基于优化信噪比算法的航空发动机振动信号分离

为克服噪声对航空发动机振动信号的影响,提出一种优化信噪比的航空发动机振动信号分离方法,其通过建立时延自相关目标函数,对最大信噪比盲源分离算法进行优化。利用该方法,对航空发动机仿真混叠振动信号进行分析,分离后的信号频谱与源信号一致;对具有故障的实测航空发动机振动信号进行分离,成功分离出不同故障的振动特征。本文提出的方法为航空发动机振动信号的监测和故障诊断,提供了一种新的思路。     

构建航空发动机滑油系统稳态模型

研究模拟不同飞行条件下滑油系统稳态工作对滑油系统的设计和故障诊断具有重要的参考价值。基于部附件特性，提出了依据8个航空发动机性能参数，用向量计算和插值算法取代迭代算法来构建滑油系统稳态模型的方法，并对发动机在海平面、最大工作状态条件下的滑油系统性能参数进行了验证计算。计算结果与设计数据吻合较好，误差在5％以内，表明所建立的稳态模型是有效的。滑油在各轴承腔和齿轮箱中的流量分配随空气压力变化，计算误差主要来自轴承腔和齿轮箱压力分布假设，为进一步提高计算精度，必须建立航空发动机内部空气系统模型。     

航空发动机主轴轴承故障诊断

某型航空发动机的主轴轴承由于频繁出现早期失效而引起发动机故障,因此,对滚动轴承进行状态监测和故障诊断具有重要的实际意义。针对常规方法难以准确分析非平稳信号的局限性,本文研究了基于小波分析的滚动轴承故障诊断方法,通过滚动轴承外表面损伤的仿真信号进行小波包频谱分析,验证了基于小波分析的滚动轴承故障诊断方法是可靠、准确的,可以应用于航空发动机主轴轴承的状态监测和故障诊断。     

基于小波包分析方法的航空发动机滚动轴承故障诊断

将小波包分析技术引入到航空发动机滚动轴承故障诊断的应用研究中，给出了基于小波包分析的滚动轴承故障特征提取方法：应用小波包分解与重构算法分离出了滚动轴承的故障特征频率，识别出了滚动轴承的故障类型。通过对实际航空发动机滚动轴承故障信号的分析表明，该方法可以有效地检测和诊断航空发动机的滚动轴承故障。     

涡桨发动机减速器振动故障判别

首先简要介绍了某型涡桨发动机减速器的结构及特点,然后通过对减速器振动信号中的频率成分及减速器故障的频谱特征进行分析研究,应用模态分析、对比分析和细化分析、细化谱分析及共振解调技术等故障诊断方法,对该型涡桨发动机减速器振动大、内齿圈裂纹、齿轮剥落及主动齿轮偏载等典型减速器故障进行了详细分析,明确了故障原因,有效消除了减速器故障。本研究可为带有减速器的航空发动机的故障诊断及判别提供重要依据。     

发动机转子系统早期故障智能诊断

 在对飞机发动机转子系统早期故障特点进行分析的基础上，针对其故障诊断中存在的故障样本不足和早期微弱故障不易识别的问题，提出将随机共振、小波包分析与支持向量机相结合的发动机转子系统早期故障诊断与智能自愈监控方法。该方法首先利用随机共振原理对早期微弱故障信号进行特征细化，使故障特征放大；然后利用小波包多分辨率分析特性进行故障特征提取；再将提取的特征向量输入由支持向量机构造的分类器中进行故障识别，并利用智能自愈方法对故障进行监控。对智能诊断系统结构、故障特征提取方法、多故障分类器构造、故障自愈监控等进行了分析和研究。结果表明，该方法在故障样本不足情况下，能有效识别发动机转子系统的早期故障，且算法简单、故障分类识别效果好，并能对故障进行自愈监控。     

某涡喷发动机可靠性增长分析

航空发动机的研制特点决定了试车故障数据兼有同步纠正和异步纠正的性质，为了更好的评价航空发动机的可靠性．对一组有可靠性增长的试车故障数据采用了MIL-HDBK-189介绍的带同步纠正性质的处理方法，所得结果与采用Crow的带异步纠正性质的统计分析方法计算的结果进行比较，可以发现：两种方法对趋势检验的结论和对平均故障间隔时间（MTBF）的极大似然估计基本一致。     

基于小波分析的航空发动机故障诊断方法研究

小波变换是一种多分辨率的时频分析方法,应用在振动信号处理、故障诊断方面较传统方法优越。在阐述小波分析理论基础上,对某型航空发动机的振动信号进行分析,采用小波分解和信号重构的方法,提取了噪声掩盖下振动信号中的故障信息,根据航空发动机整机振动的典型故障特征频率,判断该发动机是否发生故障。     

基于机匣测点信号的航空发动机滚动轴承故障诊断灵敏性分析

研究了基于机匣测点信号进行航空发动机滚动轴承故障诊断的灵敏性问题.首先利用两个带机匣的航空发动机转子试验器进行了冲击响应试验,比较了滚动轴承处冲击激励引起的轴承座测点响应和机匣测点响应的差别;然后利用这两个带机匣的转子试验器进行了滚动轴承故障模拟试验,详细对比分析了轴承座测点信号和机匣测点信号的时域波形、频谱和小波包络谱.结果表明:当滚动轴承和机匣的连接刚度较小时,故障滚动轴承的振动信号传递到机匣上时会产生很大的衰减,然而利用传统的基于小波包变换的包络解调方法仍然可以很好地诊断出外圈故障和内圈故障,对于滚动体故障的诊断效果略差.研究结果对于实际中基于机匣测点信号进行航空发动机滚动轴承故障诊断提供了试验依据.     

发动机喘振-爆燃故障的信号分析

本文着重介绍某双轴发动机喘振—爆燃故障用 FFT信号处理机进行诊断和信号分析的方法。文章结合发动机在湍流动态畸变流场下的喘振—爆燃试验研究 ,介绍了试验设备、测量系统和对发动机“故障”信号分析的结论。湍流型动态畸变流场下的压气机喘振多为“漂移型”喘振 ,表现有随机性。发动机对动态畸变流场的敏感度远高于稳态畸变。利用 FFT信号分析技术进行故障诊断 ,有广泛应用价值。它较其它方法精确、迅速、简便。     

基于融合信息(火用)的转子振动故障SVM诊断方法

通过提取信息(火用)特征,提出基于融合信息(火用)的转子振动故障支持向量机（SVM）诊断方法.首先,在转子试验台上分别模拟转子不平衡、轴系不对中、转子裂纹和转子碰磨4种典型故障,采集这4种典型故障在多转速和多测点下的振动加速度信号;其次,提取基于时域的奇异谱熵和频域的功率谱熵的转子振动故障过程变化规律的信息(火用)特征;最后,将提取到的信息(火用)特征作为故障向量,建立SVM故障诊断模型,进而对转子振动故障进行诊断.实例诊断结果表明：将信息(火用)特征与支持向量机相结合进行转子振动故障诊断,诊断结果准确率达到了97%,有效地提高了故障诊断的准确率.     

基于声发射信号信息距的滚动轴承故障诊断

在信息熵理论基础上,提出了一种融合小波能谱与马氏距离的信息距滚动轴承故障诊断方法.利用双转子试验台对滚动轴承内圈故障、外圈故障、滚动体故障、内圈 滚动体故障和内圈 外圈故障进行模拟,并采集其声发射信号.利用提出的信息距方法对获取的声发射信号进行分析,成功实现滚动轴承单一故障和耦合故障诊断.结果表明该方法信息利用率高于信息熵方法,能够清晰和准确地诊断出滚动轴承早期故障,效果明显优于信息熵距的诊断方法.      

基于经验模态分解的机械故障欠定盲源分离方法

针对传统的机械故障源分离方法限于非高斯、平稳和相互独立的源信号,且传感器的观测数多于源数,机械故障源信号通常不易满足这些假设的局限性,提出了一种基于经验模态分解的机械故障欠定盲源分离方法.该方法对混合观测信号进行经验模态分解,然后重组本征模函数分量作为新的观测信号进行盲源分离,仿真和实验结果表明,该方法是有效的.     

航空发动机整机振动故障模糊信息熵诊断方法

为了获得航空发动机整机振动故障征兆与故障原因之间难以确定的复杂隶属关系,提高故障诊断的准确率,基于模糊数学理论和信息熵理论,提出了基于模糊信息熵的发动机整机振动故障融合诊断方法。通过建立模糊信息熵融合诊断的数学模型,使定量分析与专家经验和定性分析相结合,并应用于某型航空发动机整机振动故障诊断。实际应用表明,基于模糊信息熵融合的诊断模型较单一的模糊诊断模型准确率明显提高,验证了该方法用于航空发动机整机振动故障诊断是有效的。     

基于航天器故障树的过程性诊断方法研究

针对航天器故障过程性推理的实际需求,提出采用故障树的节点式知识表示方法和过程推理机制处理航天器过程性知识和陈述性知识,同时为实现对航天器故障的诱因定位和早期预测功能,设计了故障树双向混合推理算法。     

基于时频脊线和阶次分析的转子故障诊断

为解决采用在转子升降速过程中产生的非平稳信号难以进行故障诊断的问题,提出一种基于2维时频脊线和阶次分析的转子故障诊断方法。采集转子升降速信号,采用2维时频分布的峰值脊线提取法获得信号脊线特征,结合脊线特征与等角度重采样技术依次获得信号角度域、角-阶域和阶次域图像,将信号阶次域内的特征参数作为故障敏感特征,输入人工神经网络诊断模型,对转子信号的故障类型进行分类。利用实测信号验证所提方法的实际应用效果,并与传统特征提取法的结果进行对比。结果表明:阶次分析方法的测试准确率约为99.8%,标准差小于0.09%,均优于传统特征提取法。基于时频脊线和阶次分析的转子故障诊断方法具有更高的诊断准确率,在非平稳信号特征提取过程中具有很好的可行性和准确性。     

基于形态分量分析与阶次跟踪的齿轮箱复合故障诊断方法

针对变转速下齿轮箱复合故障的故障特征提取,提出了基于形态分量分析与阶次跟踪的齿轮箱复合故障诊断方法.该方法根据齿轮箱复合故障振动信号中齿轮和滚动轴承故障成分的形态差异性,先用形态分量分析将其分解为包含齿轮局部故障信息的谐振分量、包含滚动轴承局部故障信息的冲击分量和随机噪声分量,再根据实测转速信号分别对谐振分量和冲击分量进行包络阶次分析,根据各包络阶次谱诊断齿轮箱复合故障.算法仿真和应用实例表明:该方法能有效分离变转速下齿轮和滚动轴承的故障特征,且其故障特征提取效果要优于传统的包络阶次谱方法.     

基于融合信息熵距的转子裂纹-碰摩耦合故障诊断方法

针对转子系统的裂纹-碰摩耦合故障,提出了一种基于融合信息熵距的转子振动故障诊断方法.利用转子实验台模拟转子系统裂纹故障、碰摩故障及裂纹-碰摩耦合故障,并采集三种典型故障的振动加速度信号.利用时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵以及小波空间特征谱熵,计算融合信息熵距实现故障诊断.实例研究表明:这四种信息熵形成了综合评价转子振动状态的特征指标,多测点、多转速下的信息熵距曲线较好地区分了单一故障和耦合故障,有效地提高了转子振动故障诊断的准确性.测试信号与其对应的振动故障之间的信息熵距最小,信息熵距曲线位于坐标轴的最下方,达到了诊断单一故障和耦合故障的目的.     

基于VMD-CWT和改进CNN的直升机轴承故障诊断

由于直升机自动倾斜器滚动轴承振动信号具有非平稳、非线性特点,并夹杂非敏感故障特征信息,导致网络模型对周期信号过于敏感,不能充分利用故障信息的问题;针对此问题,提出一种变分模态分解(VMD)与连续小波变换(CWT)联合提取敏感故障特征的方法。研究表明:在相同模型训练下,该方法相对其他方法最高可提升模型准确率20.8%。为了解决卷积神经网络(CNN)进一步提高故障识别精度难的问题,提出一种基于K最近邻(KNN)改进的CNN的模型,在课题组和西储大学公开轴承数据集验证,测试精度达到99.8%和100%,可有效实现直升机自动倾斜器滚动轴承的故障诊断。     

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.