基于模糊奇偶方程的非线性系统传感器故障诊断

 给出了一种非线性系统传感器的故障诊断方法。该方法将T-S 模糊模型、全解耦奇偶方程和参数估计相结合,同时对非线性系统的多个传感器的故障进行检测、隔离与识别。设计出用于产生残差的线性系统全解耦奇偶方程,并给出了全解耦奇偶向量的存在条件,全解耦奇偶方程产生的残差仅对一个传感器故障敏感,而对系统状态、扰动输入和其它传感器输出解耦。引入T-S 模型将全解耦奇偶方程推广到非线性系统中得到了模糊奇偶方程。传感器的故障模型表示为刻度因子和偏差的形式,根据残差信息应用卡尔曼估计方法可识别出故障模型的参数。最后给出了某型号飞机控制系统传感器的故障诊断仿真实例。     

基于灰色理论的自适应多参数预测模型

故障预测对保障武器装备安全可靠工作具有重要意义。但是,用于武器装备故障诊断和预测的数据往往是小样本、多特征参数数据,当前主要的故障预测方法在实际故障预测中虽取得了一定的效果,但均存在不足之处。本文基于灰色预测建模理论,分析了GM(1,1)预测建模中的不足,考虑多个特征参数间的相互关系以及预测序列的实际特点,修正了初始值和背景值,建立了小样本情况下的自适应多特征参数预测模型,并以某型飞机发动机的多特征参数的仿真数据为例进行了预测分析,结果表明该模型具有很好的预测精度,证明了该模型的有效性。     

基于模糊粗集的航空发动机特征参数提取算法

提取发动机性能状态的特征参数,是提高发动机故障识别正确率和可靠性的必要条件.针对实际航空发动机故障参数所具有的模糊和连续性特点,提出了一种基于模糊粗糙集的特征参数提取算法,并应用到某型航空发动机故障识别.研究结果表明:属性约简的核则为导致发动机故障的特征参数,以此特征参数进行故障诊断,可保证较高的诊断精度;同时,该算法的抗干扰性提高了整个系统故障识别的正确率.该算法可用于航空发动机故障分类、故障诊断以及状态监控.      

基于粗糙集理论的航空发动机故障诊断

在利用神经网络诊断航空发动机故障的过程中,引入粗糙集理论和方法,对故障诊断特征参数属性进行属性约简,剔除其中不必要的属性,从而揭示了故障诊断条件属性内在的冗余性,降低了神经网络构成的复杂性,最后给出了属性约简的结果。     

基于离线数据的设备故障分析

随着传感器、电子技术的进步以及对系统本身故障预测和诊断的需求,大型设备监测的数据参数越来越多,通过数据分析进行的故障检测和诊断方法显著提高了故障排除的效率。本文讨论了离线数据分析中常见的故障分析方法以及如何收集故障特征,用于支持故障诊断专家系统的建设。     

故障预测与健康管理(PHM)技术的现状与发展

 结合故障预测与健康管理(PHM)的技术发展过程,阐述了PHM的应用价值。论述了PHM技术系统级应用问题,提出了故障诊断与预测的人-机-环完整性认知模型,并依此对蓬勃发展的故障诊断与故障预测技术进行了分类与综合分析,给出了PHM技术的发展图像。针对故障诊断与预测的不确定性特征,对故障诊断与预测技术的性能要求、定量评价与验证方法进行了分析。最后,以PHM技术的工程应用为线索,提出了PHM技术发展中的几个问题。     

基于工业互联网和多传感器数据的电机故障诊断方法

提出了一种基于工业互联网和多传感器数据的电机故障诊断方法。通过各类传感器在线实时得到电机的电压、电流、振动、温度等信号的瞬时值,并转化为表征电机状态的各个特征参数。根据各个特征参数在各个故障模式下的变动情况,得到各个故障模式下故障特征及其隶属度。把故障特征与故障模式之间的关系分为充分条件和必要条件关系。按照充分条件和必要条件分类后,对每个故障模式对应的2类条件下的故障特征的隶属度进行融合,最后得出每个故障模式的隶属度,为远程运维系统决策服务。该方法既可以部署在电机远程运维工业互联网的边缘设备中,也可以部署在云平台服务程序中,实现快速而可靠的电机故障诊断。     

发动机故障诊断主状态量模型合理解的选择

主状态量模型是基于发动机故障方程的发动机故障诊断的一种十分有效的方法,它在发动机故障诊断上的成功应用已为大量实例所证实。发动机故障诊断主状态量模型的一个技术关键就是合理解的选择问题。本文给出了选择合理解的基本原则。这些原则可以有效地提高合理解选择的确定性和故障诊断的故障分辨率。对于JT9D发动机的大量故障实例利用主状态量模型(加权最小二乘法)进行了检验。故障诊断的成功率达90%以上,并且得到了许多有用的信息,文中给出了24个实例的故障诊断结果以及故障趋势分析的典型例子。     

旋翼系统典型故障的诊断与预测方法

在分析直升机旋翼系统典型故障的基础上,提出了旋翼系统典型故障的诊断与预测方法,包括:桨叶疲劳寿命预测方法,桨毂疲劳寿命预测方法,拉杆疲劳寿命预测方法,自动倾斜器轴承故障诊断方法等。同时,介绍了基于飞行状态识别,基于虚拟传感器,基于载荷实测的疲劳寿命预测方法和自动倾斜器轴承故障诊断方法的关键技术,说明了旋翼系统典型故障的可测试性以及实现旋翼系统基于状态维修(CBM)的可行性。     

无人机故障特征提取问题研究

针对无人机故障诊断前故障特征提取的问题进行了分析。引入了主成分分析法,用于对初始的特征参数样本进行降维处理。根据无人机特征参数样本复杂多维的特点,结合故障诊断时对特征向量相关性的要求,提出按功能模块对特征样本进行分类的改进方法,达到初步降维和保存需要的相关性向量的要求。     

Remaining useful life prognostics for aeroengine based on superstatistics and information fusion

Remaining useful life（RUL） prognostics is a fundamental premise to perform conditionbased maintenance（CBM） for a system subject to performance degradation. Over the past decades,research has been conducted in RUL prognostics for aeroengine. However, most of the prognostics technologies and methods simply base on single parameter, making it hard to demonstrate the specific characteristics of its degradation. To solve such problems, this paper proposes a novel approach to predict RUL by means of superstatistics and information fusion. The performance degradation evolution of the engine is modeled by fusing multiple monitoring parameters, which manifest non-stationary characteristics while degrading. With the obtained degradation curve,prognostics model can be established by state-space method, and then RUL can be estimated when the time-varying parameters of the model are predicted and updated through Kalman filtering algorithm. By this method, the non-stationary degradation of each parameter is represented, and multiple monitoring parameters are incorporated, both contributing to the final prognostics. A case study shows that this approach enables satisfactory prediction evolution and achieves a markedly better prognosis of RUL.     

Sensor Optimization Selection Model Based on Testability Constraint

Sensor selection and optimization is one of the important parts in design for testability. To address the problems that the traditional sensor optimization selection model does not take the requirements of prognostics and health management especially fault prognostics for testability into account and does not consider the impacts of sensor actual attributes on fault detectability, a novel sensor optimization selection model is proposed. Firstly, a universal architecture for sensor selection and optimization is provided. Secondly, a new testability index named fault predictable rate is defined to describe fault prognostics requirements for testability. Thirdly, a sensor selection and optimization model for prognostics and health management is constructed, which takes sensor cost as objective function and the defined testability indexes as constraint conditions. Due to NP-hard property of the model, a generic algorithm is designed to obtain the optimal solution. At last, a case study is presented to demonstrate the sensor selection approach for a stable tracking servo platform. The application results and comparison analysis show the proposed model and algorithm are effective and feasible. This approach can be used to select sensors for prognostics and health management of any system.     

航空发动机故障融合诊断研究

结合气路诊断与振动分析方法,建立发动机故障融合诊断模型,探讨气路与振动故障融合诊断方法的可行性。构建故障融合诊断3级体系(故障特征级、故障模式级以及故障决策级融合),实现基于性能参数和振动参数的综合评估方法,获得基于小偏差法的气路故障判据,形成基于动力学分析的振动故障判据,提出故障特征融合的方法,通过算法实现故障融合识别,并在模拟试验器上进行涡轮叶片掉块故障试验验证,获得相应的故障诊断决策。结果表明:设计的发动机故障融合诊断方法合理,算法正确。     

航空发动机故障诊断算法性能分析及参数优化

基于航空发动机故障诊断测试平台,通过蒙特卡洛仿真得到涡扇发动机部件、传感器及执行机构典型故障数据,经过参数换算、趋势监测、异常检测等过程进行故障诊断,采用加权最小二乘法实现故障隔离.利用故障诊断测试平台中的评估指标准则对诊断算法性能做出定量评估,采用遗传算法对虚警率、漏报率和Kappa系数等关键参数进行优化.     

一种新颖的直升机舵回路故障诊断方法

研究了基于案例推理的直升机舵回路在线故障诊断方法。针对传统的CBR方法一般采用离散数据和符号向量来建立案例的不足,提出了动态系统多源异类信息的案例表达方法,利用系统特性集、征兆集和特征集混合模型作为案例的条件属性。在此基础上,研究了案例检索的综合相似性度量方法。最后,将上述方法在某型直升机的俯仰舵回路进行了试验验证,结果表明,该方法可以诊断出舵回路的控制参数漂移故障,为复杂动态系统的故障诊断提供了一种有效的新途径。     

基于扩展卡尔曼滤波的动量轮故障检测方法

 动量轮作为卫星姿态控制系统的关键执行部件,对其故障检测对维持卫星的正常运行具有重要意义。首先对动量轮系统的故障进行分析,在建立动量轮线性离散状态空间模型的基础上,把动量轮的故障检测作为时变参数系统的跟踪来处理,将动量轮的模型参数作为扩展的状态空间中的状态量,使得动量轮物理模型参数与状态空间中的状态量有对应关系,通过在扩展了的状态空间上采用扩展的卡尔曼滤波,完成时变参数的跟踪。然后,将离散空间的状态量变换回连续空间中,利用物理参数与状态量的对应关系,实现对动量轮物理参数的跟踪。此方法物理意义明确,为系统的物理参数提供了定量的估计值,为进一步诊断故障原因提供了良好的基础。数值仿真表明,此方法能够通过同时检测多个故障参量,实现故障的检测并满足卫星实时性要求。     

多操纵面飞机舵面损伤的快速故障诊断

针对多操纵面飞机舵面损伤的快速故障诊断问题,提出一种直接估计舵面偏转量的自适应补偿观测器方法。首先,设计了增广观测器进行系统输入估计,并提出了自适应补偿方法解决其动态跟踪性能差的问题;其次,设计了一种新的自适应阈值以快速检测故障并降低虚警率;最后,利用舵面故障特点,采用重置初值的限定记忆最小二乘方法实现了对突变参数的实时估计,用以进行故障隔离。仿真结果表明:在不同的舵面损伤故障情况下,所提出的观测器方法能在20 ms内发出故障预警,并在0.22 s内确定故障位置,所采用的辨识方法可以在故障报警后的0.2 s内准确估计出损伤程度。     

发动机故障隔离技术的主特征量模型

本文提出了发动机气路分析故障隔离技术的主特征量模型。主特征量模型的基本原理如下:发动机征兆量和发动机特征量之间存在着特殊的函数关系,即 n 个征兆量小偏差方程可以被少于 n 的 t 个故障量偏差所满足。利用这一特性可以对多于征兆量数目的 m 个特征量进行故障隔离。与目前广泛采用的影响系数矩阵法比较,主特征量模型不仅具有更广泛的实用意义,而且数学模型更加严格,并且能提供较多的故障诊断信息。文中给出了主持征量模型的两种求解方法,即最小征兆量偏差残差模法和最小特征量偏差法。文中还给出了主特征量模型的计算例题,并对计算结果进行了分析。     

基于GSP仿真和SDAE的航空发动机故障诊断

为了深入研究航空发动机故障机理,提出基于航空燃气涡轮发动机性能仿真软件(GSP)和堆栈降噪自编码器(SDAE)的航空发动机故障诊断方法。通过GSP性能仿真方法模拟发动机在不同设计参数下的部件故障,并得到对应的运行状态参数;从每种故障类型下的长时间序列的状态参数中提取出向量化的曲线特征,构成故障样本;将故障样本带入SDAE模型中进行深度特征提取,经过前向传播和反向微调得到训练好的模型用于发动机故障诊断。结果表明:GSP能够通过参数更改来模拟微弱故障下的状态参数,从而构建多故障样本集;SDAE的重构误差和反向传播误差能够快速收敛到较小值,SDAE的故障诊断正确率为99.5%;与深度信念网络(DBN)、人工神经网络(ANN)以及经典机器学习方法支持向量机(SVM)相比,SDAE的故障分类正确率分别提高了0.8%、6.9%和10.1%。