航空发动机故障的支持矢量机智能诊断

引入支持矢量机和多元分类算法到航空发动机故障诊断当中。通过设计的多元分类支持矢量机构建了小样本多参数航空发动机故障智能诊断模型，然后通过发动机故障仿真器对典型发动机气路故障进行了诊断。结果表明，支持矢量机具有优秀的故障学习能力，采用它进行航空发动机故障诊断是可行、有效的。     

涡扇发动机气路故障定量诊断的BP网络研究

为了克服ＢＰ算法收敛速度慢的问题,提出了一种基于混合学习规则的ＢＰ算法,并采用模归一化方法,成功地定量组织了故障的学习样本,建立了能够定量分析发动机气路部件故障的人工神经网络（ＢＰＮ）。通过分析测量系统随机误差的影响和实际试车数据的效验结果,表明该网络具有较强的推广能力及适应性,能基本满足故障定量诊断的要求,并具有较好的工程实用性。     

Semi-supervised gear fault diagnosis using raw vibration signal based on deep learning

In aerospace industry, gears are the most common parts of a mechanical transmission system. Gear pitting faults could cause the transmission system to crash and give rise to safety disaster. It is always a challenging problem to diagnose the gear pitting condition directly through the raw signal of vibration. In this paper, a novel method named augmented deep sparse autoencoder (ADSAE) is proposed. The method can be used to diagnose the gear pitting fault with relatively few raw vibration signal data. This method is mainly based on the theory of pitting fault diagnosis and creatively combines with both data augmentation ideology and the deep sparse autoencoder algorithm for the fault diagnosis of gear wear. The effectiveness of the proposed method is validated by experiments of six types of gear pitting conditions. The results show that the ADSAE method can effectively increase the network generalization ability and robustness with very high accuracy. This method can effectively diagnose different gear pitting conditions and show the obvious trend according to the severity of gear wear faults. The results obtained by the ADSAE method proposed in this paper are compared with those obtained by other common deep learning methods. This paper provides an important insight into the field of gear fault diagnosis based on deep learning and has a potential practical application value.     

涡扇发动机气路传感器故障诊断

为了实现对某涡扇发动机传感器故障的在线诊断,提出并设计了1种基于在线贯序极端学习机的故障诊断算法。其核心思想是在定位某传感器故障后,在线建立针对该故障传感器"预学习"的信号重构算法,解决多故障混叠问题。在线信号重构算法以泛化能力指标为判定条件,利用选择策略对算法网络权值进行选择性更新,提高了故障诊断系统的实时性。以某型涡扇发动机为对象开展了传感器故障诊断与重构仿真,结果表明:该算法能够对发动机单、双传感器故障进行准确地诊断与信号重构,且具有良好的实时性。     

广义回归神经网络在冗余捷联惯导故障诊断中的应用研究

针对冗余捷联惯导的故障诊断问题，研究提出了一种基于广义回归神经网络的故障诊断方法。该方法在传感器输出数学模型未知的情况下，仅通过传感器之间的冗余关系，利用传感器正常工作时的测量值和改进的神经网络估计输出值生成残差进行故障诊断。仿真试验表明，利用神经网络补偿产生的残差可以检测到未补偿时的故障。该方法不仅可以检测到单故障，还对多传感器同时发生故障具有一定的检测能力。     

基于动态观测器的导弹武器系统故障诊断方法

为解决导弹武器系统多故障模式问题,提出了基于动态观测器的诊断方法,即采用1个动态观测器去检测一系列故障。当把耦合故障表示成故障信号的组合时,该方法可推广到耦合故障的诊断中。     

用机体振动诊断直升机旋翼复合不平衡故障研究

 在用机体振动诊断旋翼单一不平衡故障研究基础上,提出了仅借助机体振动信号诊断旋翼复合不平衡故障的新方法。证明了从旋翼复合不平衡故障空间到多点机体振动空间存在一对一映射关系。利用3个BP神经网络诊断故障类别和程度,利用机体振动一阶谐波分量的初相角确定失衡桨叶方位。模型旋翼实验结果表明,该方法可行、有效。     

智能化工业以太网故障诊断体系研究

传统的工业以太网故障诊断系统智能化程度较低,无法预测故障,且成本较高。阐述了一种智能化的故障诊断体系并对其进行了分析,提出了一种建立在数据仓库、联机分析处理(OLAP)、决策支持系统(DSS)和数据挖掘技术基础上并适合于工业以太网的故障诊断解决方案,并探讨了一些实现的方法。     

非平稳信号特征提取在航空发动机故障诊断中的应用

在航空发动机早期故障诊断中,特征提取是早期诊断的重要过程之一.文中以航空发动机转子故障为研究对象,给出了基于经验模式分解、小波分析为核心的故障特征提取方法,并作了针对性的比较研究.在matlab7.0环境下开发了一个故障特征提取软件系统.研究结果表明:基于经验模式分解的时频分析方法可以很有效地提取到非平稳故障特征信号,是一种适合于非线性信号处理的方法.     

数据挖掘在运载火箭智能测试中的应用

针对运载火箭复杂系统的故障检测难以建立准确的数学模型的问题,研究了基于数据驱动的数据挖掘异常检测算法,对多种数据挖掘算法在运载火箭发动机异常检测的应用进行了研究和分析,提出了基于混合概率密度统计的多策略异常检测评价算法。该算法基于非监督学习的算法挖掘火箭发动机不同参数间的正常关联模型,火箭发动机早期的异常数据会引起正常关联模型的破坏,引入混合概率密度统计的多策略异常检测评价机制,可以有效屏蔽参数测量故障对系统故障检测的影响,从而更加准确给出系统异常程度。使用发动机历史试车数据作为样本进行特征模型的训练,使用一元、多元和混合概率密度模型对存在异常的发动机试车数据进行了实时异常检测的实验验证。实验结果表明,相比传统基于阈值和规则的异常检测算法,基于概率密度统计的多策略异常检测算法不仅可给出系统的正常和异常的状态,还可计算各参数和整个系统的异常值,为运载火箭进一步的故障诊断提供更加灵活的参考。     

基于神经网络及专家系统的混合诊断法

本文将神经网络与人工智能专家系统结合起来,利用神经网络的联想记忆能力对发生过的故障进行直接记忆和联想。利用专家系统的反向推理能力对联想产生的侯选故障进行验证。据此原理开发了一种更接近人类思维过程的诊断系统。      

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。      

基于频谱法与神经网络的航空起动发电机的故障检测与诊断

应用频谱法对航空直流起动发电机发电状态进行故障检测与诊断。采用对电机的电枢纹波电流信号进行频谱分析,提取该信号在频率域特征量,将频谱特征向量作为学习样本,通过训练,使神经网络能够反映频谱特征向量和故障类型的映射关系,从而达到故障检测与诊断的目的。电机故障实验和分析表明,与常规方法相比,频谱分析与神经网络相结合的方法进行实时检测和诊断具有简单、有效等优点。     

基于TSM的民机多故障等级-原因综合排故法研究

在“保安全、讲效益”的民航大环境下,飞机的故障诊断及故障排除至关重要,因此建立一套科学的排故分析方案,保证故障处理得更快、更准显得十分必要。飞机在完成航班运营后的短停和航后期间通常会有多个故障待排除,此时为了优化机务维修人员排故流程,提高排故效率,首次提出在故障诊断过程中采用基于TSM的多故障等级一原因综合分析排故方法。该方法通过建立加权概率模型对故障的可能原因和危险等级两因素综合分析．由计算得出的综合指数快速判断出故障源。将该方法应用于某航空公司的实际排故工作中,通过实例验证该法的引入能快速判断故障源,确定排故方案,达到优化排故的目的。     

人工神经网络在飞机电源系统故障诊断中的应用

分析总结飞机电源系统故障经验后建立故障数据库 ,以该数据库为基础设计实现了一个基于神经网络的飞机电源故障诊断系统。由于诊断网络的权值和结构随着实际的排故结果不断进行更新 ,因此它具有很强的故障诊断能力。经过大量的实际验证 ,该方法故障定位的准确性很高     

基于小波神经网络的齿轮系统故障诊断

通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断.      

Fault diagnosis of bearings based on deep separable convolutional neural network and spatial dropout

Bearing pitting, one of the common faults in mechanical systems, is a research hotspot in both academia and industry. Traditional fault diagnosis methods for bearings are based on manual experience with low diagnostic efficiency. This study proposes a novel bearing fault diagnosis method based on deep separable convolution and spatial dropout regularization. Deep separable convolution extracts features from the raw bearing vibration signals, during which a 3 × 1 convolutional kernel with a one-s...     

基于滑动时间窗主成分分析的液体火箭发动机传感器故障诊断方法

安装在发动机上的各种传感器是发动机状态监测的主要依据,由于工作环境恶劣,传感器失效时有发生。由于发动机运行过程中的性能蜕变和台次差异,现有基于主成分分析（PCA）的传感器故障隔离方法应用条件苛刻且诊断效果有限。针对这些问题,在对发动机数据分析的基础上,将滑动时间窗方法与PCA方法结合,提出双滑动时间窗的PCA方法用于故障传感器的隔离,并基于发动机试车数据进行了方法验证。结果表明：该方法能降低发动机性能蜕变和台次差异对发动机传感器故障诊断的影响,没有参数相关性的限制,可以实现对四种常见传感器故障的有效隔离,以及对两种发动机试验过程中故障的准确检测。研究证明了高速运转系统性能蜕变和强耦合复杂大系统台次差异对基于数据的故障诊断方法效果的影响,验证了在线学习/训练算法对这两种现象的鲁棒性。     

Online condition diagnosis for a two-stage gearbox machinery of an aerospace utilization system using an ensemble multi-fault features indexing approach

China manned space station is designed to operate for over ten years. Long-term and sustainable research on space science and technology will be conducted during its operation. The application payloads must meet the ‘‘long life and high reliability" mission requirement. Gearbox machinery is one of the essential devices in an aerospace utilization system, failure of which may lead to downtime loss even during some disastrous catastrophes. A fault diagnosis of gearbox has attracted attentions for its significance in preventing catastrophic accidents and guaranteeing sufficient maintenance. A novel fault diagnosis method based on the Ensemble Multi-Fault Features Indexing(EMFFI) approach is proposed for the condition monitoring of gearboxes. Different from traditional methods of signal analysis in the one-dimensional space, this study employs a supervised learning method to determine the faults of a gearbox in a two-dimensional space using the classification model established by training the features extracted automatically from diagnostic vibration signals captured. The proposed method mainly includes the following steps. First, the vibration signals are transformed into a bi-spectrum contour map utilizing bi-spectrum technology,which provides a basis for the following image-based feature extraction. Then, Speeded-Up Robustness Feature(SURF) is applied to automatically extract the image feature points of the bi-spectrum contour map using a multi-fault features indexing theory, and the feature dimension is reduced by Linear Discriminant Analysis(LDA). Finally, Random Forest(RF) is introduced to identify the fault types of the gearbox. The test results verify that the proposed method based on the multi-fault features indexing approach achieves the target of high diagnostic accuracy and can serve as a highly effective technique to discover faults in a gearbox machinery such as a two-stage one.     

飞机排故方法模糊与统计综合评估算法的研究

针对民航飞机维修过程中故障描述对应的多种故障原因和排故方法,无法进行确定性选择问题,采用模糊综合评估理论,在统计已往维修经验数据的基础上,提出一种在各种故障原因和排故方法中进行选择的优先排序算法,进而解决了飞机故障诊断信息应用的关键问题,提高了排故速度。此评估算法已应用到民航的维修实践中。