗干扰性提高了整个系统故障识别的正确率.该算法可用于航空发动机故障分类、故障诊断以及状态监控.      

故障因子诊断方法在航空发动机上的应用研究

航空发动机气路中任何零部件受损而引起的性能恶化,必然导致相关参数的变化。引入了故障因子的概念,介绍了故障因子诊断方法在航空发动机上的应用,阐述了航空发动机故障诊断过程中测量参数与性能参数选取的依据和方法,利用故障因子建立了某型涡喷发动机稳态工作状态下的故障模型和诊断模型,探讨了4个测量参数诊断气路部件故障的方法。算例结果表明:故障因子诊断方法是航空发动机进行故障诊断的1种最基本且十分有效、快捷的诊断手段。     

基于Kolmogorov熵的转子—机匣系统故障诊断研究

提出了基于Kolmogorov熵的航空发动机转子—机匣系统状态识别和故障诊断新方法。应用关联积分算法,基于实测的航空发动机机匣振动时间序列求解了转子—机匣系统不同工作状态和故障状态的Kolmogorov熵;基于Kolmogorov熵,对航空发动机转子—机匣系统进行了状态识别和故障诊断。研究结果表明,该法具有较高的状态识别和故障诊断能力。     

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.     

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。     

基于云关联度的航空发动机传感器、部件故障识别系统设计

针对灰色关联度方法用于发动机故障诊断精度低的问题,结合云理论和关联度分析方法,提出了云关联度方法,利用“云滴”能够反映映射的模糊性和随机性与整体“形状”变化分布这一特性,克服数据挖掘的模糊性和随机性问题,采用综合隶属度方法能够充分对数据进行挖掘,最终计算出云关联度.为了实现航空发动机传感器、部件单一故障的实时识别和诊断,在分析航空发动机传感器故障和部件故障特点的基础上,利用云关联度方法,设计了航空发动机传感器、部件故障的识别系统.仿真结果表明该方法不仅能够实时正确区分航空发动机传感器、部件故障,还能准确诊断出故障发生的传感器或者部件的位置,有效地改善了航空发动机故障诊断能力.      

监视参数预测和故障识别法

将时间序列分析方法应用于航空发动机状态监视与故障诊断中, 采用自回归模型, 对监视参数进行趋势预测。进一步将时序分析与模式识别技术相结合, 通过构造判别函数和用参数相关分析法, 识别发动机典型故障。      

航空发动机故障分析

<正>航空发动机是一个典型的旋转机械系统,其内部结构复杂,工作条件恶劣,容易发生各种故障。由于发动机气路部件的失效、旋转部件的振动和摩擦副的磨损等,均会严重影响其运行的安全性、可靠性和高效性,因此提高和完善发动机的状态监控和故障诊断技术具有十分重要的意义。目前,对航空发动机故障的分析主要分为两方面。一是在不分解发动机的情况下,通过检测故障发动机的有限测量参数来实现故障的定位、定性及定因。随着     

航空发动机振动监测与故障诊断技术研究进展

航空发动机汇集各领域高精尖技术,是国家科技、工业和国防实力的综合体现。复杂结构与恶劣服役环境致使其故障频发,发动机故障诊断与健康管理技术成为保障其安全、可靠运行的重要支撑。由于振动类故障是航空发动机的主要故障模式,本文从整机振动监测与故障诊断的系统研制与应用、理论研究现状及发展方向3个方面,对国内外现有航空发动机振动类故障诊断技术进行梳理、剖析,具体包括动力学分析、信号处理及深度学习等相关技术,分析航空发动机振动类故障诊断面临的问题与挑战,并归纳未来发展趋势。     

航空发动机故障仿真研究

基于航空发动机正常工况下的数学模型,结合航空发动机实际运行状况,确立了几种发动机的典型运行故障。通过对故障进行分析,选取对故障比较敏感的气动或性能参数作为故障诊断参数。最后,在以上基础上建立航空发动机故障数学模型。     

基于试飞数据的航空发动机状态监测与故障诊断

在航空发动机飞行试验阶段,发动机技术状态变化快、故障频发,为了实时监控发动机工作参数变化情况,快速及时地预测并诊断发动机故障,本文研究了试飞数据驱动的航空发动机状态监控与故障诊断技术。文章基于实际试飞数据建立了航空发动机ANN-NARX参数预测模型,考虑到建模样本量大、模型结构复杂、训练时间长、输入输出延迟等因素,采用遗传算法对模型的最小数据样本需求和结构进行了改进优化,并利用蒙特卡洛方法确立了参数预测模型的自适应告警门限,同时基于构建奇偶空间残差模型实现了航空发动机典型故障诊断。结果表明：实际试飞中只需有限架次试飞数据的训练学习,即可得到发动机参数预测模型,高压转子转速、压气机后压力、涡轮后总温及滑油总回油温度预测相对误差最大值分别为：1.0%、1.7%、0.2%和1.2%,综合模型建模误差和参数测量误差后的自适应告警门限有效降低了模型预测结果的不确定性,在已有数据样本集上的典型故障识别率达到95.2%。     

基于小波包分析方法的航空发动机滚动轴承故障诊断

将小波包分析技术引入到航空发动机滚动轴承故障诊断的应用研究中,给出了基于小波包分析的滚动轴承故障特征提取方法：应用小波包分解与重构算法分离出了滚动轴承的故障特征频率,识别出了滚动轴承的故障类型。通过对实际航空发动机滚动轴承故障信号的分析表明,该方法可以有效地检测和诊断航空发动机的滚动轴承故障。     

航空发动机故障诊断方法及测试流程分析

阐述了某型航空发动机工程研制中应用的发动机故障诊断方法及测试流程。根据发动机型号的使用特点和发动机故障诊断方法对FMECA分析结果进行故障分类,指出了各类故障在现有的测试技术下是否能进行故障诊断,并对能诊断的故障类型进行了详细的故障诊断及测试流程分析,经验证,发动机故障诊断方法及测试性流程可满足航空发动机型号的测试性需求。     

航空发动机锥齿轮故障诊断技术研究

通过在锥齿轮相对应的附件机匣壳体上固定加速度传感器,在发动机试车过程中采集锥齿轮振动信号,识别特征信号,运用时频分析法、低秩稀疏分解算法、稀疏正则算法、谱峭度法分别对锥齿轮故障特征信号进行分析处理,通过比较分析,表明低秩稀疏分解算法能够有效滤除噪声和谐波干扰信号,增强故障特征信号的显著性,识别锥齿轮潜在故障,解决了锥齿轮微弱振动信号难以分离和识别的技术难题,实现了航空发动机锥齿轮故障诊断,保证了锥齿轮工作可靠性和安全性,为航空发动机锥齿轮故障诊断提供了新方法。     

基于数据驱动的航空发动机故障诊断与预测方法综述

航空发动机故障诊断与预测是航空发动机健康管理的重要内容,基于数据驱动的故障诊断和预测技术是航空发动机故障和预测领域广泛应用的方法。本文总结了基于数据驱动的航空发动机故障诊断与预测的主要方法及特点,展望了航空发动机故障和预测方法的未来发展方向。     

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%。     

基于双重卡尔曼滤波器的发动机故障诊断

提出了一种基于双重卡尔曼滤波器的航空发动机健康参数估计方法,实现了传感器发生故障情况下发动机故障的准确诊断.采用发动机动态工作点的测量数据,解决了可测量参数偏少导致故障诊断困难的问题;球面采样平方根UKF(UnscentedKalmanfilter)故障诊断滤波器具有更好的滤波稳定性与更低的计算量的要求,提高了故障诊断算法的效率与精度.某型双轴涡扇发动机故障诊断仿真结果表明,该方法可以准确的同步实现气路部件与传感器的故障诊断,是一种有效的航空发动机故障诊断方法.      

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。     

航空发动机控制系统传感器FDIA系统仿真

基于卡尔曼滤波器组,建立了航空发动机控制系统传感器故障诊断系统,实现了对单个传感器故障的检测、隔离与重构(FDIA),确保了发动机控制系统即使在传感器故障发生的情况下,依然能安全可靠地工作.同时利用Simulink建立一个通用的发动机传感器故障诊断仿真平台,在此仿真平台上,对故障的诊断进行仿真验证,并分析了测量噪声对故障诊断系统性能的影响,为发动机在线传感器故障诊断系统的实现提供理论依据.      

航空发动机点火组件故障诊断系统设计

航空发动机点火组件是发动机的核心部分,该组件设计的合理性及其工作的可靠性直接关系到发动机的工作状况,进行航空发动极点火组件故障诊断研究,对保障飞机点火组件的正常运行、提高飞机的安全性和持续适航性具有十分重要的意义.以航空发动机点火组件为研究对象,以航空发动机点火组件不同类型故障下产生的二次电压波形为基础,建立相应的故障特征库,设计基于图形匹配的航空发动机点火组件故障诊断系统.该系统能够采集点火电压波形及相应特征参数,将待检测波形与故障特征库中典型波形进行对比,得出相应故障类型.