基于Vague集相似度量的航空发动机故障诊断的研究

针对传统故障诊断的局限性,探讨了基于Vague集相似度量的航空发动机故障诊断的方法.将Vague集之间的相似度量与发动机故障诊断问题结合.在得到发动机故障征兆和故障类型之间关系的基础上,计算待诊断检测故障样本与系统故障知识的Vague集之间的相似度,从而对故障进行诊断和排序.通过实例阐明将其用于某型航空发动机的故障诊断中,结果表明该方法操作方便,诊断结果准确可靠.说明了基于Vague集相似度量在航空发动机故障诊断中的有效性与合理性.     

某型军教机发动机停车故障分析与诊断

针对某型军教机从装备部队以来多次出现的发动机停车故障，采用模糊决策方法进行诊断，客观、科学地建立了模糊诊断矩阵，为该型军教机发动机停车故障的快速诊断和维修提供了一种科学且行之有效的决策方法。     

利用神经网络规则提取方法获取转静碰摩故障诊断知识

 获取易于理解的航空发动机转静碰摩故障诊断知识规则对于深刻认识碰摩故障机理、有效诊断碰摩故障具有重要意义。鉴于此,研究了一种新的基于功能性观点的神经网络（NN）规则提取方法,介绍了连续属性离散、训练样本产生、神经网络训练、示例样本产生及规则提取等关键算法,并用Iris数据对方法进行了验证。最后,通过航空发动机转子实验器获取碰摩故障样本,利用神经网络规则提取方法从故障样本中提取了碰摩故障诊断知识规则,并对其进行了验证分析,验证结果充分表明了该方法的正确有效性。     

基于多Agent卫星遥测数据实时监测与诊断技术

为了提高根据遥测数据进行卫星故障诊断的速度与精度,提出了集成多信号模型诊断Agent、模糊诊断Agent以及专家系统诊断Agent等多Agent监测与诊断系统。多信号模型诊断Agent,采用模糊阈值进行监测,并引入可信度因子对Deb原实时诊断推理方法做了改进,解决了Deb方法可能因虚警而导致的诊断结果冲突的问题。模糊诊断Agent采用Mamdani算法,能给出部件故障的可能性。专家系统诊断Agent采用基于规则的产生式系统,同时采用加权不确定推理解决了规则的不确定性问题。研究了3种诊断Agent的协作方式,采用D-S证据理论对各Agent的诊断结果进行决策融合,给出故障元件的置信区间。通过某卫星仿真遥测数据验证,该集成诊断系统充分利用了各种诊断方法的优点,诊断精度高且速度快(一般诊断时间小于0.3秒,PIII800/256M计算机),适用于卫星地面站对卫星遥测数据进行自动实时在线监测与诊断推理。     

一种以模拟电路测点和指标表示最优故障判别效果的决策树实现方法

描述了一种由测点和指标样本所表示的故障空间,给出了一种基于Fisher判别的故障分类决策过程。为了提高故障判别能力,提出了一种由测点和指标组合所表示的最优判别效果评价准则,并基于此,设计了相应的决策树算法。     

基于优化SPOT和D-S证据理论的测试性验证方案

针对现有基于序贯验后加权检验的测试性验证方案对测试性设计指标之间的模糊参数空间考虑不足，以及未能充分运用测试性多源先验信息的问题，提出一种优化序贯验后加权检验和D-S证据理论相结合的测试性验证方案。首先，考虑测试性设计指标之间的模糊参数空间，构建三参数空间复杂假设，并基于Bayes理论研究序贯决策规则，同时确定决策因子以及决策阈值；其次，以测试性指标构成的参数空间为辨识框架，分别构造基于专家信息以及测试性试验数据等先验信息的基本信任分配函数，建立融合多源先验信息的优化序贯验证方案；最后，结合实例进行研究，并与经典验证方案、传统Bayes验证方案、序贯概率比检验方案以及序贯验后加权检验方案进行了对比分析。结果表明，该方案由于考虑了模糊参数空间以及充分融合了多源先验信息，有效解决了模糊参数空间的处理问题，同时所确定的平均故障样本量在决策支持的参数空间均优于其他方法。     

基于小波变换的容差电路故障诊断

针对目前模拟电路中电子元器件存在的容差与非线性导致电路故障难以检测的现状,设计了适用于诊断由器件超出容差所引起的模拟电路故障的小波分析诊断方法。通过设定故障进行蒙特卡罗容差实验,采用小波神经网络,对故障输出信号进行小波分析提取其小波高频系数参量,经PCA分析和归一化后形成训练特征向量,并经过BP神经网络训练后,故障信号通过小波神经网络后能够快速精准的对故障器件进行定位。通过大量样本进行仿真计算表明所设计的小波特征参量故障诊断法对于模拟电路具有很好的故障分辨率。     

基于模型与数据驱动的自适应模糊规则故障诊断方法

针对复杂装备系统故障模糊性强的特点,以及目前基于模型和数据驱动的故障诊断大都局限于决策层融合的问题,提出了 1种利用诊断模型作为数据驱动方法的初始条件来辅助网络模型构建和学习的方法。首先,通过 T-S故障树理论分析,建立系统各故障模式之间的逻辑关系和描述规则;然后,根据 T-S故障树模型,将诊断模型映射为模糊神经网络(FuzzyNeuralNetworks,FNN)模型,并利用误差反向传播算法对网络参数进行学习,进而提出 1种模糊规则自动更新机制;最后,以某组合导航系统为实验对象进行仿真实验。结果表明:提出的方法能够准确地诊断出故障,且具有较快的收敛速度和较好的泛化能力。     

基于T-S 模糊FTA 与仿真的舱盖机构故障诊断方法

针对高空舱舱盖机构系统故障源与故障程度难以判定以及故障特征值难以提取的问题,提出了基于T-S模糊故障树分析与仿真相结合的故障诊断方法。将T-S模型引入到舱盖机构不同步的典型故障分析中,用模糊可能性描述部件的故障概率;用T-S门来描述事件间的联系;用模糊数描述部件的故障程度,结合模型仿真模拟故障分析,获取部件发生故障时对顶事件的贡献或重要度,计算出顶事件发生故障的模糊可能性及其诊断决策。为高空舱舱盖机构的故障诊断和维修保养提供参考。     

基于协调近似表示空间的航空发动机故障诊断

航空发动机故障诊断的一个主要目标即是求出具有最大分布的故障类型,协调近似表示空间为统一处理不同信息系统提供了工具,并且考虑到航空发动机故障是典型的小样本问题,因此针对航空发动机故障诊断决策信息系统,在求取其基于最大分布的协调近似表示空间的基础上,引入规则融合方法得到所有不同条件下的决策规则,并将其用于历史故障数据的分析,得到了高的识别率,从实践的角度证明了该方法的有效性以及融合所得规则的普适性.      

航空发动机部件性能故障融合诊断方法研究

提出一种对航空发动机部件性能蜕化进行融合诊断的模糊决策融合机制,以改善单独采用基于模型和基于数据的部件性能故障诊断的漏诊与误诊的问题.传感器测量值同时输入到基于自适应模型的和基于数据的诊断模块中,分别利用卡尔曼滤波算法和最小二乘支持向量机(LSSVM)对主要部件故障性能参数估计,再利用模糊逻辑调整决策权重以进行D-S(Dempster-Shafer)证据理论的决策融合诊断.以某型涡扇发动机为对象进行单部件和双部件蜕化仿真研究表明,与单独使用基于模型和基于数据的诊断方法相比,采用决策融合机制有效地提高了部件故障诊断精度.      

一种基于相邻模块化加权D-S的融合诊断方法

常规D-S (Dempster-Shafter)决策融合方法由于其自身理论不足,不能很好直接处理决策结果偏差大、冲突大的传感器融合问题,因而对于信息高冲突情况下的转子微弱故障融合诊断存在着失效问题。针对该类问题与不足,借鉴复杂网络的舆论传播、社会学习理论及多智能体一致性决策的相关概念与思路,从避免决策结果冲突大的传感器直接进行融合的角度进行改进,提出相邻模块化加权D-S融合方法。该方法首先根据初步结果进行相邻节点与模块划分,只有决策距离在相邻界限值范围内的相邻模块节点才能进行决策融合;对于同一模块内相邻节点,根据各节点决策权重及初步决策结果采用加权D-S融合方法进行决策融合;针对融合结果再进行相邻节点模块划分与融合,依此步骤进行循环划分与融合,直到所有模块与节点均不相邻;最后采用专家权威决策方法确定权重和最大的模块融合结果作为最终的传感器网络一致性决策结果。通过多传感器网络的转子故障模拟实验对所提方法进行验证,应用结果表明:所提方法可以较好解决少数传感器诊断正确、而多数诊断错误的信息高冲突条件下的局部微弱故障融合诊断问题。     

集成时间信息的液体火箭发动机故障诊断推理

提出一种液体火箭发动机集成时间信息的定性建模和故障诊断推理方法。该方法以谓词逻辑公式和子句的形式对发动机定性特征和试车过程中的观测信息加以描述，同时基于归结原理和假言推理规则的演绎推理方法进行诊断问题求解。结合实际试车数据的检验结果表明，该方法为液体火箭发动机试车过程中动态诊断知识的表达和组织，提供了一种简洁有效的方式．计算量小．检测速度快，且具有较强的诊断能力。     

航空发动机部件性能参数融合预测

为了改善目前单独采用基于模型和数据驱动的部件健康参数预测精度,提高数据驱动方法的故障诊断的泛化能力,提出一种自调整决策融合机制,对航空发动机部件性能蜕化在连续蜕化空间进行融合诊断。传感器测量值同时输入到机载自适应模型和数据驱动的诊断模块中,分别利用卡尔曼滤波算法和自适应遗传算法优化的支持向量回归机(AGA-SVR)对主要部件性能进行预测,再利用自调整决策权重的量子粒子群寻优(QPSO)进行决策级融合诊断。以某型涡扇发动机为对象进行气路部件蜕化的仿真研究表明,与单独使用基于模型和数据驱动的诊断方法相比,采用决策融合机制有效地提高了部件故障诊断精度。     

A new bearing fault diagnosis method based on modified convolutional neural networks

Fault diagnosis is vital in manufacturing system. However, the first step of the traditional fault diagnosis method is to process the signal, extract the features and then put the features into a selected classifier for classification. The process of feature extraction depends on the experimenters’ experience, and the classification rate of the shallow diagnostic model does not achieve satisfactory results. In view of these problems, this paper proposes a method of converting raw signals into two-dimensional images. This method can extract the features of the converted two-dimensional images and eliminate the impact of expert’s experience on the feature extraction process. And it follows by proposing an intelligent diagnosis algorithm based on Convolution Neural Network (CNN), which can automatically accomplish the process of the feature extraction and fault diagnosis. The effect of this method is verified by bearing data. The influence of different sample sizes and different load conditions on the diagnostic capability of this method is analyzed. The results show that the proposed method is effective and can meet the timeliness requirements of fault diagnosis.     

A Fault Sample Simulation Approach for Virtual Testability Demonstration Test

Virtual testability demonstration test has many advantages,such as low cost,high efficiency,low risk and few restrictions.It brings new requirements to the fault sample generation.A fault sample simulation approach for virtual testability demonstration test based on stochastic process theory is proposed.First,the similarities and differences of fault sample generation between physical testability demonstration test and virtual testability demonstration test are discussed.Second,it is pointed out that the fault occurrence process subject to perfect repair is renewal process.Third,the interarrival time distribution function of the next fault event is given.Steps and flowcharts of fault sample generation are introduced.The number of faults and their occurrence time are obtained by statistical simulation.Finally,experiments are carried out on a stable tracking platform.Because a variety of types of life distributions and maintenance modes are considered and some assumptions are removed,the sample size and structure of fault sample simulation results are more similar to the actual results and more reasonable.The proposed method can effectively guide the fault injection in virtual testability demonstration test.     

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 %