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。     

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。     

发动机亚定故障方程组整体优化解分布函数模型

提出了求解发动机亚定故障方程组整体优化解的分布函数模型.该模型利用一种可以控制自变量数值在整体解中分布的分布函数与亚定故障方程组的残差平方和构成复合目标函数,同时以物理合理性准则作为约束条件,构成一个非线性规划问题.分布函数模型可以在小于、等于特别是大于故障方程个数的各种复杂情况下给出全面的故障诊断信息,从而为目前迫切需要解决的发动机性能监控与故障诊断中在测量参数不足的情况下,对发动机进行全面性能诊断的技术难题提供出一种切实可行而又十分有效的数学模型.首次提出了作为评价发动机全面性能诊断算法有效性指标的相似度的概念,并且以JT9D发动机全面性能诊断问题为例,利用Monte Carlo随机模拟方法确定了分布函数模型可以达到的相似度值.研究结果表明,分布函数模型的相似度可达0.9以上.还利用JT9D发动机的实际故障样本对分布函数模型进行了检验.     

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。     

磨粒分析技术及其在发动机故障诊断中的应用

基于显微形态学方法的磨损微粒显微分析技术是近年来出现的解决发动机磨损故障诊断问题的新方法之一。应用形态学分析方法建立一套磨粒显微特征描述体系提取磨粒特征信息,作为磨粒识别的信息基础,可以准确地完成磨粒自动识别。基于发动机润滑系统磨粒分析的结果和颗粒摩擦学理论,比较准确地评估出发动机接触磨损部件的磨损状态,进而诊断或预测此类磨损故障;另外,此项分析诊断技术在发动机气路磨损故障诊断中也具有潜在的应用前景。      

基于支持向量机和信息融合的整机振动状态监视与诊断

将信息融合和支持向量机等智能诊断技术应用于整机振动状态监视与故障诊断领域。采用航空发动机振动信号作为诊断模型的训练样本,使支持向量机能够反映特征向量和故障类型的映射关系,从而成功地诊断了某型发动机的振动故障模式。     

人工神经网络融合诊断航空发动机气路故障

为了提高诊断的准确性,提出了一种利用人工神经网络融合诊断航空发动机气路故障的新算法.由4个子系统有机结合起来建立了神经网络融合诊断系统,对从飞参数据中得到的气路故障数据进行预处理之后,分别输入广义回归神经网络子系统和BP神经网络子系统进行诊断,然后研究了一种新的信息融合算法对两者的诊断结果进行融合,使诊断结果的故障特征更加明显,提高了诊断的准确性.通过测试表明,该信息融合算法十分有效,具有较高的实用价值.      

航空发动机的磨损故障分析和诊断技术

航空发动机的磨损问题不但直接威胁发动机的安全高效运行,而且还可能诱发其他故障,甚至发生事故。因此,准确诊断和早期发现潜在的磨损故障对于发动机的安全运行意义重大     

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。      

航空发动机故障诊断方法及测试流程分析

阐述了某型航空发动机工程研制中应用的发动机故障诊断方法及测试流程。根据发动机型号的使用特点和发动机故障诊断方法对FMECA分析结果进行故障分类,指出了各类故障在现有的测试技术下是否能进行故障诊断,并对能诊断的故障类型进行了详细的故障诊断及测试流程分析,经验证,发动机故障诊断方法及测试性流程可满足航空发动机型号的测试性需求。     

基于双重卡尔曼滤波器的发动机故障诊断

提出了一种基于双重卡尔曼滤波器的航空发动机健康参数估计方法,实现了传感器发生故障情况下发动机故障的准确诊断.采用发动机动态工作点的测量数据,解决了可测量参数偏少导致故障诊断困难的问题;球面采样平方根UKF(UnscentedKalmanfilter)故障诊断滤波器具有更好的滤波稳定性与更低的计算量的要求,提高了故障诊断算法的效率与精度.某型双轴涡扇发动机故障诊断仿真结果表明,该方法可以准确的同步实现气路部件与传感器的故障诊断,是一种有效的航空发动机故障诊断方法.      

基于免疫聚类分析的特征提取及其在发动机故障诊断中的应用

以提高航空发动机故障诊断的快速性和准确性为目的，基于人工免疫理论中的克隆选择算法，结合聚类分析方法，提出了基于免疫聚类分析的故障特征提取方法。该方法通过删除对分类无关的特征以及压缩类间相关特征，得到最有利于分类的子特征集，提高了分类器的分类性能。并且该算法具有本质上的并行性、计算效率高和聚类能力强等优点。多类支持向量机的分类实验表明，经过基于免疫聚类分析提取的特征对发动机的故障具有更好的识别能力，为发动机的状态监测与故障诊断提供了依据。     

航空发动机故障诊断技术研究

介绍了COMPASS软件和基于粗糙神经网络模型的新型故障诊断技术。对某航空公司运营中的ERJ145飞机双发AE3007发动机进行的故障诊断和研究表明,粗糙神经网络模型在故障诊断中的适用性和可信性很强,能够为航空发动机故障诊断提供有效参考。     

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%。     

基于RDK-ELM 的航空发动机控制系统故障诊断

为保持较高诊断正确率,缩短训练时间,满足航空发动机故障诊断对于实时性和高诊断率的需求,提出1种对深度核极限学习机的简约改进方法。输入数据中随机选取部分数据作为支持向量,结合深度学习网络的多层结构,完成了对输入样本的特征提取,通过核函数实现了高维空间映射分类。数字仿真表明:算法分类正确率高,训练时间短,可应用于航空发动机控制系统的故障诊断。     

基于小波分形和一类辨识的航空发动机故障诊断

在支持向量机理论的基础上,针对支持向量机的二类辨识传统,引入了基于支持向量机的一类辨识理论。设计了航空发动机几种典型故障的一类分类器,使得发动机的故障诊断更加简单可行。同时,将小波分形方法引入到航空发动机振动信号的特征提取中。通过对航空发动机典型故障的成功诊断,证明了该方法的有效性。     

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。