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。      

人工神经网络在某型航空发动机故障诊断中的应用

介绍了神经网络在航空发动机故障诊断中的应用 ,给出了利用神经网络方法进行航空发动机故障诊断的方法和步骤及需注意的关键问题 ,并利用神经网络方法诊断了加力泵不供油故障     

小波神经网络在航空发动机故障诊断中的应用

针对某型航空发动机构建了转子-滚动轴承动力学仿真模型,并利用该模型构造了三种发动机故障样本.研究中采用松散型的小波神经网络,先对构造的三种故障信号进行小波包特征分析,提取其能量特征向量作为神经网络的输入,再采用改进的BP神经网络分类器进行发动机故障模式识别.仿真结果表明,基于小波神经网络的信息融合技术用于发动机的故障诊断是可行的和有效的.     

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     

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。     

航空发动机故障诊断技术综述

航空发动机故障诊断技术对避免飞行事故和降低飞行器运行成本是非常重要的。总结了航空发动机故障诊断的一些的方法,通过对各种方法的比较,对某种故障可以按照需要选择使用一种或几种方法。最后还介绍了目前较为前沿的两种故障诊断方法:小波分析法和神经网络法。     

基于飞行过程数据的航空发动机故障诊断方法研究

针对航空发动机飞行过程数据,结合门控循环单元（GRU）动态网络和深度神经网络（DNN）,提出了一种数据驱动的航空发动机故障诊断结构。首先,从飞行数据中抽取发动机健康数据,并通过一组GRU网络建立发动机在健康状态下的动态模型。其次,通过GRU动态模型的预测值与真实测量信号生成残差信号,残差信号作为DNN网络的输入预测发动机健康参数。最后,通过诊断决策模块实现对发动机的故障检测与识别。使用仿真生成的真实飞行工况数据集对提出的故障诊断系统进行了验证。结果表明,相比于直接使用传感器测量数据,基于GRU网络的残差结构能够大幅提升故障检测和识别性能,故障检测和识别准确率分别可达96.51%和95.06%,并且对训练数据样本数量的依赖性较小,较少的训练样本也能获得很好的预测结果。     

基于小波网络航空发动机滑油系统故障诊断方法研究

将小波分析与前馈神经网络相触合,应用于小波神经网络对航空发动机滑油系统的故障渗断.结果表明,小波网络故障诊断方法具有收敛速度快,对网络输入不敏感等特点,为非线性系统的故障诊断提供了新的理论和方法.     

基于对传过程神经网络的航空发动机转子仿真故障诊断研究

为更好地解决动态模式识别及故障诊断问题,将过程神经元引入传统对传神经网络的竞争层,提出一种对传过程神经网络模型。并将所提出的网络模型及其学习算法用于航空发动机转子仿真故障诊断中,并得到了满意的结果。     

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.     

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。      

基于自组织拓扑映射图的发动机故障诊断研究

根据SOM自组织网络的高维数据矢量量化、快速聚类、信息融合和拓扑映射等特征,建立了发动机故障诊断可视拓扑映射图模型,给出了映射模式误差测度和拓扑误差测度,并通过拓扑映射图对发动机故障进行诊断,获得了很好的效果。同时,进一步通过建立的故障模式的测量参数灰度图,可以清晰地观察到故障模式矢量特征、测量参数相关性特征、参数变化趋势,并可进行更深层次故障机理分析。     

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。     

一种航空发动机性能监控的免疫神经网络模型

提出了一种基于免疫神经网络的航空发动机性能监控与故障检测模型.利用人工免疫系统的识别机理,并结合人工神经网络,确定发动机性能偏离正常值的程度(异常度),实现发动机性能趋势的监控.该方法能够灵敏、准确地反映发动机整体性能的变化情况,提高发动机性能正常与否的识别率,并以此来发现发动机潜在早期故障,防止故障的扩大.通过对某型涡扇发动机进行监控,证明该方法确实有效.      

传感器测量偏差下的航空发动机智能性能诊断

以某型涡扇发动机为研究对象, 构建了基于神经网络的航空发动机智能性能诊断方法, 讨论了测量噪声及测量偏差对诊断结果的影响及其处理方法.建立一簇并行的神经网络组和发动机模型, 通过比较各模型输出与发动机测量参数之间的误差, 判断传感器是否存在测量偏差.仿真结果表明, 该方法能有效消除测量噪声, 准确判断并隔离有测量偏差的传感器, 得出正确的发动机性能诊断结果.      

航空发动机递归神经网络分路式解耦控制

针对航空发动机多变量控制中变量之间的耦合问题,提出了一种基于递归神经网络的分路式动态解耦控制方法,给出了发动机双路式解耦控制系统的结构及其解耦原理和算法。利用递归小波网络较强的动态非线性映射能力,在线完成发动机各控制通道的模型辨识,并回馈对应的灵敏度信息;神经网络PID控制器根据回馈的信息在线自适应调整参数,实现发动机各通道的准确跟踪和分路独立控制。仿真表明,该方法在保证控制系统良好的动态和稳态性能的同时,有效地减小了各回路之间的耦合影响,能够成功应用于发动机控制系统的解耦。      

神经网络在发动机自适应建模中的应用研究

提出了一种新的基于神经网络的发动机自适应实时模型的建模方法。建模的思想是认为发动机的任何非额定工作都将导致其输出参数的变化,因而可以把这些参数偏离正常工作参数值的变化量,也就是输出偏离量,用来表征发动机的非额定工作情况。把它们作为增广的状态变量,设计卡尔曼滤波器对其进行最优估计,然后用这些输出偏离量的估计值,通过由BP神经网络训练出来的可测输出偏离量与未测输出偏离量的映射关系来校正机载发动机模型的计算输出,使之与真实发动机的输出一致,从而使实时机载模型获得对任何发动机非额定工况的自适应能力。      

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。