基于图像识别的机械振动信号特征提取与寿命预测方法研究

滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management, PHM)领域,滚动轴承寿命预测具有很高的研究价值。目前基于数据驱动的轴承寿命预测方法主要利用特征提取并构造健康因子(Health Indicator, HI),然而在这一过程中特征的选择与融合依然依赖于专家先验知识,并且健康因子也很难从复杂的时序数据中进行提取。因此,提出了一种新型的数据驱动寿命预测算法,在特征提取方面,通过连续小波变换(Continuous Wavelet Transform,CWT)将传感器振动信号转换为时频谱图,再通过深度残差网络(Deep residual network, ResNet)结合时空卷积网络(Temporal Convolutional Network, TCN)将时频谱图中的时域频域特征构造成为健康因子,最后完成剩余寿命预测。本研究在PRONOSTIA数据集上与现有的数据驱动算法进行了对比,证明了该算法可以更准确地完成剩余寿命预测。     

液体火箭发动机稳态运行故障数据聚类分析研究

作为统计学的一个分支,聚类分析己经被广泛研究了多年,并形成了系统的方法体系,利用基于聚类分析方法的数据挖掘在实践中己取得了较好效果。IMS算法是N。ASA根据智能监控系统以及故障诊断技术的发展而提出的一种利用正常数据库来监控异常数据的可实时监控算法,已经被NASA使用在各个方面,收获了令人满意的效果。在分析美国航天飞机主发动机(SSME)IMS算法的基础上,提出一种基于液体火箭发动机稳态运行故障数据的夹角余弦IMS聚类分析研究方法,并对其进行仿真验证。     

基于改进归纳式监控算法的液体火箭发动机实时故障检测

对归纳式监控算法（IMS）应用于故障检测时虚警率高的问题,提出一种改进IMS.改进后的算法对测试时可能出现的野点进行了处理,降低了待测数据中野点对测试结果的干扰.以某型液体火箭发动机仿真试车数据为例,进行了使用IMS的实时故障检测实验.结果表明,原始IMS在进行故障检测时会出现多次虚警,改进后的IMS在实时准确的同时,虚警率大大降低,由37.5%降低至0,达到液体火箭发动机故障检测程序的要求.      

一种基于聚类分析的液体火箭发动机稳态过程故障诊断方法

液体火箭发动机故障诊断技术是提高液体火箭可靠性的重要手段,基于数据分析的发动机故障诊断方法是其未来重要发展方向。本文通过分析液体火箭发动机稳态过程仿真数据,提出了一种使用发动机稳态过程正常状况/故障状况数据类来实施故障诊断的方法。利用液体火箭发动机稳态过程正常状况/故障状况的仿真数据,对这一方法的正确性进行了初步分析。仿真分析结果表明,这一方法有效实用,其故障诊断效果取决于所使用的发动机正常状况/故障状况数据类的完备程度与数据质量。本文研究为液体火箭发动机稳态过程故障诊断提供了新途径,对推动液体火箭发动机故障诊断技术发展具有一定意义。