改进的Kohonen 网络在航空发动机分类故障 诊断中的应用

针对传统Kohonen网络对未知样本识别时的不可辨识性和分类结果不惟一性问题,利用改进的Kohonen网络对航空发动机进行分类故障诊断,并利用混合粒子群优化算法对网络连接权值进行优化,以提高Kohonen网络在分类故障诊断中的通用性和容错能力。对GE90发动机的孔探图像纹理特征识别进行对比。结果表明:改进的Kohonen网络在分类故障诊断中有较强的实用性,分类准确率高于常用神经网络模型和支持向量机的。     

利用BP网络进行发动机故障诊断的研究

探讨了利用人工神经网络的ＢＰ网络进行发动机故障诊断的特点。通过发动机实际故障样本和模拟故障样本对ＢＰ网络的故障诊断功能进行了研究，并且对ＢＰ网络与主因子模型两种算法进行了比较。     

发动机故障诊断的主因子模型

 提出了发动机故障论断的主因子模型。这是一种基于故障方程的参数诊断方法。主因子模型能够利用较少的测量参数对较多的故障类型进行论断,可以有效地克服故障方程病态的影响,保证诊断结果具有高的精度和信度,并提供诊断结果可靠性的评价信息。文中给出了主因子模型的基本理论、主因子模型的最优实用算法及其算例以及对于JT9D发动机的24个故障样本的验算结果。理论和实际考核表明主因子模型是一种有效的故障诊断方法。     

粒子群优化的粗糙集-神经网络在航空发动机故障诊断中的应用

提出了一种基于粒子群优化算法的邻域粗糙集-神经网络的发动机智能故障诊断方法,首先利用基于邻域粗糙集模型的属性约简方法对样本数据进行属性约简,然后采用粒子群优化算法替代传统BP算法来训练神经网络的权值和阈值,再用训练好的神经网络对航空发动机气路故障进行诊断.仿真结果表明:该方法降低了神经网络结构的复杂性,减少了网络训练时间,提高了诊断精度.     

基于判别分析的发动机故障诊断方法

本文介绍了以多元统计分析中的判别分析理论为基础的航空喷气发动机的故障诊断方法。重点讨论了应用 Baves 判别方法建立发动机故障诊断模型的有关问题。文中讨论了与故障样本、诊断模型和模型检验有关的问题。文中还给出了应用基于判别分析的发动机故障诊断方法对 JT9D 发动机进行建模和诊断的结果。结果表明:基于判别分析的发动机故障诊断方法是可行的和有效的,并已显示出良好的工程应用前景。     

发动机全面性能诊断的随机搜索模型

 提出了求解发动机亚定故障方程组整体优化解的随机搜索模型。该数学模型可以在同时发生的故障模式的数目小于、等于、特别是大于测量参数个数的各种复杂情况下给出全面的故障诊断信息。以JT9D发动机全面性能诊断问题为例，利用随机模拟样本对随机搜索模型的诊断有效性进行了评估，并且利用JT9D发动机的24个实际故障样本对随机搜索模型进行了检验。研究结果表明，利用4个测量参数可以对发动机主要部件同时发生的6～10个故障进行诊断。诊断有效性指标可达0.89～0.94.     

发动机故障诊断经验影响系数的定量化问题

本文提出了根据发动机故障样本建立故障方程的方法。发动机经验故障方程是不同于发动机小偏差方程的另一类故障方程,它为发动机故障诊断提供了一条简便易行的途径,并且使发动机故障诊断范围扩展到气路分析方法难以适应的场合。文中讨论了经验故障方程的建立方法及其在发动机故障诊断中的应用,给出了利用经验故障进行发动机故障诊断的实例。     

基于灰色关联分析的航空发动机气路部件故障诊断

为了改善对航空发动机气路部件故障诊断能力,提出了一种基于灰色关联分析的两层诊断方法。该方法首先利用粒子群算法优化各蜕化程度下灰色关联加权指数,构建标准故障序列,利用灰色关联分析进行第一层定性诊断,再优选故障模式利用灰色斜率关联分析方法进行二次诊断,得到了气路部件故障诊断结果。仿真表明,改进二次灰色关联分析诊断方法比单层诊断方法结构更简单,计算量小,更适合于较多传感器的发动机诊断系统,比经验灰色关联分析方法诊断精度更高。     

Elman回归神经网络在航空发动机故障诊断中的应用

提出了一种基于Elman神经网络的航空发动机故障智能诊断方法。以在某型发动机地面定检状态下实测的数据作为样本数据,建立了航空发动机故障诊断模型,利用该模型成功地对实测发动机参数进行了诊断。研究结果表明:该方法对权值初始值选取、隐含层节点数选取和输入样本规范化处理等不敏感,具有学习速度快、诊断精度高等优点。     

发动机经验故障方程的建立与应用

本文提出了根据发动机故障样本建立故障方程的方法。发动机经验故障方程是不同于发动机小偏差方程的另一类故障方程 ,它为发动机故障诊断提供了一条简便易行的途径 ,并且使发动机故障诊断范围扩展到气路分析方法难以适用的场合。文中讨论了经验故障方程的建立方法及其在发动机故障诊断中的应用 ,给出了利用经验故障方程进行发动机故障诊断的实例。     

支持向量机在航空发动机故障诊断中的应用

提出了一种基于支持向量机的航空发动机故障诊断方法。该方法在利用恰当的工具或方法提取到发动机故障的特征信息之后,采用支持向量机对特征信息与故障模式进行关联,实现故障模式的分类。该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力,将其应用于某型发动机的故障诊断中,取得了较好的效果。该方法尤其对于新型发动机的故障诊断具有一定的参考价值。     

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。     

基于自组织映射网络的故障诊断推理方法研究

从故障诊断基本形式出发，结合飞机刹车系统故障的各类特点，研究了基于Kohonen自组织映射网络理论的故障推理模型，并且应用到起落架刹车系统故障诊断中。该方法只需选择听，具有代表性的故障样本训练神经网络，他将代表故障的信息输入给训练好的神经网络，根据神经网络的输出结果，就可以判断出发生故障的类型。该模型除能识别已训练过的故障，还能识别未训练过的故障，并且聚类能力强，速度快，因此，很符合复杂系统的故障诊断。     

BPN 在涡扇发动机气路故障诊断中的应用

本文应用误差反传网络（ＢＰＮ）算法,研究发动机气路部件故障的定量诊断,并针对某型军用涡扇发动机的典型故障,给出了诊断结果,分析了测量系统的随机误差、发动机的不同工作状态、不同调节规律对的诊断结果影响,结果表明ＢＰＮ可成功地应用于发动机故障的定量诊断。     

发动机故障诊断的MONTE CARLO通解算法

 给出了发动机故障诊断的 Monte Carlo通解算法,该算法可以有效地解决发动机故障诊断算法中由于故障方程存在多重共线性所引起的误诊、漏诊与多解问题。首先给出求解故障方程的 Monte Carlo算法,该算法能够保证得到满足故障方程的全部合理解;能够简单地用于各种故障相关性准则 (例如各种残差向量范数准则 )以及亚定故障方程的求解问题;并且算法简单易行,无需为每个特定情况专门编制计算程序。其次提出了基本解与通解的概念,并且给出了利用主成分分析与利用主因子模型求基本解的两种有效算法。利用基本解与通解算法可以将由于多重共线性引起的复杂故障诊断结果表示为简单明了的形式,有利于对诊断结果作出正确决策。用计算机模拟方法对算法的有效性进行了分析,对于 JT9D发动机气路方面的 2 4个实际故障样本,所给出的算法的确诊率为 86%～ 92 %     

基于GSP仿真和SDAE的航空发动机故障诊断

为了深入研究航空发动机故障机理,提出基于航空燃气涡轮发动机性能仿真软件(GSP)和堆栈降噪自编码器(SDAE)的航空发动机故障诊断方法。通过GSP性能仿真方法模拟发动机在不同设计参数下的部件故障,并得到对应的运行状态参数;从每种故障类型下的长时间序列的状态参数中提取出向量化的曲线特征,构成故障样本;将故障样本带入SDAE模型中进行深度特征提取,经过前向传播和反向微调得到训练好的模型用于发动机故障诊断。结果表明:GSP能够通过参数更改来模拟微弱故障下的状态参数,从而构建多故障样本集;SDAE的重构误差和反向传播误差能够快速收敛到较小值,SDAE的故障诊断正确率为99.5%;与深度信念网络(DBN)、人工神经网络(ANN)以及经典机器学习方法支持向量机(SVM)相比,SDAE的故障分类正确率分别提高了0.8%、6.9%和10.1%。