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.      

航空发动机故障诊断算法性能分析及参数优化

基于航空发动机故障诊断测试平台,通过蒙特卡洛仿真得到涡扇发动机部件、传感器及执行机构典型故障数据,经过参数换算、趋势监测、异常检测等过程进行故障诊断,采用加权最小二乘法实现故障隔离.利用故障诊断测试平台中的评估指标准则对诊断算法性能做出定量评估,采用遗传算法对虚警率、漏报率和Kappa系数等关键参数进行优化.     

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。     

基于快速原型的涡扇发动机气路部件在线健康监控系统设计

为实现涡扇发动机全包线范围内具有较高精度的快速实时仿真,结合快速原型技术和发动机非线性模型设计了一种气路部件在线健康监控系统。该系统采用涡扇发动机非线性模型模拟真实发动机进行实时计算,并将基于优化拟合法获得最优的发动机线性化模型融入扩展Kalman滤波算法,对气路部件健康参数进行实时跟踪,将该跟踪方法运用于基于CompactDAQ和CompactRIO平台设计的发动机在线故障诊断原型系统进行仿真试验验证。仿真结果表明,基于快速原型技术与发动机非线性模型构建的在线健康监控系统能够实现对气路部件故障的有效诊断,平均正确率达到98.28%。     

航空发动机气路部件故障融合诊断方法研究

针对发动机气路部件故障,提出了一种基于模型和基于数据驱动的融合诊断方法。采用极端学习机(ELM)实现基于数据驱动的故障诊断。针对ELM随机选择输入层权值和隐含层偏置带来的缺点,采用改进微分进化(IDE)算法以训练样本的均方根误差(RMSE)和输出层权值的范数为评价标准对其进行优化,减少了ELM的隐含层节点数,提高了网络的泛化能力。同时,由于传感器数目的不足,采用基于奇异值分解(SVD)的Kalman(SVD-Kalman)滤波器实现基于模型的部件故障诊断。为了提高航空发动机部件故障诊断的精度,利用改进的迭代约简最小二乘支持向量回归机(IRR-LSSVR)算法对两种算法的估计结果在特征层进行定量融合。仿真结果表明,在发动机稳态状态下,与单独使用基于模型和数据驱动的诊断方法相比,采用特征层融合有效地提高了部件故障诊断的精度和准确率。     

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。      

数字模型在发动机故障诊断中的应用

采用气路分析法诊断发动机气路部件故障。将数字仿真模型不仅作为研究手段而且作为一种诊断方法引入到故障诊断中。提出了通过调整发动机特性,用数字仿真模型模拟发动机故障,以及求解发动机性能变化的方法。探讨了影响故障诊断精度的各种因素并提出了改进措施。通过大量的仿真实验验证了所提出的这种方法是可行的。阐述了根据飞行记录数据推算发动机部件性能变化趋势的原理和方法。     

神经网络集成在发动机故障诊断中的应用研究

提出一种基于A daBoost的集成神经网络故障诊断方法,利用多层前向神经网络作为故障弱分类器,通过简单地训练若干个单一神经网络并将其预测结果进行合成,实现了对航空发动机多类故障的诊断。针对一个涡轮喷气发动机气路部件的仿真实验表明,这种方法提高了最终故障分类器的泛化能力,便于工程应用。      

基于逆跟踪控制的航空发动机气路健康参数估计修正方法研究

针对新型航空发动机气路部件状态监控缺乏故障样本的不足,利用发动机非线性模型和气路故障模拟方法,获取故障样本,运用最小二乘支持向量回归机(LSSVR)建立气路健康参数的(理想)估计器。主要工作是在LSSVR的基础上,从逆跟踪控制的角度,设计了基于逆模型在线辨识与变结构控制相结合的修正系统,减小理想估计器与真实发动机之间由于测量噪声与系统噪声对估计精度造成的影响。通过仿真实验,离线修正后,估计值的相对误差最大值从69%缩小5%,在线修正后,估计值的相对误差最大值从69%缩小13%,修正系统有效地提高了性能估计的准确度,减小了气路部件状态监控的误判和误诊的概率。     

发动机试车气路故障诊断系统的设计与应用

以发动机整机试验数据为研究对象,建立了一套发动机试车气路故障诊断系统.首先阐述了该系统的设计功能和总体流程逻辑;使用故障模式法和调整模式法建立了气路部件故障诊断和优化调整模块;然后以一个双轴分排涡扇发动机为例,针对气路部件故障诊断和优化调整给出了考虑噪声的数值试验分析.最后就该系统的发展进行了讨论.      

涡扇发动机故障诊断的快速原型设计

提出一种基于发动机基线模型的面向气路故障诊断的快速原型设计方法.考虑到基于模型的发动机全包线范围的故障诊断方法需要有较高精度的模型,选择合适的换算参数对已有的相似变换参数进行修正,建立适用于全包线的发动机基线模型,设计基于加权最小二乘算法的故障诊断模型,并将其写入至CompactRIO构建了发动机故障诊断的快速原型.通过对某型涡扇发动机试验表明:该种故障诊断的快速原型设计方法是有效的.      

航空发动机故障融合诊断研究

结合气路诊断与振动分析方法,建立发动机故障融合诊断模型,探讨气路与振动故障融合诊断方法的可行性。构建故障融合诊断3级体系(故障特征级、故障模式级以及故障决策级融合),实现基于性能参数和振动参数的综合评估方法,获得基于小偏差法的气路故障判据,形成基于动力学分析的振动故障判据,提出故障特征融合的方法,通过算法实现故障融合识别,并在模拟试验器上进行涡轮叶片掉块故障试验验证,获得相应的故障诊断决策。结果表明:设计的发动机故障融合诊断方法合理,算法正确。     

测试设备故障诊断专家系统的设计与实现

通过分析测试设备故障诊断专家系统的目的和任务,将模糊神经网络理论与专家系统结合后用于测试设备故障诊断,建立了故障诊断专家系统的模型。探讨了故障诊断专家系统中知识库的构建及维护、不精确推理等问题。用面向对象分析方法分析测试设备故障诊断专家系统,并用软件加以实现。     

基于改进模糊SVM的转子振动故障诊断技术研究

本文首先对常用的隶属度确定方法进行改进,提出了基于改进模糊支持向量机（FSVM）的融合故障诊断方法,并建立了改进FSVM故障诊断数学模型;然后,利用转子振动模拟实验台对四种典型的转子诊断故障进行模拟,并提取其故障信号特征;最后,通过实例计算分析,验证了该方法在转子振动故障诊断方面是可行和有效的,为转子振动故障准确诊断提供了一种新方法。     

航空发动机外部管路调频的有限元计算方法

利用有限元方法对航空发动机外部管路模态进行了计算,得到了管路的固有频率及模态振型;通过计算,分析了安装不同数量、位置的卡箍对管路固有频率的影响,以此为依据进行了管路调频,避免了管路共振的发生。     

基于改进模糊SVM的转子振动故障诊断技术

首先对常用的隶属度确定方法进行改进,提出了基于改进模糊支持向量机(FSVM)的融合故障诊断方法,并建立了改进FSVM故障诊断数学模型;然后,利用转子振动模拟实验台对四种典型的转子诊断故障进行模拟,并提取其故障信号特征;最后,通过实例计算分析,验证了该方法在转子振动故障诊断方面是可行的和有效的.     

基于小波包分析与多核学习的滚动轴承故障诊断

为了更准确地诊断滚动轴承故障,提出了一种基于小波包分析与多核学习的滚动轴承故障诊断方法.该方法首先对振动信号进行3层小波包分解,将振动信号分解为不同频带的信号,提取各频带的相对能量特征,构建特征向量;然后采用多核学习算法从训练样本集中学习核函数与分类器;最后使用训练出的分类器识别滚动轴承故障类型.为了验证方法的有效性,进行了滚动轴承故障诊断实验,实验结果表明该方法的故障诊断准确率达到98.25%,与传统的基于小波包与支持向量机的滚动轴承故障诊断方法相比,其故障诊断准确率更高,同时由于避免了核函数的选择问题,该方法更便于实际应用.      

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

模糊故障图的代数基础及应用分析

为了对不确定的故障关系进行描述和分析 ,提出了模糊故障图。定义并分析了它的代数基础—模糊间集、间集的链关系及一些相关概念 ,提出了基于模糊故障图进行故障诊断的方法 ,并应用于实际系统 ,较好地实现了模糊故障诊断。模糊故障图可以有效地描述复杂系统的故障关系 ,实现模糊的系统故障分析。     

模糊推理和证据理论融合的航空发动机故障诊断

提出了一种模糊推理与证据理论相结合的航空发动机故障诊断方法.首先,根据故障征兆信号,结合专家经验对发动机故障原因发生的可能进行模糊推理,解决故障诊断中的模糊性问题;其次,将模糊推理结果作为证据的基本置信度分配,确保赋值的准确性;最终,采用证据组合规则对多个证据进行融合决策,减小故障诊断的不确定性测度,并解决证据间的冲突问题,从而实现对故障源的精确定位.实验结果表明,该方法可行且有效.