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。     

基于时频图和CNN的滚动轴承故障诊断

针对传统轴承故障诊断方法泛化能力差,提出了一种基于时频图和卷积神经网络(CNN)的滚动轴承故障诊断方法。首先,对振动信号进行短时傅里叶变换,构造时频图;然后,将训练信号的时频图作为卷积神经网络的输入,训练网络模型;最后,将测试信号的时频图输入网络模型,实现对滚动轴承的故障状态识别。通过美国凯斯西储大学的开放数据集进行多组验证实验,结果表明该方法能够有效的判断轴承是否存在故障,并且能够识别故障类型,准确率可以达到97.63%以上。     

基于神经网络的直升机自动倾斜器轴承故障诊断方法

为了进一步提高直升机的安全性,利用BP神经网络和RBF神经网络对直升机自动倾斜器轴承进行故障诊断。完成了直升机自动倾斜器轴承故障植入试验,获取了自动倾斜器轴承的故障振动数据,并进行了振动数据的特征信号提取。采用振动数据特征信号的多参数融合作为神经网络的输入,对自动倾斜器轴承故障进行诊断,获得了较高的故障诊断率。采用基于神经网络的故障诊断方法,自动倾斜器轴承各类故障的最高故障诊断率均大于89%。     

基于定子电流的无刷直流电机轴承故障诊断

为了在无刷直流电机发生轴承故障早期检测出轴承故障特征,本文就无刷直流电机轴承故障信息的提取提出了一种新的方法。该方法选择电机的母线电流和三相电流最大值作为轴承故障信息的提取对象,避免了相电流由于谐波含量过大及不连续带来的诊断效果不佳的后果。同时,本文选择小波包算法作为轴承故障信号提取的方法,能够更好地对轴承故障信息进行辨识。实验结果证明,通过对母线电流和三相电流最大值进行小波包分解能够很好地进行无刷直流电机轴承故障信息的提取。     

基于LVQ神经网络模型的飞机故障分类诊断

为了能够快速诊断出飞机故障产生的原因,判断故障发生的准确位置,把LVQ神经网络模型和分类诊断理论运用到了飞机的故障诊断中,以飞机电子设备和发动机故障诊断为实例,验证了此方法的故障诊断能力.实践表明:基于LVQ神经网络模型的飞机故障分类诊断方法能够为机务工作者提供有力的辅助决策参考.     

基于小波变换和支持向量机的开关电流电路故障诊断新方法

针对开关电流(Switched current,SI)电路的故障诊断和定位问题,为进一步提高故障诊断准 确率,提出了基于小波变换和粒子群优化(Particle swarm optimization,PSO)支持向量机 (Support vector machine,SVM)的开关电流电路故障诊断新方法。该方法首先对节点电流 信号进行蒙特卡罗分析,然后通过小波分解计算分形维数,再利用核主元分析（Kernel pri ncipal component analysis,KPCA）降低特征值维数,实现最优故障特征的提取。最后通 过PSO SVM完成对各种故障模式的分类。对六阶切比雪夫低通滤波器进行了仿真实验验证, 获取了较高的故障诊断准确率,与其他方法进行比较,实验结果显示了本文方法的优越性。     

基于RBF神经网络的航空发动机轴承故障诊断

提出一种新的航空发动机滚动轴承故障诊断方法。利用小波包分解对轴承的动态信号进行分析、提取特征,采用RBF神经网络进行承故障诊断。对7类故障进行了实验,结果表明该方法具有很好的故障诊断效果。     

某火箭发动机故障检测及诊断算法设计分析

针对某型号液体火箭发动机故障检测及诊断软件存在瞬态段（起动段、关机段）故障检测功能缺失、故障诊断无法给出故障量大小的问题,在原软件故障诊断算法——余弦相似度分类的基础上,通过引入故障因子定量给出故障量大小,实现发动机故障诊断的定性定量分析。同时,采用基于统计学基础的包络线算法,通过Python语言对发动机瞬态段故障检测算法进行设计开发,使原软件实现发动机瞬态段故障检测功能。通过仿真试车数据对软件算法进行验证,结果表明优化后的故障诊断功能可实现故障量大小计算,基于包络线算法开发的故障检测功能提高了发动机故障检测效率。     

基于多噪声数据训练CNN的自动倾斜器滚动轴承故障诊断

针对传统卷积神经网络(Convolutional Neural Network,CNN)在直升机自动倾斜器滚动轴承噪声环境下诊断效果不佳的问题,提出一种基于多噪声数据训练CNN的自动倾斜器滚动轴承故障诊断方法。该方法首先在原始振动信号中随机添加不同大小的高斯白噪声,然后利用小波变换方法构造不同噪声下的时频图,最后利用CNN对不同噪声下的时频图进行故障分类。利用课题组和美国凯斯西储大学的公开轴承数据集开展真实诊断实验,结果表明,与传统CNN相比,极大地提高了在噪声环境下的故障识别率。     

基于多智能体系统的飞机舵面故障诊断方法

采用了多智能体系统方法对飞机系统的舵面故障诊断问题进行分析.首先从飞机系统的复杂性角度分析了该方法对其进行故障诊断的适应性,然后提出了对组成飞机舵面故障诊断系统的各智能体进行分类、建模和编码的方法,并在此基础上提出了故障诊断智能体的交互模型.在仿真实例中,采用Simulink建立了F-16飞机的仿真模型,用JADE平台构造了故障识别智能体以通过数据融合来对具体的舵面故障进行诊断,并利用MAC-Sim建立了Simulink与JADE平台之间的信息互通.仿真结果说明,该方法能够通过智能体的交互与协作来实现飞机舵面单故障和组合故障的在线协同诊断.     

基于加权D-S证据理论的旋翼故障诊断（英文）

旋翼作为直升机的升力面和操作面,其健康状态对直升机的安全至关重要。旋翼故障诊断技术仍是直升机健康与使用监测系统（Health and usage monitoring system, HUMS）领域的薄弱环节,开发旋翼故障诊断技术具有重要价值。基于信息融合技术,首先分析了旋翼故障的诊断机理,建立了旋翼故障模型,通过流固耦合仿真获取了不同故障下桨叶、轮毂和机身的故障特征信息,生成数据集进行网络训练和验证。然后,利用遗传算法反向传播（Genetic algorithm-backpropagation, GA-BP）优化神经网络诊断3种类型的直升机旋翼故障,即后缘调整片误调、变距拉杆误调和桨叶质量不平衡。3个逐级神经网络分别对旋翼故障类型、故障位置和故障程度进行了诊断识别。最后采用加权的Dempster-Shafer(D-S)证据理论对旋翼故障进行诊断和分析。结果证明基于改进D-S证据理论的旋翼故障诊断方法能够成功应用到旋翼故障诊断中,并具有良好的识别效果。     

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。     

基于ALIF和FWEO的滚动轴承故障特征提取方法

针对传统算法难以准确提取强背景噪声下滚动轴承微弱故障特征的问题,提出了基于ALIF(自适应局部迭代滤波)和FWEO(频率加权能量算子)的故障特征提取方法。利用ALIF将故障信号分解为若干I分量,通过计算不同I分量的峭度值及与原始信号的相关系数,筛选出与原始信号相关性最大的2个I分量进行重构,并利用FWEO进行解调,最终得到重构信号的能量谱图来实现轴承故障特征信息的提取,并与基于传统算法EMD和FWEO的方法进行对比,仿真和实验结果表明,该方法在故障信息提取方面的能力更优,对滚动轴承的故障诊断也更有优势。     

三相六开关VIENNA整流器功率开关开路故障诊断

分析了VIENNA整流器在桥臂各个功率器件出现开路故障时所呈现的故障特征,指出了各桥臂续流二极管的开路故障对整流器的危害最大。进一步提出了利用三相输入电流直流分量以及输出电压交流纹波作为功率器件开路故障诊断的故障特征值。构建了基于人工神经网络的功率开关开路故障分类系统,并将所提取的故障特征值作为输入训练样本对其进行训练,最后通过MATLAB软件中M语言编程完成对故障分类系统的训练和测试。训练和测试的结果表明,训练后的神经网络故障分类系统可很好地对VIENNA整流器除续流二极管外的功率器件开路故障进行定位。     

基于声发射技术的铁路重载货车滚动轴承故障诊断研究

通过声发射检测技术对铁路重载货车滚动轴承故障进行不解体诊断,利用小波包分析技术对采集到的声发射信号进行分解和重构,提取故障信号的能量特征向量,将处理后的特征向量输入到BP神经网络进行滚动轴承故障模式识别,进而判断轴承是否发生故障以及故障的类型。经过使用大量的实际滚动轴承实验数据进行验证,其结果都表明了使用本文的方法的有效性。     

铁路货车滚动轴承故障声学诊断研究

针对铁路列车滚动轴承故障在途检测的需要,提出一种轴承故障声学诊断方案,并重点讨论了在时域和频域内选取特征参数分析的故障诊断方法。试验证明此方案可以较高精度地对铁路货车滚动轴承故障进行检测。     

一种基于区间解析冗余关系的故障诊断方法

在基于解析冗余关系的故障诊断应用中,系统不确定性方法会造成漏诊和误诊。本文在传统键合图线性差分变化技术（Bond graph-linear fractional transformation technique,BG-LFT）中引入区间分析理论,提出一种基于区间解析冗余关系的故障诊断方法。该方法在基于键合图的解析冗余关系故障诊断方法的基础上,首先结合BG-LFT和区间分析理论对参数不确定性和测量不确定性进行统一建模。然后,将键合图模型扩展为不确定性键合图模型,并推导区间解析冗余关系。最后,利用区间数学运算方法计算区间解析冗余关系,得到诊断阈值。将该方法应用于电动静液作动器参数型故障及传感器故障的故障诊断中。结果表明,与单纯使用BG-LFT相比,本文方法能更有效获取电静液作动器故障诊断依据,避免系统不确定性对诊断结果的干扰。     

一类不确定非线性系统的故障诊断方法

提出一种基于观测器的残差生成器方法来达到对一类多输入多输出非线性不确定系统进行故障分离的目的。通过对待监测故障引入适当的假设,同时假定不确定性满足Lipschitz条件,设计了一种残差信号来完成故障诊断,设计过程应用了高增益观测器和自适应故障诊断观测器方法,同时不需要借助线性逼近方法。最后分析了该残差信号对于待监测故障的敏感性和对于不须报警的故障的不敏感性。     

RAM的故障模型及自测试算法

通过对ＲＡＭ故障情况的全面、深入分析,建立了ＲＡＭ的功能故障模型。并在此基础上,提出一种全面、实用的故障自测试算法。该算法分三步完成测试：（１）测试ＲＡＭ中的固定为１（０）故障、固定开路故障、状态转换故障、数据保持故障及第一类耦合故障中的不相关耦合等故障;（２）测试第一类耦合故障中的相关耦合故障;（３）测试第二类耦合故障。对ＲＡＭ的故障注入试验验证了该算法的有效性。并将此算法应用于航空电子模拟器的ＢＩＴ（Ｂｕｉｌｔｉｎｔｅｓｔ）的设计中。     

稀疏驱动的航空发动机主轴承智能监测研究（英文）

微弱特征提取是航空发动机健康监测与智能诊断的关键技术之一。本文针对航空发动机主轴承微弱故障智能监测难题,基于信号先验提出增强稀疏驱动的智能监测方法。通过分析经典凸稀疏诊断模型难以兼顾信号降噪与特征重构性能的缺陷,构建基于莫罗包络理论的非凸正则凸优化增强稀疏模型,以实现微弱特征提取;进而提出稀疏驱动的深度卷积变分自编码网络智能监测方法,通过对健康状态稀疏降噪样本的训练实现对故障异常状态的智能识别。通过航空发动机主轴承疲劳寿命试验的工程案例对提出方法进行性能验证,结果表明:增强稀疏驱动的智能监测方法具有良好的异常状态智能识别能力,能够有效支撑航空发动主轴承微弱故障的智能监测与诊断。