基于卷积双向长短期记忆网络的轴承故障尺寸估计

基于振动监测数据的航空发动机滚动轴承损伤大小识别,对于研究滚动轴承故障演化、故障预测和故障诊断具有重要意义。针对传统模型对先验知识依赖性高、特征提取不充分、故障尺寸训练类别有限等问题,提出了一种基于深度学习的滚动轴承损伤尺寸预计方法,能够对训练过程中未出现的中间尺寸进行准确识别。在经典模型的基础上,搭建了一种深度卷积网络与长短期记忆网络组合模型,该模型可对轴承振动信号的多维特征与时序特征进行充分提取,实现轴承故障的智能和高效诊断。最后,利用滚动轴承加速疲劳试验机,进行了多种转速与损伤尺寸下的滚动轴承故障试验,基于试验数据进行了方法的比较,结果表明,该组合网络的在正常和加噪的情况下预测精度分别达到99.94%和98.67%,较单独的深度卷积网络、长短期记忆网络及其他模型精度更高,比较结果充分表明了本文所提方法的优越性。     

基于多模型的航空发动机传感器混合故障诊断方法

本文在多模型架构下,提出一种航空发动机传感器在线混合故障检测与隔离算法。利用长短期记忆网络逼近航空发动机建模误差、健康参数变化、过程噪声和测量噪声等不确定性源引起的真实发动机与机载模型之间的偏差。将传感器测量输出与不确定性值的偏差用于一种基于多模型的混合卡尔曼滤波器组算法中,利用贝叶斯方法计算每个传感器在健康模式和不同故障模式下的条件概率,然后根据最大概率准则进行传感器故障检测与隔离,克服了阈值难以选取的问题。针对某型涡扇发动机传感器发生偏置故障、漂移故障和间歇性故障的情形进行仿真验证,并对比了不同传感器之间的检测与隔离精度。结果表明：所提出的方法可以在更高水平的退化下诊断出发动机传感器常见的故障,混合方法对不同不确定性源具有鲁棒性。     

基于IRCMNDE和NNCHC的滚动轴承故障诊断

针对多尺度散布熵（MDE）在粗粒化过程中易发生信息丢失、产生虚假信息,难以全面提取轴承故障信息的问题,提出了基于改进的精细复合多尺度归一化散布熵（IRCMNDE）和最近邻凸包分类（NNCHC）的滚动轴承故障诊断方法。引入精细复合多尺度散布熵（RCMDE）,将其粗粒化过程中平均值替换为最大值来表示数据段信息,以克服传统粗粒化过程的不足并突出故障特征。通过归一化操作减弱熵值计算时不同参数选择导致的熵值波动幅度,得到IRCMNDE。将IRCMNDE作为故障特征,使用NNCHC分类器对故障特征进行分类。经实验验证,该方法可达到98.98%的故障识别准确率,相比基于MDE（故障识别准确率为95.99%）和RCMDE（故障识别准确率为97.60%）的方法,能够更准确地提取滚动轴承的故障特征信息,提高承故障分类的准确性。      

高压压气机可调静子叶片角度a2摆动故障诊断与分析

针对某型航空发动机高压压气机可调静子叶片角度a2摆动故障,以a2控制系统及其原理为基础,建立覆盖整个控制系 统的故障树,并且综合考虑各零部件发生故障的概率、维护排故工作的工作量及难易程度,制定合理有效的排故方案。结果表明： 故障原因为反馈钢索预紧力过紧。本次排故过程介绍的结构原理和总结的排故经验,对a2摆动故障诊断具有指导作用,对该型发 动机在外场使用维护过程中a2相关故障具有借鉴意义,为促进发动机快速成熟提供了技术支撑。     

基于云平台的电机设备远程运维系统设计

针对电机设备远程运维需求,在分析电机设备远程运维优势的基础上,设计了基于云平台的电机设备远程运维系统。对远程运维系统的架构和主要功能进行了详细阐述。电机设备远程运维系统可降低设备售后成本、提高售后服务质量,进而改进设备质量;同时也可降低用户停机、维修时间,极大地提高用户生产效率。     

基于MISG算法的风力发电机液压变桨系统故障诊断

针对受状态延时影响的风机变桨系统故障诊断,提出了一种基于多新息随机梯度(MISG)的故障诊断方法。该方法将复杂系统转化为状态空间模型,并建立系统辨识模型。将新息标量扩展成新息向量改善算法精度,利用系统发生故障引起参数改变的特征,算法对风机状态延时变桨系统完成参数估计,将系统故障诊断问题转换为系统辨识问题。仿真所得结果验证该方法可以达到诊断风机状态延时变桨系统故障的目的。     

双馈异步风力发电机气隙偏心故障诊断研究现状与发展

双馈异步风力发电机(DFIG)机械故障在实际运行中尤其不可忽略,不论是转子刚度不足还是轴承磨损或安装误差,都会导致气隙偏心,严重时甚至会烧毁电机,因此对风机进行准确高效的气隙偏心故障诊断至关重要。简单介绍DFIG产生气隙偏心的故障机理,再对当前已有的相关故障诊断方法做重点归类阐述,最后展望未来的DFIG气隙偏心故障诊断方法的发展趋势和方向。     

基于SSD-HT时频阶比跟踪的变转速转子故障诊断

为解决变转速工况下转子故障特征难以提取的问题,提出一种基于SSD-HT时频阶比跟踪的转子故障诊断方法。应用一种新的信号分解方法—奇异谱分解对转子故障振动信号进行分解,得到包含故障特征信息的奇异谱分量。运用希尔伯特变换计算各个有效奇异谱分量的瞬时频率,获取故障信号的时频分布。根据时频分布中的转频信息对原始振动信号进行阶比跟踪分析,提取直观的阶次特征。仿真分析与实验分析结果表明,在无转速测量装置条件下,所述方法可准确判别变转速工况的转子故障模式,相对于传统分析方法表现出一定的先进性。     

航空发动机健康估计的神经网络修正卡尔曼滤波算法

针对商用航空发动机与气路相关的传感器分布不均、且个数小于气路健康参数的个数、使用卡尔曼滤波算法估计全部气路健康参数时容易出现误判的特点,提出一种神经网络修正的卡尔曼滤波算法。该算法在每个采样周期内利用BP神经网络来修正个体的偏移方向,按粒子滤波算法计算每个个体的权值用以估计总体的均值和协方差,然后利用卡尔曼滤波算法更新所有个体,并将总体的均值作为当前时刻的估计结果。通过对商用航空发动机部件级模型在多个飞行状态点数字仿真模拟9种气路突变故障,由7个可测输出估计全部10个健康参数,该混合算法的估计误差相比BP神经网络与无迹卡尔曼滤波算法分别平均降低了34.6%与47.9%。