基于模糊矩阵和神经网络的航空发动机磨损部位故障识别

滑油中的金属颗粒成分及含量反映了发动机部件磨损程度,利用光谱分析技术监测诊断发动机部件磨损故障。在分析发射光谱原始数据的基础上,提出基于BP神经网络的航空发动机磨损部位识别方法,并通过实例阐述了部位磨损识别的步骤。将待识别样本输入已经训练好的神经网络中,得到低压压气机轴承支座磨损故障模式。待识别样本中含有Fe、Al、Cr、Cu、Mg,与低压压气机轴承支座磨损故障模式存在的元素完全一致。与原始识别方法相比,本文方法得到的故障特征更加明显,所需训练样本更少,识别精度达到96.67%。     

发动机磨粒统计分布规律与磨损状态监测研究

根据对 WZ- 6航空发动机等由滑油润滑的机械零件磨损磨粒的显微形态统计研究 ,提出了磨屑尺寸分布的 Weibull分布模型 ,探讨了滑油取样和磨粒采样等随机误差的估计及航空发动机磨损状态监测和故障诊断的方法     

基于改进支持向量机的油液在线监测系统

搭建油液在线监测实验平台进行磨粒分类识别实验,运用支持向量机和最近邻法相结合的方法对飞机发动机油液中的磨粒进行分类识别;其中基于支持向量机的磨粒分类器的输入为磨粒的主轴长度、纹理相关性、圆度等特征参数,输出为磨粒的分类结果;实验结果表明,基于支持向量机的磨粒分类器的分类准确率高达94％,并且由于最近邻法的使用,分类器的处理速度也提高了30％。     

航空发动机磨损故障诊断系统研究

本文介绍的系统,通过对滑油中的磨粒形态进行铁谱显微图像自动识别的方法监测、诊断机械设备的磨损状态和磨损类故障,并辅以光谱分析实现故障定位。本文介绍了系统的组成特点和状态监测、故障诊断、故障定位、趋势预测以及专家系统开发等系统的诊断技术原理。     

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。      

基于计算机视觉和人工智能方法的磨粒形态学分析技术

随着国民经济的发展,许多行业都应用着一些大型机械,此类机械往往庞大而又精密,因此在运行监测,故障诊断和预测及视情维修等方面就提出了更高的技术要求。本文立足于铁谱技术,应用计算机显微视觉及人工智能方法,对发动机润滑系统油中的磨损颗粒进行磨粒形学显微分析,从而为磨粒的综合识别提供了依据,识别了磨粒类别及来源,就可以判断发动机的运行状态,并对其未来运行状态提供可靠预测。     

基于多参量状态信息融合的刀具磨损状态智能识别

鉴于刀具磨损监控在自动化生产中的重要性,建立了基于切削力和基于相对切削时间的两种磨损检测模型．切削力模型是利用回归算法和模糊分类技术建立的,通过检测切削力信号可在线识别刀具磨损状态．基于相对切削时间模型利用回归技术直接建立刀具磨损量与切削参数及时间的关系,可在较大的切削条件变化范围内实现对刀具磨损的识别．     

磨粒磨损对砂带磨削TC17表面完整性的影响研究

砂带磨粒磨损直接影响磨削表面质量进而影响构件综合服役性能.以表面完整性为评估指标,对砂带磨损前后钛合金的表面加工质量进行了试验研究,揭示了砂带磨粒磨损对磨削TC17表面粗糙度、残余应力和表面硬度的影响规律及机制.结果表明,磨粒磨损后由于高度均匀化、单位面积切削磨粒数增加、磨削深度减小,使得表面粗糙度减小、纹理均匀细腻,...     

一种航空发动机滚动轴承磨损故障监测技术

针对航空发动机滚动轴承磨损状态监测对长轴尺寸大于10μm的故障敏感磨粒检测的需要,研制了多功能油液磨粒智能检测与诊断系统,克服了传统光谱分析对大磨粒不敏感的缺点,以及传统铁谱分析检测步骤烦琐的不足,可直接对流动的油液中大于10μm的运动磨粒进行检测.提出了油液运动磨粒的7个数字特征参数及其识别策略,实现了磨粒的自动识别,识别率基本上达到99%以上.利用实际的航空发动机油样进行了试验验证,并与传统光谱分析进行了对比,试验结果表明该系统较光谱分析具有更强的检测力和更优的时效性.      

双BP神经网络在磨损颗粒自动识别中的应用

引入了一套磨粒形态学描述子来提取磨损颗粒的显微形态特征 ,然后以此为输入参数提出了一套BP神经网络 ,对磨损颗粒进行自动识别分类。针对本网络输入参数多 ,网络训练耗时长的问题 ,尝试采用因子模糊化的网络训练方法 ,大幅度提高了神经网络的训练速度 ,并取得了较好的应用效果。     

基于域对抗门控网络的变工况刀具磨损精确预测方法

刀具磨损的精确预测对保证零件加工质量、提高生产效率和降低制造成本具有重要作用。在实际加工过程中,切削参数、刀具几何参数、刀具材料等工况复杂多变,工况信息和刀具磨损量对监测信号的耦合作用为刀具磨损的精确预测带来了很大挑战。针对以上问题,提出了一种基于域对抗门控网络（DAGNN）的变工况刀具磨损精确预测方法。引入工况分类网络并利用无磨损量标签样本,通过域对抗和门控过滤机制自适应地从不同工况的原始监测信号中提取表征刀具磨损且对工况变化不敏感的关键信号特征。对信号特征提取网络和刀具磨损预测网络进行迭代优化,从而实现变工况刀具磨损的精确预测。实验结果表明：相比已有的方法,本文方法能够利用少量带磨损量标签的目标工况样本实现刀具材料和刀具直径变化情况下的刀具磨损量精确预测,预测精度大幅提高。     

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。      

基于深度学习的滑油监测方法研究

针对传统的数据特征提取方法难以提取航空发动机滑油监测数据有效特征的缺陷,提出了一种基于多尺度卷积神经网络(Multi-scales convolutional neural network,MSCNN)、长短期记忆(Long short-term memory,LSTM)神经网络和BP网络的单通道网络模型MSCNN-LSTM-BP。将多尺度学习融入CNN,MSCNN和LSTM以串行方式提取数据在空间维度和时间维度的二维特征。实验结果表明:3尺度的MSCNN-LSTM-BP对数据样本的分类准确率达到98.2%,单组电容数据采集测试时间仅为2.1986ms,综合分类率F1达到98.57%,总体性能优于CNN,LSTM和传统的多尺度特征提取方法。MSCNN-LSTM-BP满足航空发动机滑油监测对于实时性和准确性的要求,具有良好的适用性。     

基于小波神经网络的齿轮系统故障诊断

通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断.      

基于DNET的空中红外目标抗干扰识别算法

复杂空战背景下针对人工干扰的博弈是红外空空导弹精确探测制导技术发展面临的瓶颈和核心技术。针对人工干扰对空中红外目标产生的遮蔽、黏连、相似等干扰现象,以及目标机动和相对运动造成的形状、尺度、辐射特性剧烈变化等实际问题,提出一种基于信息特征提取的深度卷积神经网络DNET空中红外图像目标抗干扰识别算法。首先,DNET网络对大尺度特征图像采用密集连接模块,在前部通道保存每一层的网络输出,在网络末端引入特征注意力机制,获得每个特征通道的信息特征识别权重。然后,加入多尺度密集连接模块,并与多尺度特征融合检测结合,提高对大尺度变化情况下的目标特征提取能力。实验结果表明,在伴随红外诱饵干扰的实时检测条件下,红外目标由点目标变化为成像目标,直至充满视场的整个过程中,本文抗干扰识别算法的识别精确度、召回率及识别速度分别达到99.36%、96.95%、132 fps,具备识别精确度和召回率高、识别速度快等优点,并具有良好的鲁棒性。     

基于深度神经网络的空中目标作战意图识别

传统基于空中目标特征状态推理作战意图的方法,需要大量的领域专家知识对特征状态的权重、先验概率等进行量化,明确特征状态与意图之间的对应关系,而神经网络可以在领域专家知识不足条件下,通过自身训练得到特征状态与意图之间的规则。针对反向传播（BP）算法在更新网络节点权值时收敛速度慢、容易陷入局部最优的问题,通过引入ReLU（Rectified Linear Unit）激活函数和自适应矩估计（Adam）优化算法,设计了基于深度神经网络的作战意图识别模型,提高了模型收敛速度,有效地防止陷入局部最优。仿真结果表明,所提方法能够有效识别空中目标作战意图,获得更高的识别率。     

基于SE模块改进Xception的动物种类识别

Xception是Inception网络的一种极端化表现,在与Inception v3参数相近的情况下,它能够达到更高的准确度。由于神经网络提取的特征不一定都是有用特征,因此以Xception为基础,将SE(Squeeze and Excitation）模块加入该网络,调整特征通道的权重,使得网络的精确度得到提高。通过实验,融合SE模块的Xception网络训练精确度分别在Oxford-IIIT Pet数据集和CUB_200_2011数据集上提升了1%~1.7%和0.8%~1%,证明了SE模块能够进一步提升Xception的精确度。将改进后的Xception应用到动物种类识别中,根据精确度曲线对实验策略调整改进,最终在测试集上获得95.63%的识别率。