Impulse feature extraction method for machinery fault detection using fusion sparse coding and online dictionary learning

Impulse components in vibration signals are important fault features of complex machines. Sparse coding(SC) algorithm has been introduced as an impulse feature extraction method, but it could not guarantee a satisfactory performance in processing vibration signals with heavy background noises. In this paper, a method based on fusion sparse coding(FSC) and online dictionary learning is proposed to extract impulses efficiently. Firstly, fusion scheme of different sparse coding algorithms is presented to ensure higher reconstruction accuracy. Then, an improved online dictionary learning method using FSC scheme is established to obtain redundant dictionary and it can capture specific features of training samples and reconstruct the sparse approximation of vibration signals. Simulation shows that this method has a good performance in solving sparse coefficients and training redundant dictionary compared with other methods. Lastly, the proposed method is further applied to processing aircraft engine rotor vibration signals. Compared with other feature extraction approaches, our method can extract impulse features accurately and efficiently from heavy noisy vibration signal, which has significant supports for machinery fault detection and diagnosis.     

民用航空发动机性能故障诊断途径

发动机性能状态监控是保证飞行安全的重要手段.航空专用数据链通信系统(ACARS)和快速数据存取记录器(QAR)已经越来越普遍地被各航空公司所采用.介绍了多个综合利用ACARS、QAR译码巡航报告等信息对V2500发动机进行性能故障诊断的案例,对如何利用多种手段和EHM软件对V2500发动机进行故障诊断作了总结.     

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.      

Prior-guided GAN-based interactive airplane engine damage image augmentation method

Deep learning-based methods have achieved remarkable success in object detection, but this success requires the availability of a large number of training images. Collecting sufficient training images is difficult in detecting damages of airplane engines. Directly augmenting images by rotation, flipping, and random cropping cannot further improve the generalization ability of existing deep models. We propose an interactive augmentation method for airplane engine damage images using a prior-guided GAN to augment training images. Our method can generate many types of damages on arbitrary image regions according to the strokes of users. The proposed model consists of a prior network and a GAN. The Prior network generates a shape prior vector, which is used to encode the information of user strokes. The GAN takes the shape prior vector and random noise vectors to generate candidate damages. Final damages are pasted on the given positions of background images with an improved Poisson fusion. We compare the proposed method with traditional data augmentation methods by training airplane engine damage detectors with state-of-the-art object detectors, namely, Mask R-CNN, SSD, and YOLO v5. Experimental results show that training with images generated by our proposed data augmentation method achieves a better detection performance than that by traditional data augmentation methods.     

用于航空发动机故障诊断的双发性能参数差值分析法

为克服双发民用飞机目前普遍采用的3大发动机生产厂家(Original Equipment Manufacturer,OEM)开发的发动机性能监控软件的局限性,研究总结了双发性能参数差值分析法。通过3起发动机故障诊断实际案例,利用该方法对双发性能参数进行差值计算,并观察其变化趋势,可以有效地排除外界飞行条件等的影响,高效地判断出发动机故障;同时,可以对飞机航空专用数据链通信系统(Aircraft Addressing and Reporting System,ACARS)报文上任何所需的参数进行分析。     

数据挖掘在运载火箭智能测试中的应用

针对运载火箭复杂系统的故障检测难以建立准确的数学模型的问题,研究了基于数据驱动的数据挖掘异常检测算法,对多种数据挖掘算法在运载火箭发动机异常检测的应用进行了研究和分析,提出了基于混合概率密度统计的多策略异常检测评价算法。该算法基于非监督学习的算法挖掘火箭发动机不同参数间的正常关联模型,火箭发动机早期的异常数据会引起正常关联模型的破坏,引入混合概率密度统计的多策略异常检测评价机制,可以有效屏蔽参数测量故障对系统故障检测的影响,从而更加准确给出系统异常程度。使用发动机历史试车数据作为样本进行特征模型的训练,使用一元、多元和混合概率密度模型对存在异常的发动机试车数据进行了实时异常检测的实验验证。实验结果表明,相比传统基于阈值和规则的异常检测算法,基于概率密度统计的多策略异常检测算法不仅可给出系统的正常和异常的状态,还可计算各参数和整个系统的异常值,为运载火箭进一步的故障诊断提供更加灵活的参考。     

液体火箭发动机高速涡轮泵的振动故障检测

讨论了涡轮泵故障的几个主要原因，据此提取涡轮泵振动数据的特征，用BP神经网络的方法进行故障检测。BP神经网络的训练样本集由一个具有无监督聚类功能的神经网络从原始的特征向量集获取。     

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。     

航空发动机在线综合诊断结构设计及仿真验证

随着机载航空电子设备的快速发展,使得传统地面系统承担的发动机诊断任务可以在线实现。实时数据的使用,可以在线监测发动机性能退化,减少故障检测和隔离的潜伏期,增加间歇性故障的检测率。为此,提出并设计了一种用于航空发动机气路故障检测和隔离、健康监测及参数估计的在线综合诊断结构。基于xPC Target 原理搭建了硬件实时仿真平台,对该结构进行了仿真验证。仿真结果表明,该结构中的机载自适应模型对发动机健康参数、可测参数和不可测参数的估计误差在0.5%以内;气路故障诊断系统采用实时数据,可以更早地检测和隔离包含间歇性故障在内的各种气路故障。     

液体火箭发动机故障诊断中的特征提取

对液体火箭发动机故障的原始特征进行特征提取和选择，以使所建立的故障标准模式由少数几个新特征给予有效的表达。比较了不同原始特征分布矩阵对特征提取结果有效性的影响，并对采用新特征来代表各种故障的效果进行了检验，结果同采用原始特征的效果很接近。     

动态神经网络在液体火箭发动机故障检测与分离中的应用

应用动态神经网络在线辨识方法，提出了一种液体火箭发动机故障实时检测与分离基本系统。检测逻辑通过度量包含发动机故障信息的辨识残差信号实现火箭发动机故障检测，故障分离通过分析辨识误差相关函数的不同空间特征来实现。仿真研究表明动态神经网络可成功地应用于泵压式液体火箭发动机故障检测与分离。     

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。     

基于BP神经网络的航空发动机故障检测技术研究

为了提高航空发动机故障检测正确率,将BP神经网络应用于航空发动机故障检测中。从某航空公司使用的CFM56-7B系列发动机的实际飞行历史数据中选取研究样本,对比了6种训练方法的效果并最终选择弹性BP法对网络加以训练并进行测试。结果表明:该方法对CFM56-7B系列发动机的排气温度指示故障、进口总温指示故障和可调放气活门故障的检测正确率高达83.33%。BP神经网络能够很好地应用于航空发动机的实际故障检测,其学习记忆稳定、网络收敛速度快,具有一定的工程实用价值。     

主成分分析在发动机状态监控与故障诊断中的应用

讨论了主成分分析在发动机状态监控与故障诊断中的应用,即利用主成分分析对近似线性相关的多个向量进行降维的问题。特别讨论了一般文献中很少注意的两个特殊问题,即测量数据的等方差化问题和中心化限制问题。以ＪＴ９Ｄ发动机故障、故障系数向量以及ＪＴ９Ｄ和ＰＷ４０５６发动机维修指标的降维问题为例说明主成分分析的应用。研究结果表明,利用主成分分析可以将ＪＴ９Ｄ发动机的２６个故障因子综合成９个、或者将５个单元体的１０个故障因子缩减到５个综合变量,并且改善了故障方程的病态特性,因而可以有效地提高故障诊断的可靠性。文中还对用于降维处理的主成分分析方法与线性回归分析（最小二乘法）进行了比较,表明主成分分析方法是解决所提出的降维问题的更为有效的手段。     

基于滑动时间窗主成分分析的液体火箭发动机传感器故障诊断方法

安装在发动机上的各种传感器是发动机状态监测的主要依据,由于工作环境恶劣,传感器失效时有发生。由于发动机运行过程中的性能蜕变和台次差异,现有基于主成分分析（PCA）的传感器故障隔离方法应用条件苛刻且诊断效果有限。针对这些问题,在对发动机数据分析的基础上,将滑动时间窗方法与PCA方法结合,提出双滑动时间窗的PCA方法用于故障传感器的隔离,并基于发动机试车数据进行了方法验证。结果表明：该方法能降低发动机性能蜕变和台次差异对发动机传感器故障诊断的影响,没有参数相关性的限制,可以实现对四种常见传感器故障的有效隔离,以及对两种发动机试验过程中故障的准确检测。研究证明了高速运转系统性能蜕变和强耦合复杂大系统台次差异对基于数据的故障诊断方法效果的影响,验证了在线学习/训练算法对这两种现象的鲁棒性。     

基于故障检测的某涡扇发动机维修决策方法

为有效解决某涡扇发动机过度维修造成发动机性能衰减、维修周期长、维修成本高的难题,以某涡扇发动机大修手册和维修工艺为依据,研究了基于故障检测的发动机维修流程和修理模式,建立专家诊断系统和基于BP(back propagation)神经网络的故障诊断模型,并用数台涡扇发动机真实性能数据验证故障诊断模型的可靠性,其诊断准确率高达95%,综合两者的诊断信息,制定可靠的维修方案,优化维修流程,提出了一种基于故障检测的维修决策方法.通过某涡扇真实排气温度高发动机应用验证表明:所提出的维修决策方法,有效排除故障,提高发动机的修理质量,降低维修成本,具有良好的工程应用价值.      

液体火箭发动机故障诊断中的特征选择

对表征发动机故障的原始特征,以提高故障类可分性为目的,利用信息论中互信息的理论,采用贪婪算法,去除原始特征中不利于所设计分类器的特征,得到最有利于分类的子特征集。采用子特征集对故障进行分类,得到了较理想的结果。     

液氧煤油火箭发动机起动故障检测

针对液氧煤油发动机试车起动阶段故障检测需要,确定了采用时序模型和非线性回归模型的两种检测方法,提出了检测参数选取的一般性原则并结合液氧煤油发动机特点确定了检测参数,设计了故障检测所需的完整的软、硬件系统。经系统调试和试车同步验证,证明该检测系统能有效检测发动机起动阶段故障,对提高试车可靠性和安全性有重要意义。      

基于模式识别的航空发动机燃油控制系统传感器故障诊断

航空发动机燃油控制系统执行机构故障有可能导致参数测量传感器出现较大偏差,而采用传统的传感器故障诊断方法易误诊为传感器故障。为此,引入修正因子作为传感器故障模式样本,通过聚类分析获得样本的特征向量;按照卡洛南—路伊变换(K—L变换)原理,对传感测量信息进行变换,构成了新的正交变换矩阵,减弱了各特征向量的相关性,突出了差异性,加强了对故障传感器和发动机燃油控制系统执行机构故障的特征识别能力;利用多组学习训练样本,设计了发动机不同参数测量传感器故障模式的判别函数。经仿真试验验证,该方法可以有效识别、诊断传感器故障。     

非平稳信号特征提取在航空发动机故障诊断中的应用

在航空发动机早期故障诊断中,特征提取是早期诊断的重要过程之一.文中以航空发动机转子故障为研究对象,给出了基于经验模式分解、小波分析为核心的故障特征提取方法,并作了针对性的比较研究.在matlab7.0环境下开发了一个故障特征提取软件系统.研究结果表明:基于经验模式分解的时频分析方法可以很有效地提取到非平稳故障特征信号,是一种适合于非线性信号处理的方法.