基于信息融合遗传算法的航空发动机气路故障诊断

针对航空发动机由传统定期维修向视情维修转变的发展趋势,研究了遗传算法在气路性能参数估计中的应用,提出了改进的基于信息融合的遗传算法,将多源信息融合到遗传算法中,用以减小遗传算法的搜索范围.仿真结果表明:通过融合多源信息,有效克服遗传算法在寻优过程中陷入局部最优的情况,从而提高了气路性能参数的估计精度,能将估计误差控制在5%以内.      

航空发动机气路故障诊断研究现状

航空涡轮发动机诊断学伴随着航空涡轮发动机的产生而产生.20世纪60年代后期,Urban将气路分析引入发动机故障诊断,从而使航空发动机故障诊断学产生了很大的发展.此后,人们发展了各种各样的诊断方法并运用于航空航天和工业应用领域.本研究对当前发动机的主要气路故障诊断方法,如基于线性模型的故障诊断、基于非线性模型的故障诊断、基于人工神经网络的故障诊断等方法进行了综述.     

基于SVM和SNN的航空发动机气路故障诊断

为了区分航空发动机气路故障诊断过程中出现的相似故障,提高诊断准确率,提出了一种支持向量机(SVM)和协同神经网络(SNN)相结合的故障诊断方法.首先利用参数优化后的SVM对测量数据进行初步故障诊断分类,对诊断结果进行分析统计,得出难以区分的相似故障类型,并根据SNN对这些相似故障进一步地区分判断,最后根据实际数据对此故障模型进行仿真.结果显示:基于SVM的初步故障诊断准确率达到96%;而经过SNN进一步地相似故障区分后,诊断准确率提升到100%.     

基于多分类器融合的航空发动机气路故障诊断

为解决航空发动机这一复杂系统的故障诊断问题,提高智能化诊断方法的准确率,使用了D-S证据理论对RBF神经网络、BP神经网络和支持向量机三个诊断子系统的诊断结果进行决策级融合,结果表明D-S证据理论的使用可以达到比单独运用三个子系统具有更好的诊断效能,经过融合降低了误诊率,改善了诊断性能。     

基于神经网络和证据融合理论的航空发动机气路故障诊断

为解决航空发动机这一复杂系统的故障诊断问题,提高智能化诊断方法的准确率,使用了改良的D-S证据理论,对基于自组织竞争网络和BP神经网络的2个诊断子系统的诊断结果进行决策级融合。结果显示,经过融合整个系统降低了误诊率,改善了诊断性能。文章还针对噪声干扰的情况,通过调整对于2个子系统的权重,在保证高准确率的同时提高了系统的抗噪声性能。研究结果表明D-S证据理论的使用可以达到比单独运用2个神经网络子系统都要好的诊断效能。     

航空燃气涡轮发动机气路故障诊断进展

航空发动机健康管理是提高当代先进航空发动机安全性、可靠性以及经济可承受性的关键技术,是实现发动机视情维修的重要方法之一。航空发动机气路故障诊断作为健康管理系统的重要支撑技术,在先进航空发动机发展过程中具有重要的研究价值与前景。基于航空发动机气路故障诊断50余年的发展成果,梳理了航空发动机气路故障诊断的总体实施流程,包括气路测量参数的选择及参数预处理方法、基线值的计算及基线模型的构建方法;介绍了基于模型和数据驱动的气路故障诊断方法的基本原理和典型成果并对不同方法的特点进行了评述;对气路故障诊断未来发展方向,包括性能预测、在线气路故障诊断、信息融合以及过渡态气路故障诊断的基本思想和研究现状进行了分析。国内外研究表明：航空发动机气路故障诊断已经形成了以基于模型和基于数据驱动为基础的诊断方法体系,得到了较全面且系统的发展。中国在已有研究成果的基础上,应进一步完善航空发动机全寿命周期数据的收集与整理,建立航空发动机健康管理系统的设计体系,增强产、学、研、用等多方协作,为先进航空发动机健康管理系统提供有力技术支撑。     

应用神经网络诊断航空发动机气路故障的前景

介绍了近几年来国内外应用神经网络对航空发动机气路故障进行诊断的基本方法和研究进展。对单一故障进行定性的诊断已经取得了试验验证，结果表明神经网络具有较高的诊断准确率。对反映发动机气路部件健康状况的气流量、效率等参数的多故障、定量的诊断则取得了一些仿真研究成果。相对于基于发动机气动热力学数学模型的方法而言，神经网络方法具有更大的工程应用潜力。     

粗糙集与神经网络在航空发动机气路故障诊断中的应用

提出了一种基于粗糙集理论和神经网络集成的发动机智能故障诊断方法,首先对测量数据进行离散处理,并运用粗糙集理论建立故障决策表,进而约简属性和提取规则,对航空发动机气路部件的几种典型故障进行隔离。然后建立神经网络故障诊断子系统,使用粗糙集处理后的数据计算出发动机气路相关部件的故障程度。最后,还验证了粗糙集神经网络故障诊断系统的抗噪性能。研究表明,该系统能够正确而且高效地诊断出发动机故障的严重程度,并具备良好的抑制噪声的能力。      

航空发动机增强型机载自适应模型气路故障诊断方法

针对航空发动机在工程应用中气路健康状态的评估问题,提出一种基于增强型机载自适应模型的气路故障诊断方法。 该方法在机载模型中加入神经网络补偿算法,在线修正机载模型的输出误差,提高了卡尔曼滤波器估计精度,以此为基础建立了 发动机增强型自适应模型和性能基线模型。增强型自适应模型可实时评估健康参数状态,并指导性能基线模型跟踪发动机正常 性能降级趋势,确保剪裁精准的故障信息用于检测和诊断。基于发动机性能仿真模型模拟故障特征数据库,采用RBF神经网络训 练样本,完成了故障模式判定和故障隔离。通过构建某型涡轴发动机气路故障诊断平台进行仿真验证,结果表明：该方法能够有 效监视发动机在全包线、全寿命周期的气路健康状况,在实际工作流程中具备可行性。     

基于ReliefF-LMBP算法的涡轴发动机气路故障模式识别—两机专刊

针对涡轴发动机气路故障模式识别精度不高的问题,提出了一种基于ReliefF-LMBP故障特征提取的发动机故障模式识别方法。应用ReliefF算法对发动机传感器参数赋予权值,对传感器参数特征权重值进行迭代更新和排序,聚集好的特征样本,离散异类样本。根据筛选出的特征子集,利用LMBP神经网络算法进行发动机故障模式识别。以涡轴发动机为对象进行气路故障诊断验证,结果表明所提方法能提取特征传感器参数并实现有效的故障模式识别。     

基于一致性融合和神经网络的航空发动机气路系统故障诊断方法

以信息融合为基础,运用GRNN神经网络对航空发动机气路系统进行故障诊断,提出了一种基于一致性融合和神经网络相结合的故障诊断方法。试验结果表明,该方法能快速识别航空发动机气路系统故障,并且对其他机械设备的故障诊断具有一定的参考价值。     

S-WFA方法改进关联度计算的民航发动机气路故障诊断研究

针对民航发动机气路故障诊断难度大、准确度不高等问题,提出一种基于改进关联度算法的故障向量识别方法,该方法首先从发动机气路测量参数入手进行发动机的故障诊断研究,利用发动机性能趋势图提取监控参数的偏差量,然后将Sigmoid函数改进后用于属性参数的重要程度计算。结合WFA属性权重分配方法改进了灰色关联度算法,并利用故障案例进行验证,验证表明改进后的算法诊断准确率较高。     

基于支持向量机的航空发动机故障诊断

支持向量机是一种具有完备统计学习理论基础和出色学习性能的新型机器学习方法,它能够较好地克服神经网络容易出现的过学习和泛化能力低等缺陷。提出一种基于支持向量机的航空发动机故障诊断方法,应用该方法成功地对发动机气路部件的几种典型故障进行了正确诊断。在对检验样本施加噪声后,支持向量机构成的故障分类器仍然能够满足发动机故障诊断的要求,表明提出的故障诊断算法具有良好的鲁棒性,可以作为工程应用的基础。      

基于趋势分析的发动机振动故障识别

总结十种航空发动机整机故障的振动特征发现,单纯从频率角度分析几乎所有故障模式都表现为转子基频,但是不同故障的振动幅值发展趋势却有所不同.基于此提出了基于趋势模型的发动机振动故障识别方法.讨论了发动机整机振动趋势的数学描述及不同故障模式的趋势发展特征;建立了平稳波动模型、周期摆动模型、线性发展模型和阶跃突起模型分别描述发动机振动正常状态和三种典型故障模式;为了有效识别上述四种模型,提出了模型识别准则并实现了识别算法.最后以四组发动机实测趋势数据作为案例进行验证,结果表明该方法可以有效地区分故障模式,验证了该方法的正确性和工程实用性.     

基于监督流形学习的航空发动机振动故障诊断方法

航空发动机故障诊断中一个有挑战性的难题就是如何处理具有高维数、非线性化特点的故障数据,传统模式识别方法很难发现这类数据集的真实结构,导致故障诊断准确性不高。针对这一问题,将一种新兴的非线性维数约简技术——流形学习引入航空发动机振动故障诊断,提出基于监督流形学习理论的航空发动机特征提取与识别方法。该方法首先采用最近兴起的监督局部线性嵌入流形学习算法对蕴含在高维振动故障数据中不同故障的流形特征进行学习,映射到低维嵌入空间以实现故障的特征提取,在降维后的流形特征空间中构造分类器实现故障识别。利用航空发动机转子故障数据对方法的有效性进行了验证,结果表明,该方法显著提高了故障诊断性能,克服了传统的模式识别方法PCA和LDA的不足,并且在训练样本数为每类100的条件下,该方法的平均故障诊断正确率比PCA和LDA分别高出2.93%和7.20%。     

自组织神经网络航空发动机气路故障诊断

 为克服学习样本依赖于发动机精确模型的问题,提出了一种基于自组织神经网络的发动机智能故障诊断的方法,并运用故障特征提取的数据预处理方式,成功地对航空发动机气路部件的几种典型故障做出正确诊断。为验证网络的抗噪性能,引入了自联想神经网络。研究表明,自组织网络可以脱离发动机模型,并且对测量噪声有良好的鲁棒性,能基本满足航空发动机故障诊断的要求,具有较好的工程应用前景。     

基于小波和球结构支持向量机的航空发动机故障诊断

介绍了一种航空发动机状态监控和故障诊断方法,即基于球结构支持向量机的状态监控和故障诊断方法.球结构代表了一类样本,不需要另类样本,从而降低了发动机的试验和研制成本,并结合小波的运用,给出了相应的结果.     

应用快速多分类SVM的航空发动机故障诊断方法

提出了一种新的快速多分类SVM算法,用于解决大样本情况下航空发动机的多类故障诊断问题。首先,选用层次支持向量机(H-SVM)来实现多类分类,用各类数据中心代表该类数据,通过自组织特征映射神经网络(SOFM)进行聚类,把类中心之间距离较近的数据归为同一个子类进行训练,得到H-SVM层次结构。其次,在训练H-SVM中的二元分类器时,应用相对边界向量(RBV)代替全部训练样本,在保持分类精度几乎不变的条件下大幅度减少了训练样本数,使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短。在分类数据混迭较为严重的情况下,新算法先剔除混迭的异类数据,再计算RBV,并且把与计算的RBV距离小于一定数值的样本都选择来训练SVM,保证了RBV的合理性,防止了关键数据的丢失,有效提高了分类精度。针对一个航空涡喷发动机5类复合故障的分类进行了实例仿真,总的故障分类正确率达到91.2%,二元SVM的训练时间最多只有原来的16.20%;当训练样本总数达到7500的大规模情况下,根据本算法,约减后的样本数量只有原来的3.05%。仿真结果表明,提出的算法有效、可靠,容易实现。     

基于灰色关联分析的航空发动机气路故障诊断方法研究

航空发动机结构复杂且工作环境恶劣,属于多发性故障的高技术机械产品,而且以目前的技术水平无法绝对保证发动机在无故障状态下运行.因此发展准确、快速的故障诊断方法就成为提高发动机工作可靠性、确保飞行安全、缩短维修时间、降低维护费用、提高航班正点率的关键.