一种临近空间太阳能无人机自主故障诊断及应急处理策略

依据临近空间高空长航时太阳能无人机的特点,提出一种适用于此类无人机的自主故障诊断及应急处理策略。具体地,构建飞控系统故障诊断体系结构及逻辑规则,综合利用单机设备的状态回报、传感器输出等信息,设计逻辑规则判定单机状态或整机的飞行状态是否异常,并结合当前的飞控模式和飞行阶段确定应急等级和相应的处理策略。从设备复杂度和处理逻辑上讲,本策略较传统无人机的应急处理策略有较大差别,是一种新型的飞控系统自主故障诊断及应急处理策略,可为太阳能无人机飞控应急系统设计提供有效参考。     

基于飞行数据分析的发动机故障诊断系统研究

依据现有的发动机故障诊断方法,研究发动机故障诊断系统,通过对飞行数据中反映发动机性能指标的关键参数数据进行分析,说明系统对航空发动机故障诊断的可行性和必要性,研究结果对于提高发动机维护的快速性和准确性具有重要意义.     

智能控制在航天推力矢量伺服系统中的应用及展望

运载火箭控制技术的快速发展对推力矢量伺服系统提出了面对复杂非线性负载的自适应力位综合控制,智能故障诊断管理等新要求。结合近年来智能控制理论的进展,分析了几种可用于推力矢量控制的新型控制方法。在伺服系统中应用一些先进的智能控制理论,有望在负载辨识和模拟、自适应主动柔顺控制、故障诊断及余度管理等方面取得比传统控制方法更好的应用效果。     

基于AFI混合聚类算法的轴承故障诊断方法

针对滚动轴承振动信号标记数据量小、故障模式多样的现状，提出了一种基于AFI混合聚类算法的半监督式轴承振动信号故障诊断方法。利用小波包分解方法提取了信号的能量特征谱，并通过主成分分析方法增强了信号的特征；参考迭代自组织数据分析的“分裂”和“合并”的思想，为人工鱼群算法中的个体鱼增加了“分裂进化”和“合并进化”行为；采用模糊C均值方法定义了隶属度矩阵和目标函数，并利用改进的人工鱼群算法，迭代搜寻了目标函数的全局最优解，得到了各故障模式的聚类中心；通过计算测试数据的最近邻聚类中心，实现了故障模式识别。结果表明，该方法无需指定聚类簇数，能在标记数据量小的情况下完成训练，较同类方法表现出了更优的故障模式识别性能。     

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

航空发动机锥齿轮故障诊断技术研究

通过在锥齿轮相对应的附件机匣壳体上固定加速度传感器,在发动机试车过程中采集锥齿轮振动信号,识别特征信号,运用时频分析法、低秩稀疏分解算法、稀疏正则算法、谱峭度法分别对锥齿轮故障特征信号进行分析处理,通过比较分析,表明低秩稀疏分解算法能够有效滤除噪声和谐波干扰信号,增强故障特征信号的显著性,识别锥齿轮潜在故障,解决了锥齿轮微弱振动信号难以分离和识别的技术难题,实现了航空发动机锥齿轮故障诊断,保证了锥齿轮工作可靠性和安全性,为航空发动机锥齿轮故障诊断提供了新方法。     

基于振动参数聚类融合的空间轴承故障辨识方法研究#br#

轴承是飞轮和控制力矩陀螺(CMG)等空间惯性执行机构的核心部件，其健康状态直接影响整机性能和使用寿命.当前，由于轻载轴承在正常运转时也可能产生类似于微弱故障特征的现象，导致单一故障特征参数难以辨识正常和微弱故障状态.针对这一问题，本文提出了一种基于振动参数聚类融合的轴承微弱故障辨识方法.首先，通过轴承振动实验获得数据；然后，基于特征频率比值等方法对振动信号进行特征参数的提取；在此基础上，利用K Medoids算法对正常样本进行聚类，并根据3σ法则构建正常运转的安全边界；最后，计算不同轴承故障数据的超限概率，根据概率大小进行故障状态的识别.结果表明，该方法对轴承正常和微弱故障的辨识是可行和有效的.     

基于未知输入观测器的四旋翼无人机故障诊断与模型参考容错控制

对四旋翼无人机（Unmanned aerial vehicle， UAV）姿态控制系统的执行器故障诊断问题进行了研究，在系统模型方面全面地考虑了模型的非线性和四旋翼无人机在飞行过程中受到外部干扰的情况。由于未知输入观测器可以将干扰、误差等作为未知输入进行处理，对干扰不敏感而对故障比较敏感，故设计了一种新的未知输入观测器进行故障诊断。同时为了保持四旋翼无人机在故障发生后的稳定性或者仍然可以按照预定轨迹运动，在得到准确的故障估计后为四旋翼无人机姿态控制系统设计了模型参考容错控制器，使其可以跟踪给定的参考模型。仿真结果证明了本文提出的故障诊断与容错控制方法的有效性。     

深度卷积神经网络在轴承多故障复合诊断中应用研究

基于深度学习具有强大的自特征提取能力和较优的分类能力,将深度卷积神经网络引用到轴承的故障诊断中,提出了基于一维深度卷积神经网络的轴承复杂工况故障诊断方法。在提出的方法中,将轴承的多故障振动信号作为模型的直接输入,通过训练深度卷积神经网络模型,利用模型中多个卷积层和池化层对输入的振动信号进行自特征提取,并进行故障分类。从而以基于数据驱动的方式形成端到端的故障诊断。研究表明,在一维深度卷积神经网络中直接输入轴承振动信号进行故障诊断,与提取时域和频域特征结合支持向量机进行故障诊断的方法相比,深度卷积神经网络可以更好地反映时域振动信号与特征间的关系,获得了比传统智能诊断方法更高的识别效率。