基于深度学习的航空发动机不平衡故障部位识别

针对基于机匣测点的航空发动机不平衡故障部位识别问题,提出了基于深度卷积神经网络的航空发动机不平衡故障部位诊断方法。针对某典型双转子航空发动机,建立整机耦合动力学模型,并利用数值积分算法实现不平衡故障数值仿真;在从发动机压气机端到涡轮端的高、低压转子上选择4个不平衡故障部位作为诊断对象,通过仿真分析得到发动机典型转速下的转子不同部位不平衡故障的仿真样本;计算4个机匣测点信号的规范化频谱,通过对大量仿真数据的处理得到反映不同不平衡故障部位的故障样本集;利用仿真得到的大量不平衡故障样本,训练深度卷积神经网络,利用深度卷积神经网络的优良特征学习能力实现航空发动机不平衡故障的不同部位进行识别,数值试验结果表明该方法对航空发动机不平衡故障部位的识别准确率达到95%。     

基于GA-AANN神经网络的SDQ算法的航空发动机传感器数据预处理

为实现对输入健康管理系统的航空发动机传感器数据进行数据鉴定、故障诊断以及去除噪声信号干扰,提出了一种航空发动机传感器数据预处理方法。针对双通道传感器航空涡扇发动机,搭建了以合理性检验模块和解析冗余检验模块为主要内容的SDQ算法模型,利用遗传算法优化的AANN神经网络实现传感器的解析冗余检验。采用蒙特卡罗仿真方法,将改进的SDQ算法与一种基于最小二乘法的SDQ算法进行对比仿真验证。结果表明,本文提出的SDQ算法在发动机稳态条件下对阶跃故障和漂移故障隔离的平均正确率分别提高了1.7%和19.1%,在发动机动态条件下对阶跃故障和漂移故障隔离的平均正确率分别提高了12.5%和33.8%。且在多传感器故障诊断和除噪方面性能优异,处理后的传感器信号平均信噪比提高了8.27dB。     

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GA优化BP算法的滑油状态监测

滑油状态的监测与分析是航空发动机状态监测与故障诊断的重要手段。为了解决以往滑油金属质量分数预测模型算 法的局部性、收敛速度慢及预测结果误差大等问题,结合遗传算法（GA）收敛速度快、鲁棒性好等优点,对反向传播（BP）神经网络 算法进行GA优化,通过GA对参数寻优,并应用于发动机滑油金属质量分数预测。由于滑油的状态参数并不能确定部件故障与 否,利用贝叶斯（Bayes）决策规则对诊断结果进行了错误率计算。将所提方法应用于某航空发动机滑油铁质量分数预测,结果表 明：采用GA优化后的BP神经网络（GA-BP）得到的预测结果具有更高的精度,其最大预测误差不超过6%,平均预测误差为1.7%, 所测数据与原数据具有较好的拟合性,利用Bayes决策规则对诊断结果进行分析,对于部件故障与否的判别更具说服力。     

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。     

基于深度信念网络的航空发动机维修等级决策

准确的航空发动机维修等级决策,能够避免过维修和欠维修,在保证航空发动机运行安全的前提下节约维修成本。结合航空发动机状态监控信息和维修等级特点,采用深度信念网络（DBN）算法,挖掘状态监测及维修等级决策之间的深层次对应关系,实现对维修等级的分类和预测。该模型通过DBN预训练和反向传播(BP)神经网络反向微调提取出样本特征,从而提高维修等级预测准确率。以某航空公司CF6航空型发动机的状态参数和维修等级数据作为实例进行验证,结果显示:该模型能够通过构建多层网络结构挖掘出样本的更深层次信息,在分类能力、决策准确性方面优于传统神经网络,有较强的特征提取能力,对维修等级分类有较高的正确率,能得出更准确的维修等级决策结果,避免因维修等级误判而带来不必要的损失。      

基于模糊粗集的航空发动机特征参数提取算法

提取发动机性能状态的特征参数,是提高发动机故障识别正确率和可靠性的必要条件.针对实际航空发动机故障参数所具有的模糊和连续性特点,提出了一种基于模糊粗糙集的特征参数提取算法,并应用到某型航空发动机故障识别.研究结果表明:属性约简的核则为导致发动机故障的特征参数,以此特征参数进行故障诊断,可保证较高的诊断精度;同时,该算法的抗干扰性提高了整个系统故障识别的正确率.该算法可用于航空发动机故障分类、故障诊断以及状态监控.      

基于试飞数据的航空发动机状态监测与故障诊断

在航空发动机飞行试验阶段,发动机技术状态变化快、故障频发,为了实时监控发动机工作参数变化情况,快速及时地预测并诊断发动机故障,本文研究了试飞数据驱动的航空发动机状态监控与故障诊断技术。文章基于实际试飞数据建立了航空发动机ANN-NARX参数预测模型,考虑到建模样本量大、模型结构复杂、训练时间长、输入输出延迟等因素,采用遗传算法对模型的最小数据样本需求和结构进行了改进优化,并利用蒙特卡洛方法确立了参数预测模型的自适应告警门限,同时基于构建奇偶空间残差模型实现了航空发动机典型故障诊断。结果表明：实际试飞中只需有限架次试飞数据的训练学习,即可得到发动机参数预测模型,高压转子转速、压气机后压力、涡轮后总温及滑油总回油温度预测相对误差最大值分别为：1.0%、1.7%、0.2%和1.2%,综合模型建模误差和参数测量误差后的自适应告警门限有效降低了模型预测结果的不确定性,在已有数据样本集上的典型故障识别率达到95.2%。     

基于概率神经网络的发动机故障诊断

 用反向传播神经网络 (BPNN)和概率神经网络 (PNN)对航空发动机若干原型故障进行定性的诊断,并将仿真结果进行了比较。仿真结果表明,当测量参数不包含噪声或噪声较小时,两种网络都具有很高的诊断准确率;当测量参数的噪声较大时,则概率神经网络的诊断准确率远大于反向传播神经网络,显示了概率神经网络较强的诊断鲁棒性。此外,概率神经网络能够充分利用故障先验知识,并考虑代价因子的作用,从而把误诊断可能带来的损失减小到最低程度。     

航空发动机气路故障诊断的SANNWA-PF算法

针对航空发动机非线性、非高斯的特点，提出一种用于航空发动机气路故障诊断的自适应神经网络权值调整粒子滤波（SANNWA PF）算法。该算法根据粒子分布情况确定分裂和调整的粒子数目，进而根据粒子权重采用正态分布的方式进行分裂，采用反向传插(BP)神经网络进行权值调整，缓解了粒子的退化和贫化，具有更强的自适应性能和跟踪能力。通过一维非线性跟踪模型和航空发动机气路故障诊断仿真研究表明:SANNWA PF算法具有良好的非高斯性能，相对粒子滤波一维非线性追踪模型估计精度提高约21%，航空发动机气路故障诊断在高斯噪声和非高斯噪声下分别提高约30%和26%，诊断速度分别提高约7倍和10倍。      

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。     

Kohonen网络在发动机故障诊断中的应用

文中第一部分研究了利用Kohonen 网络进行发动机故障诊断的特点与算法。并以JT9D发动机为例对算法的有效性进行了检验,23 个故障样本的确诊率达到87% 。文中还以一个典型例子进行了详细分析。文中第二部分提出了利用Kohonen 网络进行故障诊断结果排序的方法,该方法有助于给出简明的诊断结论。文中第三部分提出了利用Kohonen 网络提取故障样本群的代表性样本的方法。该方法对于经验故障方程的建立十分有用。      

航空发动机气路故障诊断的平方根UKF方法研究

设计了适用于双轴涡扇发动机健康参数估计的平方根UKF滤波算法,解决了线性卡尔曼滤波器估计结果准确性依赖于线性模型精度;常规UKF算法中由于计算误差及噪声信号影响引起误差协方差矩阵负定而导致滤波结果发散等问题.提出了根据测量残差变化改进滤波收敛速度与稳定性的方法.发动机渐变与突变故障模式下仿真结果表明,平方根UKF估计算法收敛速度快,稳定性强,精度高,是一种有效的发动机气路部件健康参数估计与故障诊断方法.      

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。     

航空发动机的模糊故障诊断方法研究

提出了一种基于T-S模糊模型的故障诊断方法, 该方法从样本空间提取模糊规则, 在模糊系统参数最优化的同时实现了对模糊系统结构的自适应优化, 并给出了故障判定的阈值确定方法.以某涡扇发动机定检稳态的机载记录数据为依据, 将基于T-S模糊模型的故障诊断方法应用于航空发动机, 研究结果表明, 该方法能准确地判定某涡扇发动机的健康状况, 将其应用于航空发动机故障诊断是可行、有效的.      

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。     

冲击载荷作用下的锥壁失效仿真及试验验证

根据航空发动机支承锥壁结构受力特点,对风扇叶片飞失冲击载荷作用下的锥壁失效破坏机理进行了研究。利用显式动力学有限元仿真方法,对冲击载荷作用下的锥壁结构动态失效过程进行了瞬态分析。开展了对锥壁的落锤冲击试验,并与分析结果进行了对比验证。试验和分析结果表明:冲击载荷作用下锥壁减薄处破坏为剪切失效破坏。采用的显式动力学有限元仿真方法为准确模拟冲击载荷作用下的锥壁结构失效提供了一种可行的仿真手段,分析获得的峰值加速度与试验结果误差小于5%;利用GISSMO(generalized incremental stress state dependent damage model)可以准确预测锥壁减薄处断裂时间、断裂位置。经过试验验证的分析方法及失效模型可运用到风扇叶片飞失冲击载荷下的锥壁失效设计参数的确定,提高锥壁降载结构设计的精度。      

基于变精度粗糙集的航空发动机故障诊断

针对航空发动机故障诊断的实际情况,在分析粗糙集理论缺陷的基础上,引入变精度粗糙集模型对专家给出的样本集进行处理,并将所得到的极小化决策算法用于历史故障样本集的分析,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小样本情况下所得决策算法的普适性.      

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     

基于灰色神经网络的航空发动机振动故障诊断方法研究

针对某型双转子航空涡扇发动机台架试车中出现的振动异常现象,提出了一种基于灰色神经网络的航空发动机故障诊断方法,该方法不仅具有灰色关联度故障诊断方法计算量小、准确率高等优点,同时具备了神经网络强大的并行处理能力和良好的容错性。实例证明,该方法能够简单有效地诊断出航空发动机台架试车中出现的常见故障,为航空发动机故障诊断提供了一个新的途径。