基于稳定约束的自适应随机共振转子故障检测方法

为解决应用传统遗传算法优化的随机共振(Stochastic resonance, SR)方法易出现的计算发散问题,提出一种基于稳定约束的自适应随机共振方法。对求解随机共振的Langevin方程进行了稳定性分析,得到了考虑输入信号的条件下,使系统输出稳定的频率压缩比R的约束公式。将该稳定性条件应用于遗传算法参数的寻优过程,将原来的无约束最优化问题转化为有约束最优化问题。将改进后的自适应随机共振方法应用于转子早期碰摩故障检测,分析结果表明,该方法确保了系统输出的稳定性,寻优过程中的频率压缩比R的取值均在约束值以下,避免了计算发散现象,实现了在强噪声条件下对微弱故障信号的提取。      

一种基于指数损失函数的多类分类AdaBoost算法及其应用

 提出一种新的多类分类AdaBoost算法——使用多类分类指数损失函数的前向逐步叠加模型FSAMME（forward stagewise additive modeling using a multi class exponential loss function）。该算法是基于原始的两类分类AdaBoost算法归结为使用两类分类指数损失函数的前向逐步叠加模型的统计学观点,将两类分类的前向逐步叠加模型自然扩展到多类分类情况下得到的,并采用多类指数损失函数和前向逐步叠加模型对FSAMME进行了详细的理论证明。该算法大大降低对弱分类器的精度要求,只需每个弱分类器的精度比随机猜测好;算法简单明了,不用把多类问题转化为多个两类问题,而是直接求解多类分类问题,大大减小计算复杂度和计算量。通过对基准数据库的测试分类及航空发动机故障样本的诊断,结果表明:FSAMME算法一方面可达到较高的分类诊断准确率,其准确率明显高于AdaBoost.M1,略高于AdaBoost.MH;另一方面可大大减小计算成本,满足在线快速分类诊断的要求。     

表征某型发动机工作状况的特征参数研究

通过总结某型发动机的使用经验，提出了表征该型发动机工作状况的特征参数，并利用样本数据对所提出的特征参数进行了验证。结果表明，所提出的特征参数能够较为有效地反映发动机的工作状况，为发动机的状态监测和故障诊断提供了依据。     

基于卡尔曼滤波的航空发动机单神经元自适应控制

针对航空发动机多任务、多变量、高精度和一体化控制的需求,提出了一种基于卡尔曼滤波的单神经元自适应控制方法。该方法在单神经元自适应控制算法的基础上,增加了对控制量和发动机反馈量的滤波,提高了响应速度,精度较高。仿真结果证明,该方法对过程噪声和测量噪声具有很强的克服能力,所需计算量较小,能满足发动机控制对实时性的要求。     

一种基于相邻模块化加权D-S的融合诊断方法

常规D-S (Dempster-Shafter)决策融合方法由于其自身理论不足,不能很好直接处理决策结果偏差大、冲突大的传感器融合问题,因而对于信息高冲突情况下的转子微弱故障融合诊断存在着失效问题。针对该类问题与不足,借鉴复杂网络的舆论传播、社会学习理论及多智能体一致性决策的相关概念与思路,从避免决策结果冲突大的传感器直接进行融合的角度进行改进,提出相邻模块化加权D-S融合方法。该方法首先根据初步结果进行相邻节点与模块划分,只有决策距离在相邻界限值范围内的相邻模块节点才能进行决策融合;对于同一模块内相邻节点,根据各节点决策权重及初步决策结果采用加权D-S融合方法进行决策融合;针对融合结果再进行相邻节点模块划分与融合,依此步骤进行循环划分与融合,直到所有模块与节点均不相邻;最后采用专家权威决策方法确定权重和最大的模块融合结果作为最终的传感器网络一致性决策结果。通过多传感器网络的转子故障模拟实验对所提方法进行验证,应用结果表明:所提方法可以较好解决少数传感器诊断正确、而多数诊断错误的信息高冲突条件下的局部微弱故障融合诊断问题。     

基于Volterra-Laguerre扩展模型的发动机加速过程辨识

提出了航空发动机的动态非线性Voherra-Laguerre扩展模型的辨识建模方法.应用Laguerre序列简化线性系统的原理,将Volterra级数模型拓展为Volterra-Laguerre扩展模型,该模型较传统Volterra级数模型减少了辨识量,提高了辨识速度.采用航空发动机地面试车数据辨识建立了其加速过程非线性Volt-erra-Laguerre扩展模型,通过递推最小二乘法辨识了模型参数.仿真结果表明,模型精度高,高低压转子相对转速误差均小于1%,涡轮后燃气温度误差小于3℃,满足发动机控制仿真的需要.     

基于核函数主元分析的航空发动机故障检测方法

航空发动机性能由正常到异常、再由异常发展到完全故障的阶段,其参数变化具有一定非线性特征。为了有效检测这种具有非线性特征的故障,提出一种基于核函数主元分析(KPCA)的非线性故障检测方法。该方法通过核函数完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间,在特征空间中使用线性主元分析(PCA)方法计算主元,构造T2和SPE统计量检测故障的发生。通过对某型涡扇发动机进行实例验证分析,结果表明,KPCA方法一方面克服了综合参数法由于没有确定的警戒值而无法有效地进行故障检测的不足;另一方面KPCA方法在非线性故障检测过程中能够提取重要的非线性特征信息,因而比PCA方法能更早地检测到早期潜在故障,且KPCA方法检测错误率更低。因此,KPCA方法更适合于具有非线性特征的航空发动机故障检测。     

一种航空发动机性能监控的免疫神经网络模型

提出了一种基于免疫神经网络的航空发动机性能监控与故障检测模型.利用人工免疫系统的识别机理,并结合人工神经网络,确定发动机性能偏离正常值的程度(异常度),实现发动机性能趋势的监控.该方法能够灵敏、准确地反映发动机整体性能的变化情况,提高发动机性能正常与否的识别率,并以此来发现发动机潜在早期故障,防止故障的扩大.通过对某型涡扇发动机进行监控,证明该方法确实有效.      

基于粗糙核Fisher鉴别分析的特征提取及其在发动机故障诊断中的应用

将粗糙集理论的属性约简与核Fisher鉴别分析方法结合起来,提出一种基于粗糙核Fisher鉴别分析的故障特征提取方法.首先采用粗糙集理论的属性约简删除与分类无关或关系不大的特征,降低输入特征维数,排除干扰特征的影响,减小了特征提取计算量;再采用核Fisher鉴别分析方法进一步提取非线性特征;最后将该方法应用于航空发动机滑油系统故障特征提取及故障识别中.结果表明:该方法获取的特征在提高分类正确率的同时,还有效地降低了输入特征维数,提高了分类效率,并且对分类器具有较强的适应性和鲁棒性.      

DiverseAdaBoost-SVM分类方法及其在航空发动机故障诊断中的应用

 提出采用考虑到精度/差异权衡的SVM作为弱分类器的一种新的组合分类诊断方法——Diverse AdaBoost-SVM。该方法通过在一组具有适当精度的弱分类器中进一步选择具有较大差异性的弱分类器，对这些具有较大差异性的弱分类器进行组合，从而较好解决AdaBoost算法中存在的精度/差异权衡的难题；同时该方法也较好地解决了现有的AdaBoost方法存在的弱分类器本身参数选取困难问题及训练轮数T的合理选取问题。通过对基准数据库的测试及航空发动机故障样本的诊断，结果表明和其他方法相比，Diverse AdaBoost -SVM方法具有更好的泛化性能，更适合对分散程度较大、聚类性较差的航空发动机故障样本进行分类,也更适合对非对称故障样本集进行分类。