基于AANN的数字滤波技术

航空发动机在高温、高压、高转速及较大振动等恶劣的条件下工作时,其控制系统中的传感器很容易受到干扰,所以发动机测量参数中常常包含较大的噪声,另一方面,发动机的测量参数多于其独立变量的数量,即在这些测量参数中存在冗余信息。AANN（自联想神经网络）通过对信息的压缩及解压缩过程,能够利用冗余信息抑制其测量噪声。在发动机故障诊断过程中,应用自联想神经网络对测量参数进行预处理,可以大大提高故障诊断的准确率。     

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。     

模糊自组织神经网络在航空发动机故障诊断中的应用

介绍了模糊自组织神经网络在航空发动机故障诊断中的应用方法,并通过实例验证了该方法在发动机故障分类中的实用性。该方法具有结构算法简单、无监督自学习和侧向联想等功能。它有很好的应用前景,可以广泛应用于发动机的故障诊断。      

故障诊断的神经网络多重模型自适应方法

将神经网络与故障诊断的多重模型自适应方法相结合,提出了故障诊断的神经网络多重模型自适应方法,并对某型航空发动机控制系统传感器故障进行诊断仿真。仿真表明,该方法能够用来解决具有模型不确定性系统的故障诊断问题,同时,对未知的故障模态具有自学习能力     

基于自联想网络的发动机传感器解析余度技术

本文提出了一种基于自联想神经网络的传感器解析余度技术。在这种网络中,冗余传感器的信息被压缩、重组进入网络的第一部分,网络的第二部分将压缩信息恢复出来。基于数据融合原理,若一个传感器发生故障,其它传感器仍可提供足够的信息代替发生故障的传感器。理论分析和用于涡轴发动机的仿真结果表明,这种特殊结构的自联想网络具有良好的过滤噪声和故障信号的作用,特别适合于用作不易建模的复杂对象的传感器信号重构     

两种神经网络应用于数控系统故障诊断

介绍了双向联想记忆（ＢＡＭ）学习算法神经网络和误差后向传播（ＢＰ）神经网络在数控系统故障诊断中的应用实例。这两种神经网络在数控系统故障诊断方面都有着重要的应用价值，都能实现故障的联想、容错、自学习等功能。但因为各自具有的特点不同，又使得ＢＰ网络更适于故障样本多的情况，而ＢＡＭ则适于要求对错误的故障征兆进行纠错的故障诊断系统     

基于ReliefF-LMBP算法的涡轴发动机气路故障模式识别—两机专刊

针对涡轴发动机气路故障模式识别精度不高的问题,提出了一种基于ReliefF-LMBP故障特征提取的发动机故障模式识别方法。应用ReliefF算法对发动机传感器参数赋予权值,对传感器参数特征权重值进行迭代更新和排序,聚集好的特征样本,离散异类样本。根据筛选出的特征子集,利用LMBP神经网络算法进行发动机故障模式识别。以涡轴发动机为对象进行气路故障诊断验证,结果表明所提方法能提取特征传感器参数并实现有效的故障模式识别。     

故障诊断的神经网络观测器法

以神经网络的自学习代替故障诊断观测器法中的解析计算,提出了一种新的故障诊断方法,从而解决了具有模型不确定性系统的故障诊断问题。对某型航空发动机控制系统传感器故障进行了仿真研究,该方法不仅具有传统观测器法报警及时准确、易于实现容错控制的优点,又不需要获得系统精确的数学模型,对具有模型不确定性系统的故障诊断与容错很有效     

燃气涡轮发动机故障诊断的人工神经网络法

介绍了人工神经网络专家系统在航空涡轮风扇发动机故障诊断上的应用。通过一个高涵道比涡扇发动机故障诊断的实例分析, 验证了三层逆传播网络的可行性。非常令人鼓舞的诊断结果证明:神经网络的模糊联想特点、分布存储和并行处理能力以及对随机误差的抑制作用, 使其成为一个有效的和快速的方法。它有很好的应用前景, 并可广泛用于航空发动机的故障诊断。      

基于一致性融合和神经网络的航空发动机气路系统故障诊断方法

以信息融合为基础,运用GRNN神经网络对航空发动机气路系统进行故障诊断,提出了一种基于一致性融合和神经网络相结合的故障诊断方法。试验结果表明,该方法能快速识别航空发动机气路系统故障,并且对其他机械设备的故障诊断具有一定的参考价值。     

基于核函数主元分析的航空发动机故障检测方法

航空发动机性能由正常到异常、再由异常发展到完全故障的阶段,其参数变化具有一定非线性特征。为了有效检测这种具有非线性特征的故障,提出一种基于核函数主元分析(KPCA)的非线性故障检测方法。该方法通过核函数完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间,在特征空间中使用线性主元分析(PCA)方法计算主元,构造T2和SPE统计量检测故障的发生。通过对某型涡扇发动机进行实例验证分析,结果表明,KPCA方法一方面克服了综合参数法由于没有确定的警戒值而无法有效地进行故障检测的不足;另一方面KPCA方法在非线性故障检测过程中能够提取重要的非线性特征信息,因而比PCA方法能更早地检测到早期潜在故障,且KPCA方法检测错误率更低。因此,KPCA方法更适合于具有非线性特征的航空发动机故障检测。     

涡轮泵启动过程振动故障检测方法

为了更全面地保证液体火箭发动机涡轮泵的安全,提出了一种针对其启动过程的振动故障检测方法,首先对等时间隔采集的振动数据进行重采样,获得等角间隔的振动数据,消除转速变化对振动特征的影响,选择并计算振动特征值,最后采用支持向量回归方法建立振动特征与转速的非线性关系模型.当新的测试数据偏离模型一定限度时,表明涡轮泵工作异常.2.2 s试车数据的检测时间只有0.0470 s,说明模型可用于涡轮泵启动过程故障检测.      

用自联想网络处理带噪声的发动机数据

研究了用自联想网络(AANN)进行数字滤波的方法。自联想网络采用一种带有瓶颈层的特殊结构，且具有单位总增益。在经过大量带噪声样本的训练之后，各变量之间能够建立起内在联系。输入信息通过瓶颈层前的压缩及瓶颈层后的解压缩过程，信息中的精华将被提取，从而使人们能够利用冗余信息抑制其测量噪声，使发动机测量参数在最大程度上减少噪声对其带来的负面影响。     

Aircraft engine fault detection based on grouped convolutional denoising autoencoders

Many existing aircraft engine fault detection methods are highly dependent on performance deviation data that are provided by the original equipment manufacturer. To improve the independent engine fault detection ability, Aircraft Communications Addressing and Reporting System (ACARS) data can be used. However, owing to the characteristics of high dimension, complex correlations between parameters, and large noise content, it is difficult for existing methods to detect faults effectively by using ACARS data. To solve this problem, a novel engine fault detection method based on original ACARS data is proposed. First, inspired by computer vision methods, all variables were divided into separated groups according to their correlations. Then, an improved convolutional denoising autoencoder was used to extract the features of each group. Finally, all of the extracted features were fused to form feature vectors. Thereby, fault samples could be identified based on these feature vectors. Experiments were conducted to validate the effectiveness and efficiency of our method and other competing methods by considering real ACARS data as the data source. The results reveal the good performance of our method with regard to comprehensive fault detection and robustness. Additionally, the computational and time costs of our method are shown to be relatively low.     

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.      

基于特征参数趋势进化的故障诊断和预测方法

 采用时间序列方法对可以表征系统故障状态的特征参数的趋势进化进行预测,同时考虑特征参数的概率分布特性,给出了对系统进行故障诊断和预测的方法。在已获得特征参数监测数据的基础上,分别对具有广义强度/故障阈值确定分布或故障模式特征参数空间分布两种形式的故障判据,提出了利用二次指数平滑预测模型对系统未来某时刻的故障状态进行预测的方法。给出包括故障概率和故障指数在内的故障诊断和预测结果形式,可进一步为系统的维修决策等提供参考。     

基于模糊数学形态学及免疫智能的旋转机械状态参数图形识别方法

以旋转机械振动多维图形为对象,研究了直接提取和挖掘图形特征信息的模糊形态学方法,提出了基于模糊数学形态学及免疫智能的旋转机械振动参数图形识别方法。利用模糊形态滤波方法实现图形滤波,研究了模糊形态边缘检测算子,并结合旋转机械振动参数图形进行形态学梯度的边缘纹理特征提取,最后利用人工免疫算法对图形特征进行诊断识别。在600MW模化汽轮机转子试验台上进行了转子正常、转子不平衡故障、转子不对中故障及汽流激振故障的试验,诊断结果表明本文所提出的方法可以获得较高的诊断精度,为旋转机械故障诊断探索了一条新路。     

多操纵面飞机舵面损伤的快速故障诊断

针对多操纵面飞机舵面损伤的快速故障诊断问题,提出一种直接估计舵面偏转量的自适应补偿观测器方法。首先,设计了增广观测器进行系统输入估计,并提出了自适应补偿方法解决其动态跟踪性能差的问题;其次,设计了一种新的自适应阈值以快速检测故障并降低虚警率;最后,利用舵面故障特点,采用重置初值的限定记忆最小二乘方法实现了对突变参数的实时估计,用以进行故障隔离。仿真结果表明:在不同的舵面损伤故障情况下,所提出的观测器方法能在20 ms内发出故障预警,并在0.22 s内确定故障位置,所采用的辨识方法可以在故障报警后的0.2 s内准确估计出损伤程度。     

基于遍历性的组合导航系统故障检测方法研究

理想情况下,基于卡尔曼滤波的组合导航系统在无故障时的滤波残差为白噪声,故障时通常用2χ法来检测,但用这种方法检测往往具有较大的虚警。因此,针对无故障时卡尔曼滤波器的滤波残差是白噪声这一特点,提出了一种新的故障检测方法来判断系统是否发生了故障,在应用时大大降低了虚警,取得了较好的效果。