基于EEMD分解的直驱式机电作动器故障诊断

基于集合经验模式分解 (EEMD,Ensemble Empirical Mode Decomposition)算法,给出一种机载直驱式双余度机电作动器(DDDR-EMA,Direct-Driven Dual-Redundancy Electro-Mechanical Actuator)复合故障诊断方法.EEMD对信号加入有限幅度的高斯白噪声,利用高斯白噪声频率均匀分布的统计特性使信号在不同尺度上保持连续性,解决了经验模式分解的模式混叠缺陷并保留了自适应性.将EEMD方法应用于机载DDDR-EMA故障诊断实验振动信号分析,先对实测信号进行分解,得到一组无模式混叠的固有模式函数;再采用不同的方法分析各频段,提取各频段包含的故障特征.实验结果表明:与经验模式分解相比EEMD能提高故障信号的分析精度,准确诊断机载DDDR-EMA的复合故障.     

伪多源采样复域FastICA冲击定位算法

使用传感器阵列对材料结构冲击损伤进行定位,有助于及时发现损伤及潜在威胁,保障结构安全性。采用盲源分离(BSS)对传感器阵列信号进行预处理,提出单通道伪多源采样方法,利用每个传感器的分时段信息构建该传感器多源观测信号作为复域FastICA算法的输入,分离出每个传感器观测到的带有相位信息的冲击信号;结合阈值时延定位方法求解平面冲击事件的坐标。理论推导和数值仿真验证了本文设计的联合冲击定位算法的有效性。冲击定位平台上的实验结果表明,联合冲击定位算法可以从冲击-振动混合信号中分离出冲击信号,提高阵列传感器冲击定位的时延分析准确性。同时对传感器数量少于源信号的欠定BSS问题提供了一种解决方案。      

航空液压泵柱塞游隙增大故障诊断

柱塞游隙增大是航空液压泵典型的渐进性故障之一,其故障特征模糊,样本有限,故障数据充满噪声,对其进行精确的故障诊断十分困难,因此提出了一种基于简约支持向量机的故障诊断方法.利用粗糙集对故障特征变量进行简约,去除冗余信息,在保证分类质量不变的前提下寻求覆盖系统故障特征的最小属性集合;将简约后的数据样本用来训练支持向量机进行故障分类.使用训练完成后的简约支持向量机进行故障诊断的实验结果表明,此种诊断方法适合于航空液压泵柱塞游隙增大的高精度故障诊断.     

基于深度残差收缩网络的滚动轴承故障诊断

滚动轴承的准确故障诊断是确保机械设备安全可靠运行的必要手段。针对多故障、长时间序列的滚动轴承振动信号，提出了一种基于深度残差收缩网络(DRSN)模型的故障诊断方法。首先，根据采集到的滚动轴承数据构造故障样本，针对多种故障类型下的长时间序列的振动信号，按照一定尺寸将长时间序列矩阵化，构成多故障类型的灰度图故障样本。从正常到故障的滚动轴承性能退化过程，通过多个采样点的随机采样，构造全寿命周期的故障样本用于故障诊断。其次，在多层深度学习模型基础上，将残差收缩网络模块加入到卷积神经网络(CNN)中构建深度残差收缩网络模型用于故障诊断，其中通过将残差项加入到网络中训练解决了多层网络模型的模型退化问题，利用软阈值化实现了样本降噪。最后，为了验证所提方法的有效性，采集了滚动轴承的多故障时间序列样本和全寿命周期故障样本用于故障诊断。实例验证的结果表明:所提深度残差收缩网络模型在处理含噪声样本时仍具有良好的鲁棒性，多层网络模型下没有明显的网络退化，能够保持较高的故障诊断正确率。在处理2种轴承故障数据集时，与其他模型相比，所提方法训练误差更低，平均故障诊断正确率提高1%~6%。      

小样本下基于孪生神经网络的柱塞泵故障诊断

针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明：与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明：所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。     

运载火箭飞行振动信号盲源分离方法

针对振动信号在火箭复杂结构传播过程中产生强卷积效应导致振动源信号提取精度低的难题,研究了一种基于卷积盲源分离的火箭振动信号自适应提取方法。该方法基于振动源之间的独立性,建立四阶统计量的目标函数,并采用随机梯度法实现参数的自适应更新,优化建立火箭复杂结构系统的逆滤波器结构,进而得到原始的振动源信号。通过对某运载火箭发动机的高频振动数据进行分析,结果表明：相比于线性自适应盲源分离方法、非线性自适应盲源分离方法,卷积自适应盲源分离由于考虑了实际中的卷积效应和欠定情况,分离结果中能够明显找到与涡轮转动和燃烧对应的频率,以及一些宽频激励,验证了提出方法的有效性。     

基于盲源分离技术的航空发动机振动信号分析

基于双转子航空发动机机匣拾取振动信号特征的分析,采用基于数学形态学滤波前处理的盲源分离识别方法进行特征提取.针对机匣拾取振动信号的特征,利用开—闭和闭—开组合数学形态滤波器在保留信号基本形状的前提下,滤除掉原始信号中的噪声分量.利用Fast ICA算法恢复高、低压转子源振动信号的波形.对实测数据的分析表明,该方法能够较好地恢复高、低压转子所激振动信号的频域结构信息,有利于提高故障定位的准确性.     

基于小波包和Elman神经网络的液压泵故障诊断

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点,及 传统的BP网络进行故障诊断时网络学习具有收敛速度慢和学习、记忆不稳定的缺陷,提出了 一种将小波包变换和改进Elman神经网络相结合,进行液压泵故障诊断的新方法.利用具有 紧支结构的小波函数对信号进行分解,削减小波系数以滤除信号中的噪声;单支重构以有效 提取各频带的故障特征,并以频带能量作为识别故障的特征向量;应用改进的Elman神经网 络建立从特征向量到故障模式之间的映射,实现液压泵故障分类.试验结果表明,采用小波 包和改进Elman神经网络相结合的方法可有效的实现液压泵故障的诊断.      

一种自适应观测器设计和故障检测方法

利用模糊系统和径向高斯函数网络,设计一种具有自适应能力的模糊神经网络.用高斯函数表示模糊规则前件的隶属度函数,然后,构造一种递阶自组织在线学习算法,从输入输出样本数据中,通过学习提取模糊IF-THEN规则;在此基础上,提出一种非线性时变系统的自适应状态观测器设计和故障检测方法,并对其结构及特征进行了讨论,仿真结果表明,这种自适应状态观测器能很好地观测系统的状态,并能有效地应用于系统的故障检测.     

一种改进的固液火箭发动机故障诊断方法

针对固液火箭发动机的可靠性问题，设计了一种改进的贝叶斯网络故障诊断方法，可以通过网络化自主逻辑推理，对固液火箭发动机进行故障诊断。为了提取时序观测信号的故障特征，提出将步进法与核主成分分析(KPCA)相结合的分析方法，并根据模糊C均值聚类算法(FCM)建立模糊多态贝叶斯网络，实现对观测信号尺度的模糊处理，提高对不确定性故障的诊断能力。通过Matlab/Simulink建立改进的贝叶斯网络故障诊断系统。仿真结果表明，改进的算法能够实现对固液火箭发动机常见故障的有效诊断，并能够适应小样本集学习的情况。与传统贝叶斯诊断算法相比，故障诊断的平均准确率提高了20.9%。     

基于SSA和BSS的单通道盲信号分离算法

针对空间侦察中单通道宽带接收机截获到多个独立辐射源信号时的盲源分离问题,提出了一种新的单通道盲信号分离算法。该算法首先利用奇异谱分析（SSA）构建伪阵列信号,进而采用盲源分离算法（BSS）实现信号分离。仿真试验表明：该算法可以有效地分离空间侦察中的几种常用信号,对单频信号和线性调频信号构成的单通道信号,在信噪比大于6dB时,分离前后信号的相似系数大于0.9;对不同的相移键控信号构成的单通道信号,在信噪比大于4dB时,误码率小于0.01。     

极化通道扩展和盲源分离联合抗移频干扰技术

多次移频干扰是一种有效的对抗线性调频(LFM)脉冲压缩雷达的相干干扰样式,应用于自卫式干扰时,能够形成多个超前和滞后分布的假目标。提出利用盲源分离(BSS)的方法来分离回波和干扰信号,并通过频率补偿实现对干扰的抑制。首先分析了利用正交极化辅助天线扩展接收通道的可行性,其次建立了通道扩展后的雷达接收信号模型,讨论了回波与干扰信号的可分离性,最后研究了基于最大信噪比盲源分离和频率补偿的干扰抑制方法,并讨论了干扰机附加噪声对抗干扰效果的影响。仿真结果表明本文提出的方法在干信比为20 d B时,仍可以有效地从回波和干扰混叠信号中提取出目标回波信号,从而实现对主瓣移频干扰的对抗。     

卫星接收系统抗干扰的卷积盲分离算法

提出一种新的卷积混合盲分离算法,并把该算法应用到卫星通信抗干扰中,将通信信号和干扰信号分离开,以实现抗干扰的目的。该算法使用基于初等反射矩阵的高阶累积量联合对角化法来分离卷积混合的卫星通信信号和干扰信号。计算机仿真表明,在噪声环境下,信噪比大于10dB时该算法有较好的分离效果,信噪比小于10dB时分离性能有所下降,但基本也能实现分离,且与其他文献中方法相比具有计算复杂度低、分离性能好的特点,因此更适宜用于卫星通信抗干扰。     

基于时频域增强和全变差的群目标信号分离

针对低分辨雷达获取的群目标信号的弱时频正交性以及难以分离的问题,在进行时频域增强处理的基础上,提出了一种基于全变差(TV)的群目标信号分离方法。在旋转目标模型的基础上,首先通过分析群目标信号的稀疏性,指出了进行时频域增强处理的必要性。然后利用群目标中各子目标对应的微动周期的差异性,通过双向延迟处理,对多次观测得到的群目标信号进行时频域增强处理。最后根据群目标信号能量区域的分布特性,利用局部TV融合和主分量分析相结合的方法,实现了群目标信号的高保真分离。仿真结果表明,在采样率较低的情况下,文中方法有效地解决了群目标信号中弱信号分量的分离及提取问题,其融合分辨效果明显优于基于TV范数的融合方法。      

基于NMF的SVM故障诊断方法

针对大维数系统故障诊断中存在特征提取困难和识别率低的问题,提出基于非负矩阵分解(NMF,Non-negative Matrix Factorization)的支持向量机(SVM,Support Vector Machine)诊断方法,避免了直接对故障特征的选择和提取,实现特征降维,提高故障模式分类的准确性和速度;对于NMF中的结果随机性问题,提出用前次分解所得系数矩阵求解样本降维特征矩阵的方法,保证多次NMF分解尺度一致.实验表明该方法能对故障特征有效降维,并具有较高的诊断效率和故障识别率.     

基于峭度熵与分层极限学习机的动量轮轴承故障诊断研究

动量轮是卫星姿态控制系统的关键部件，其可靠性直接关系到整星寿命与安全。作为动量轮的核心组件，轴承易于发生故障，且独特结构和复杂运行环境导致监测信号信噪比低，早期故障诊断困难。针对这种情况，对变分模态分解和峭度熵结合的特征提取方法进行研究，获得动量轮轴承监测信号中的微弱故障特征，并建立特征向量。引入分层极限学习机，对结构和编码方法进行优化后用于轴承故障的识别。最后，将提出的方法用于实际故障的诊断，并通过与传统ELM方法比较，得出提出的方法在动量轮轴承故障诊断中具有更高的诊断精度，达到98.5%。     

基于半监督迁移学习的轴承故障诊断方法

针对航空发动机轴承故障诊断过程中预测精度不足以及过拟合的问题,提出基于迁移学习的半监督集成学习器（SSIT）用以发动机轴承故障预测。首先,训练改进的基于迁移学习的极限学习机（TELM）以及基于迁移学习的支持向量机（TSVM）,分别迁移不同目标空间的高相似度样本加入到源样本空间进行训练。然后,与对应的基学习器集成同簇学习器来识别未标记样本,构成半监督学习器不断调整初始基学习器权重,并继续集成半监督基学习器的识别结果到SSIT中。通过此学习机识别提取特征后的,用以故障识别。实验结果清楚地表明:此种方法可以有效降低迁移学习中的负迁移效果,提升迁移精度10%左右,降低机器学习中的过拟合效果,提高半监督学习稳定性,与现有的预测方法相比可以提高精度9%以上。