基于人工智能技术的磨粒显微形态学分析

基于颗粒显微形态学分析理论，建立了一套磨损微粒显微特征描述体系。首先应用这套特征参数描述体系，提取磨损微粒形态中蕴涵的特征信息，然后综合使用自动聚类、人工神经网络和其他的人工智能分析方法进行磨损微粒的综合分析与识别。本项技术已经在航空发动机磨损故障诊断中得到了实际应用。     

基于计算机视觉和人工智能方法的磨粒形态学分析技术

随着国民经济的发展,许多行业都应用着一些大型机械,此类机械往往庞大而又精密,因此在运行监测,故障诊断和预测及视情维修等方面就提出了更高的技术要求。本文立足于铁谱技术,应用计算机显微视觉及人工智能方法,对发动机润滑系统油中的磨损颗粒进行磨粒形学显微分析,从而为磨粒的综合识别提供了依据,识别了磨粒类别及来源,就可以判断发动机的运行状态,并对其未来运行状态提供可靠预测。     

发动机磨粒统计分布规律与磨损状态监测研究

根据对 WZ- 6航空发动机等由滑油润滑的机械零件磨损磨粒的显微形态统计研究 ,提出了磨屑尺寸分布的 Weibull分布模型 ,探讨了滑油取样和磨粒采样等随机误差的估计及航空发动机磨损状态监测和故障诊断的方法     

航空发动机滑油综合监控中的磨损故障融合诊断研究

单一的滑油光谱监控手段容易漏报航空发动机磨损故障.根据滑油光谱监控和自动磨粒检测互补的特点,在某型航空发动机上实施滑油综合监控,应用Dempster-Shafer(D-S)证据理论实现发动机磨损故障的融合诊断,并开发出基于上述监控方法和信息融合诊断的滑油监控专家系统.通过对实际诊断案例进行分析,结果表明:提出的滑油综合监控和融合诊断方法可有效解决该型发动机轴承故障预报的难题.      

基于光谱D-S证据融合的航空发动机故障诊断技术

研究了基于光谱信息的发动机磨损故障Dempster-Shafer证据融合诊断方法,确定了其故障识别框架和诊断规则;采用分区间S函数确定了mass函数的形式,融合了油液中7种金属元素浓度信息和浓度变化率信息,并应用于航空发动机磨损故障诊断.     

航空发动机磨损故障诊断系统研究

本文介绍的系统,通过对滑油中的磨粒形态进行铁谱显微图像自动识别的方法监测、诊断机械设备的磨损状态和磨损类故障,并辅以光谱分析实现故障定位。本文介绍了系统的组成特点和状态监测、故障诊断、故障定位、趋势预测以及专家系统开发等系统的诊断技术原理。     

基于知识规则的发动机磨损故障诊断专家系统

针对某型发动机试车状态的磨损故障诊断问题,运用了两种最常用的滑油分析技术——铁谱分析和光谱分析,同时结合发动机试车台监测数据,对该型发动机试车过程中的磨损故障进行专家诊断。首先依据领域专家的经验,通过分析得到了各种分析方法的诊断专家知识,并将其转换为基于if-then的知识规则存放于知识库中;其次,依据各种分析方法的标准磨损界限值,将原始数据进行了预处理,统一转换成故障征兆的字符表达式;最后,根据应用正向推理机得到磨损故障的诊断结果。      

航空发动机磨损故障分析及诊断技术述评

磨损类故障是航空发动机安全与高效运行的主要威胁之一。本文分析了发动机磨损类故障的组成以及相应诊断方法的研究现状,并结合机械设备故障诊断技术的发展趋势预测了航空发动机故障诊断技术的发展方向。     

基于神经网络规则提取的航空发动机磨损故障诊断知识获取

针对神经网络智能诊断与专家系统中知识难于理解和诊断解释能力差等问题,研究了一种新的基于功能性观点的神经网络规则提取方法,介绍了方法流程及关键算法.并用UCI(加利福尼亚大学埃尔文分校)机器学习数据对方法进行了分析和验证.最后,将方法应用于实际航空发动机磨损故障诊断中,采集了某型航空发动机实测油样光谱数据237个样本,利用神经网络规则提取方法提取了发动机磨损故障诊断知识规则,并对其进行了解释,结果表明了方法的正确有效性.      

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.      

基于D—S证据理论的航空发动机故障诊断

航空发动机滑油中舍有摩擦副产生的磨损微粒。通过滑油介质中所含磨损微粒中元素的分析．运用Dempster-Shafer证据融合诊断方法,对航空发动机的磨损状态等进行有效的诊断,确定发动机的磨损程度,以及发动机的磨损部位,从而可对发动机的故障排除作参考。在融合过程中提出了先对每个元素的磨损量和磨损率进行融合,再总体融合的方法。针对Dempster—Sharer证据融合的局限,应用了两种改进的融合方法,并进行比较。实例表明,Dempster—Shafer证据融合是一种有效的航空发动机滑油磨损的故障诊断方法。     

基于D-S证据理论的磨粒识别

基于D-S证据理论的信息融合方法应用于磨损颗粒的自动识别,编制了相应的计算机识别程序。在对磨粒图象的形态特征参数进行筛选和统计分析的基础上,确定了各参数的统计容许限和决策基元概率。通过对一组标准磨粒的模拟识别试验,显示该方法具有算法简单、运行可靠、识别正确率高以及识别速度快的优点。      

基于免疫理论的航空发动机磨损故障智能诊断

针对航空发动机磨损故障诊断技术智能化、精确化的发展要求,以传统油液监测技术为基础,结合人工免疫系统(AIS)具有的自适应特性、学习记忆特性及识别特性等优点,提出了一种航空发动机磨损故障的智能诊断方法。该方法首先利用人工免疫理论的反面选择原理生成检测器,优化后的检测器生成算法提高了初始检测器的代表性及覆盖性;然后利用故障样本训练出成熟的检测器,使航空发动机典型的磨损状态信息存储在检测器中,实现对故障模式的有效学习和记忆;最后通过检测器的激活发现航空发动机的磨损故障。对油样数据的实例分析结果表明,该方法对航空发动机磨损故障具有较强的识别能力,对磨损状态有很好的监测效果。     

民航发动机远程故障诊断若干关键技术研究

本文提出的民航发动机远程故障诊断技术将Internet网络技术与民航发动机故障诊断技术有效地结合起来,旨在将民航发动机的维护和故障诊断手段提升到远程的网络环境,以极大提高故障诊断的水平和时效性。本文从工程应用角度出发,对其中的几个关键技术问题进行了讨论。首先分析了民航发动机故障诊断的技术现状,提出了民航发动机远程故障诊断系统的结构体系。提出一种诊断设备网络化的设计思想,即采用上下位机的结构和COM组件技术,实现远程操作、状态监视和控制。采用COM组件技术和网络数据库技术实现了在Web服务器上的知识的存储与推理。分别基于NI的Labview/GWebServer和DataSocket技术,开发了两种多功能的远程故障诊断的协同工作环境(CSCW)。      

滑油系统全流量在线磨粒静电监测技术研究

 针对滑油系统非金属材料难以实现在线监测的问题,基于静电感应原理展开全流量磨粒监测技术研究。研究润滑条件下荷电磨粒的产生机理和全流量磨粒静电监测原理,着重进行了静电信号特征提取方法研究。为验证磨粒静电监测技术的可行性,设计并搭建了模拟实验平台,开展了故障颗粒注入实验和循环润滑条件下销盘滑动摩擦磨损实验,使用自制的全流量在线磨粒静电传感器对油路中的磨粒进行监测。结果表明:静电传感器能够监测到金属、非金属等不同材料荷电磨粒;感应电压幅值与磨粒大小具有相关性;感应电压波形与荷电磨粒特性有关;静电传感器可以在线监测滑油回路中非金属摩擦副的摩擦磨损状态。     

粗糙集与神经网络在航空发动机气路故障诊断中的应用

提出了一种基于粗糙集理论和神经网络集成的发动机智能故障诊断方法,首先对测量数据进行离散处理,并运用粗糙集理论建立故障决策表,进而约简属性和提取规则,对航空发动机气路部件的几种典型故障进行隔离。然后建立神经网络故障诊断子系统,使用粗糙集处理后的数据计算出发动机气路相关部件的故障程度。最后,还验证了粗糙集神经网络故障诊断系统的抗噪性能。研究表明,该系统能够正确而且高效地诊断出发动机故障的严重程度,并具备良好的抑制噪声的能力。      

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。