自动倾斜器大轴承耐久性试验谱设计

为了使自动倾斜器大轴承的耐久性试验能尽可能准确可靠地模拟其在直升机上的真实使用环境(包括载荷、运动、温度等)且又具有较强的可操作性,提出了一种编制自动倾斜器大轴承耐久性试验谱的思路和方法。     

基于MED和LMD的自动倾斜器轴承广义Shannon熵谱分析

针对轴承信号微弱故障特征易被强背景噪声淹没的问题,提出采用最小熵反褶积,通过逆滤波器最优化设计,对目标信号进行降噪处理,其峭度值提高了约3.8倍,增强了信号的微弱故障特征;针对非平稳非线性信号频率成分复杂难以解调的问题,提出采用局部均值分解(LMD)和峭度-相关系数筛选准则,其可对非平稳非线性信号进行自适应分解和最优重构,提高了信号的信噪比;针对信号耦合调制及边频突出的问题,通过引入广义Shannon熵进行包络谱带内降噪处理,信号一阶故障特征调制频率与故障特征频率的幅度比降低了24%~43%。通过实验室信号及某型直升机自动倾斜器轴承故障诊断地面试验的分析结果验证了该方法的合理性和可行性。      

基于BP神经网络的某型无人机电气系统故障诊断研究

针对某型无人机对电气系统的故障诊断准确无误的要求。本文对基于较为成熟的BP神经网络无人机电气系统故障诊断方面的应用进行了研究。实例表明,BP神经网络在无人机电气系统故障诊断方面是一个很有效的方法。     

应用BP神经网络方法的民航发动机故障诊断

发动机是飞机的心脏，要求具有很高的可靠性。基于此提出一种依靠BP（backward propagation）神经网络方法研究发动机各种故障征兆影响因素作用程度的方法，通过对相关的仿真数据分析，找出其中主要的故障因素，对民航发动机进行针对性的维修，并利用BP神经网络的自学习功能，为发动机的视情维修过程提出合理化的建议和依据。     

基于神经网络的飞机故障诊断

叙述了神经网络应用于飞机控制系统的故障诊断技术，阐明了飞机故障诊断的方法。采用RBF神经网络实现飞机控制系统故障诊断的算法和程序设计。     

基于神经网络的电子线路故障诊断

分析了故障字典法在实际应用中存在的不足，提出将单位BP算法应用到电子线路的故障诊断中。对基于该方法的航空装备电子线路故障诊断进行了计算机仿真，并分析了网络参数的变化对训练结果的影响。仿真结果表明了该方法的合理性和有效性。     

基于ARCN模型的轴承故障诊断

提出注意力循环机制与胶囊网络融合的注意力循环胶囊网络（ARCN）的诊断模型。提取时序特征信息构建初级胶囊;自适应融合路由机制、注意力循环机制构建数字胶囊特征;基于西储大学轴承实验数据,验证了ARCN模型的准确率、鲁棒性、稳定性、收敛误差,其准确率相比Caps模型识别准确率提高1.2%、收敛误差达到0.2。基于实验仿真平台,采集正常、内环故障、外环故障和滚动体故障的振动信号,并通过小波基变换获取的时频图构建ARCN模型的数据集。仿真实验结果表明:ARCN模型下,每类故障被误诊的概率不超过总样本的1%。      

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

基于神经网络的轴承故障预测模型

利用在故障预测领域广泛应用的神经网络模型,对轴承监测数据的特征提取与建模,挖掘出监测数据与剩余寿命间内在关联,从而对轴承剩余寿命做出评估。在轴承全寿命数据的实际实验中,证实了该模型的有效性。     

自动倾斜器摆动液压缸运动解析与验证

航空用自动倾斜器球铰轴承安装于直升机旋翼系统,可实现摆动和滑动.本文根据球铰轴承的特点,对球铰轴承的运动进行了拆分、组合,求取了纯滑动、纯摆动和组合运动下各液压缸运动的解析解,为球铰类轴承的使用维护提供理论支撑.     

基于概率神经网络的发动机故障诊断

 用反向传播神经网络 (BPNN)和概率神经网络 (PNN)对航空发动机若干原型故障进行定性的诊断,并将仿真结果进行了比较。仿真结果表明,当测量参数不包含噪声或噪声较小时,两种网络都具有很高的诊断准确率;当测量参数的噪声较大时,则概率神经网络的诊断准确率远大于反向传播神经网络,显示了概率神经网络较强的诊断鲁棒性。此外,概率神经网络能够充分利用故障先验知识,并考虑代价因子的作用,从而把误诊断可能带来的损失减小到最低程度。     

基于神经网络的飞机故障诊断专家系统

介绍了专家系统与神经网络技术在飞机故障诊断领域的应用。从分析飞机故障诊断的特点出发,采用了神经网络的知识处理方法来构建一个基于飞机故障现象的故障诊断专家系统。     

基于自适应分段混合系统的轴承故障诊断

针对强噪声背景下轴承早期故障的诊断问题,提出一种基于自适应分段混合随机共振（adaptive piecewise hybrid stochastic resonance,APHSR）系统的检测方法。采用经验模态分解法（EMD）进行信号预处理,分别采用能量密度法和相关系数法去除高、低频噪声,自动筛选最优固有模态函数,经尺度变换后输入分段混合随机共振系统模型,提取故障信号。工程实验显示:经过APHSR系统,轴承故障特征频率的频谱幅值、频谱幅值与周围最大噪声之差和最大信噪比（SNR）均高于经验模态分解和经典随机共振方法,其中齿轮箱故障轴承信噪比分别提高了9.579 dB和7.473 dB,转子故障轴承信噪比分别提升了8.597 dB和5.695 dB,对凯斯西储大学故障轴承数据处理后的信噪比分别提升了3.369 dB和17.043 dB。数据表明APHSR方法具有高效性,提高了轴承故障信号诊断能力。      

基于BP神经网络的航班需求预测模型

航班需求预测是航空公司收益管理的关键技术。BP神经网络用大量的历史数据进行学习,能够记忆复杂的历史订座规律和销售趋势,提出了一种基于BP神经网络的航班需求预测模型。通过对历史数据进行主成分分析获得该模型,用一元回归法和相关系数法对训练质量进行评估,对模型作了置信区间分析。将该模型与增量法、回归法进行了对比,具有在线预测速度快、预测精度相对较高等优点。     

基于BP神经网络的复合材料失效分析

创建了基于BP神经网络方法预测复合材料在复杂应力状态下的失效模型.依据现有的试验数据,建立了基于BP神经网络的数学模型,并给出了网络在多次训练的统计性评价参数.以及单次样本泛化性能的评价参数,并利用这些参数实现了网络的结构优化和训练优化,得到了比较精确的网络模型,成功预测了复合材料的失效数据,拓宽了计算复合材料失效的范围,同时可以对复合材料的失效分析和试验设计进行指导.     

基于BP神经网络的刀具寿命预测模型

分析了影响刀具寿命的主要因素,根据影响因素与刀具寿命之间的高度非线性关系,结合人工神经网络模型,建立了刀具寿命预测的BP神经网络模型,并利用模型进行了验证运算。结果表明:模型的预测值与刀具寿命的期望值非常接近,证明该建模方法是可靠有效的。     

采用神经网络状态估计器的导弹自动驾驶仪

高性能的导弹自动驾驶仪在往往需全部状态以及采取某些动力学逆变换,与这些问题相关联,本文讨论一种侧滑转弯（ＳＴＴ）导弹用的以神经网络状态估计器为基础的自动驾驶仪,导弹模型展示了所有非线性因素,其中包括假定滚动有良好稳定性时,俯仰和偏航通道之间的耦合,除了神经网络状态估计器外,还设置了由神经网络构成的部分线性控制器,它是动力这逆变换的关键元件,由于该自动驾驶仪还使用了某些动态补偿器,因此是在混合控制方     

轴承故障诊断的新技术

介绍了F110发动机采用JetSCANTM技术检验轴承剥落颗粒的优越性。