航空液压泵磨损状况预测

磨损是航空液压泵典型的渐进性故障之一,因磨损量难以测量,对磨损状况进行准确的预测比较困难.针对上述问题,提出了基于多尺度数据的支持向量机预测方法,该方法将支持向量机用于时间序列预测的基本理论和数据多尺度分解、相空间重构方法结合,能更有效地挖掘时间序列的内在联系及变化规律.采用回油流量作为反映航空液压泵磨损状况的敏感信号,将其分解为趋势项和随机项,采用多尺度支持向量机作等维信息一步预测和多步预测,利用网格方法对预测模型参数寻优.对比传统支持向量机算法分析其预测精度,结果表明:多尺度支持向量机模型预测精度更高,适于中长期预测.      

面向任务的单武器系统平均修复时间模型

平均修复时间(MTTR,Mean Time To Repair)作为一个重要的维修性定量指标,目前其预计方法及算法立足于大量的试验结果和经验估计.通过对任务—装备—维修组成的面向任务的队列模型的研究,将任务需求、武器系统的可靠性及维修性综合考虑,针对故障率和修复率均服从指数分布的可修系统,建立了一种基于M/G/1可修排队模型的武器系统MTTR的模型,并给出了定量预计方法.此模型符合基于可靠性基础上的维修理论的基本结论,避免了设计初期对大量维修统计数据的依赖,为订购方在装备采购中提出维修性定量的要求提供了依据.      

马尔可夫更新方程的迭代算法研究

冷储备系统的动态结构变化使得系统可用度分析必须基于瞬态求解,针对频域两部件冷储备系统马尔可夫更新方程解算困难的问题,提出基于时域伏尔特拉方程的迭代算法,证明了该迭代方程的唯一性和收敛性,并给出迭代算法的误差分析.理论和实例分析表明,当冷储备系统部件的工作寿命和维修时间分布是有界函数时,利用迭代算法可以容易实现时域马尔可夫更新方程的求解.      

高可靠三余度数字式作动器控制器设计与实现

对作动器控制器进行了三余度配置,介绍了冗余作动器控制器的结构、余度配置以及余度管理.结合数字式伺服作动系统的结构特点,提出了一种借助通道内控制器互监测实现通道内自监测的方法.借助比较监控、传感器自监控、通道内自监控等其它监控方法,对三余度数字式系统有效地实现了二次故障工作、三次故障安全.和其他冗余方案相比结构更简单、基本可靠性更高.基于高速数字处理器和CAN(Controller Area Network)总线开发了三余度数字式伺服作动器控制器.基于马尔可夫模型,考虑系统一次故障覆盖率、二次故障覆盖率对控制器可靠性进行了分析,该三余度控制器具有很高的可靠性.      

液压泵故障诊断的神经网络方法

利用神经网络方法解决液压泵多故障诊断的问题。文中通过对液压泵故障机理的分析，针对液压泵多故障模式提出了利用集成ＢＰ网络进行多故障诊断的策略。理论和实验结果分析表明，利用神经网络方法可以有效地诊断知识别液压泵多故障模式，其识别率随着学习样本量的增大而提高。     

液压泵轴承故障的诊断方法

利和倒谱包络方法解决液压泵轴承故障特征提取和故障诊断的问题，文中详细给出了倒谱包络的模型，然后在频域和倒频域比较正常泵和轴承故障泵的功率谱变化及倒谱包络变化。分析研究表明，轴承振动信号相对于柱塞与斜盘的振动是非常微弱的，利通常的信号处理方法进行轴承故障诊断往往难以奏效，而利用倒谱包络方法则可以突出故障信息，从而达到轴承故障诊断的目的。     

基于眼动、位姿及场景视频的人体运动方向预测方法

外骨骼机器人作为新提出的改善、提高人类生活能力的智能设备，同样需要高效智能的人机交互系统，而人机交互的第一步，则是精准预测人的行为意图。从外骨骼机器人的顶层控制角度出发，介绍了人体运动意图识别和外骨骼机器人智能交互能力的研究现状，并对人体运动方向识别进行了研究。提出了一种结合眼动信息、位姿信息及场景视频信息的多信息融合的人体运动意图识别网络架构，并进行了采集设备的穿戴实验。利用实验数据，对提出的网络方法进行了实验验证。结果表明:所提出的人体运动方向的识别系统，可以预测出人体运动过程中的运动方向。      

大型飞机机载系统预测与健康管理关键技术

为确保飞机的高可靠性、高安全性和高维修保障性,大型飞机机载系统均装备了先进的故障预测与健康管理(PHM)系统,以实现高可靠运行和健康服役。从大型飞机健康管理体系结构入手,介绍了基于国际标准分层开放式的故障预测与健康管理空地结构,及其开放式、模块化和标准接口规范。着重分析了机载健康管理传感器网络和鲁棒故障特征提取方法、分层聚类和交叉增强校核的智能故障诊断算法和基于数据驱动与失效物理结合的故障预测算法等关键技术,探讨了基于健康状态的维修保障决策方法。最后,给出了空地一体的飞机故障预测与健康管理评价方法和健康管理技术的适用性分析。     

基于RBF神经网络的液压位置伺服系统故障诊断

针对液压系统的非线性、时变、流固耦合的特点,提出双级径向基函数(Radial Basis Function,RBF)神经网络模型实现液压伺服系统故障检测与定位.采用第1级RBF网络作为液压伺服系统的故障检测滤波器,通过实际系统与RBF观测器输出的残差实现液压伺服系统故障检测.利用第1级RBF观测器的输出残差和网络结构参数,应用第2级RBF网络实现液压伺服系统典型故障定位.针对K均值聚类算法收敛速度慢的缺点,提出了改进K均值聚类算法和学习速率自适应调整算法,利用网络优化结构参数和学习率,加快神经网络收敛速度,减少运算量.实验结果表明,利用双级RBF神经网络能够有效地检测出液压位置伺服系统的故障,并能实现系统的故障定位.