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.      

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。     

基于特征参数趋势进化的故障诊断和预测方法

 采用时间序列方法对可以表征系统故障状态的特征参数的趋势进化进行预测,同时考虑特征参数的概率分布特性,给出了对系统进行故障诊断和预测的方法。在已获得特征参数监测数据的基础上,分别对具有广义强度/故障阈值确定分布或故障模式特征参数空间分布两种形式的故障判据,提出了利用二次指数平滑预测模型对系统未来某时刻的故障状态进行预测的方法。给出包括故障概率和故障指数在内的故障诊断和预测结果形式,可进一步为系统的维修决策等提供参考。     

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BP神经网络的自动倾斜器轴承故障诊断

针对直升机故障诊断的需求,开展全尺寸某型直升机自动倾斜器轴承故障诊断研究。基于电火花刻蚀技术,进行自动倾斜器轴承植入外圈、内圈及滚珠故障试验。在小波包去噪的基础上,提取故障信号的小波域能量和功率谱谱熵特征参数,将其输入反向传播(BP)神经网络中,对自动倾斜器轴承进行故障诊断。研究结果表明,该方法降低了背景噪声的干扰,平均故障诊断率达80%,能够实现自动倾斜器轴承故障诊断,但滚珠故障诊断还有待进一步研究。     

表征某型发动机工作状况的特征参数研究

通过总结某型发动机的使用经验，提出了表征该型发动机工作状况的特征参数，并利用样本数据对所提出的特征参数进行了验证。结果表明，所提出的特征参数能够较为有效地反映发动机的工作状况，为发动机的状态监测和故障诊断提供了依据。     

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。     

故障诊断专家系统中诊断决策方法的研究

 被诊断系统的复杂性造成故障诊断过程效率低,耗费时间长。采用多属性决策方法可以将测试代价因素引入到对复杂系统故障诊断的决策中,以提高诊断的效率。根据故障诊断的实际情况,确定了对属性权值的约束条件,提出了一种求取MADM 权值的方法,解决了故障诊断决策中属性权值选取困难的问题。通过仿真证明和普通的方法相比,专家系统采用MADM 方法,故障诊断时间减少了1/ 5 。     

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。     

主成分分析和支持向量机在无刷直流电机故障诊断中的应用研究

针对无刷直流电机(BLDCM)故障诊断问题,提出一种基于主成分分析(PCA)和支持向量机(SVM)的故障诊断方法。首先对故障时刻无刷直流电机三相电流进行分析,提取故障特征值;再由PCA从提取的故障特征值中选取敏感特征;最后使用SVM对特征值集合进行训练和测试,实现故障诊断与识别。该方法在6种无刷直流电机典型故障中进行了验证,故障诊断准确率高达92%,证实了该方法的有效性。     

基于粗糙核Fisher鉴别分析的特征提取及其在发动机故障诊断中的应用

将粗糙集理论的属性约简与核Fisher鉴别分析方法结合起来,提出一种基于粗糙核Fisher鉴别分析的故障特征提取方法.首先采用粗糙集理论的属性约简删除与分类无关或关系不大的特征,降低输入特征维数,排除干扰特征的影响,减小了特征提取计算量;再采用核Fisher鉴别分析方法进一步提取非线性特征;最后将该方法应用于航空发动机滑油系统故障特征提取及故障识别中.结果表明:该方法获取的特征在提高分类正确率的同时,还有效地降低了输入特征维数,提高了分类效率,并且对分类器具有较强的适应性和鲁棒性.      

两向二维最大子类散度差鉴别分析及其在SAR目标识别中的应用

针对Fisher线性判决分析（FLDA）在图像识别应用中遇到的小样本问题,提出了两向二维最大子类散度差（(2D)2MCSD）鉴别分析的图像特征提取方法。首先找到每类数据的子类划分,再根据这些子类构造基于二维图像矩阵的子类类间和子类类内散布矩阵,最后用子类类间与子类类内散布之差作为鉴别准则求取投影矢量。该方法可以处理多模分布问题,从根本上避免了矩阵求逆和小样本问题,加快了特征抽取的速度,且同时对图像行和列进行压缩,克服了二维最大子类散度差（2DMCSD）鉴别分析和另一种形式的2DMCSD（Alternate 2DMCSD）的特征维数较大的问题。基于美国运动和静止目标获取与识别（MSTAR）公共数据库提供的实测数据的实验结果表明：本文方法的性能优于现有的子空间方法;与2DMCSD和Alternate 2DMCSD相比,可大大降低特征维数、提高识别性能。     

复杂结构件数控编程加工特征用户自定义方法

加工特征是实现复杂结构件高效、高质量数控编程的有效手段,但是同一类加工特征只是几何形状和加工工艺相似,并不完全相同。如何适应不同的企业资源与工艺水平、不同类型的复杂结构件进行加工特征定义是基于加工特征进行自动数控编程的一个难题。针对以上难题,本文提出了一种复杂结构件数控编程加工特征用户自定义方法,基于全息属性面边图表达加工特征几何信息,给出了具有一定柔性的加工特征几何信息定义方法,基于语义与规则建立加工特征工艺信息及其与几何信息之间的关联关系,实现了由用户根据企业的制造资源、零件结构和工艺人员的编程习惯等因素自定义加工特征。根据本文提出的方法开发了飞机复杂结构件加工特征用户自定义及自动编程系统,已成功应用于国内某大型航空制造企业的飞机结构件数控编程,经过多项飞机结构件测试,本文提出的方法特征识别正确率平均达到97%。     

飞机整体壁板广义槽分层识别方法及其实现算法(英文)

To automatically obtain a machining area in numerical control （NC） programming, a data model of generalized pocket is established by analyzing aircraft integral panel characteristics, and a feature recognition approach is proposed. First, by reference to the practical slice-machining process of an aircraft integral panel, both the part and the blank are sliced in the Z-axis direction; hence a feature profile is created according to the slicing planes and the contours are formed by the intersection of the slicing planes with the part and its blank. Second, the auxiliary features of the generalized pocket are also determined based on the face type and the position, to correct the profile of the pocket. Finally, the generalized pocket feature relationship tree is constructed by matching the vertical relationships among the features. Machining feature information produced by using this method can be directly used to calculate the cutter path. The validity and practicability of the method is verified by NC programming for aircraft panels.     

基于STEP和改进神经网络的STEP-NC制造特征识别方法

特征识别是实施STEP-NC重要的一步，也是实现开放式、智能化和网络化STEP-NC数控系统的关键。本文提出了一种基于STEP和改进神经网络的STEP-NC制造特征识别方法。该方法首先在对STEP AP203中性文件进行几何拓扑信息提取后，基于边的凹凸性判断构建了零件最小子图。然后，将混沌算法、遗传算法与BP神经网络算法有机相结合提出了改进的BP神经网络。最后，通过将获得的零件模型最小子图信息数据输入到改进的BP神经网络，实现了对STEP-NC制造特征高效精准地识别。通过实例验证了该方法的有效性和可行性。     

飞机结构件轮廓特征加工自动分区算法

作为飞机结构件重要组成部分,轮廓特征包含大量复杂曲面,且与工艺凸台等干涉物相连接,使得轮廓特征编程需综合考虑复杂曲面及干涉物信息,在自动编程模式下,轮廓特征编程仍严重依赖人工经验,其编程周期占结构件编程周期的40%以上,严重影响了结构件编程效率。针对该问题,提出了一种综合考虑复杂曲面及干涉物信息的轮廓特征加工自动分区方法,基于相邻轮廓面连接边属性及凸边约束原则对轮廓面进行初分区,依据干涉物信息构建虚拟边界,并基于虚拟边界对轮廓面初分区结果进行横向和纵向加工区域划分,通过对划分区域进行合并得到轮廓特征加工分区结果。根据提出的方法开发了飞机结构件轮廓特征加工自动分区系统,经过多项典型飞机结构件测试,该方法稳定可靠,可为轮廓特征加工程序编制提供支撑。     

基于快速提升KLDA准则的MSTAR SAR目标特征提取与识别研究

 核线性判别准则(KLDA)是一种非线性特征提取准则。利用KLDA提取MSTAR SAR图像特征,既达到较理想的识别概率,又可克服SAR图像对方位的敏感性。但此时训练样本最多,KLDA的计算代价高。为了解决这一问题,提出一种快速特征向量选择法（FFVS）。FFVS把类别和方位相似的SAR图像分成若干组,然后快速选择各组中部分图像组成一个集合且其到高维特征空间的映射作为一组基。利用该组基的线性组合表示任一样本和投影算子,降低了KLDA中核矩阵的阶数,达到降低计算代价的目的。实验结果表明,FFVS与KLDA组合能达到理想的识别结果。     

涡轮泵振动参数与统计特征量的线性相关性分析

为了剔除冗余的振动参数和统计特征量，提高涡轮泵故障检测的实时能力，建立了线性相关性假设检验模型。利用该假设检验模型和某型液体火箭发动机的历史试车数据，检验了7路涡轮泵振动参数以及13种常用统计特征量的线性相关性，并分析了统计特征量对涡轮泵故障的敏感性和稳定性，以及涡轮泵振动数据的正态性。数据统计分析表明，大部分涡轮泵振动参数以及统计特征量显著线性相关，幅值统计特征量的故障敏感性弱，但稳定性强，而无量纲统计特征量的情况恰好相反，并且正常涡轮泵振动数据服从正态分布，而异常涡轮泵振动数据不再服从正态分布。据此，为涡轮泵故障检测选择了线性相关性弱，故障特征反映能力强的3路振动参数和3种统计特征量。     

基于正则化多核判别分析的航空发动机滚动轴承早期故障融合诊断方法

针对基于机匣测点信号的航空发动机滚动轴承早期故障诊断问题,提出了一种基于正则化多核判别分析的融合诊断方法.该方法首先提取多种类型的滚动轴承故障特征;然后采用相同的一组核参数为不同类型的特征分别构造一组核矩阵,并将所有核矩阵组合在一起;最后通过求解一个半无限线性规划得到该组核矩阵关于正则化核判别分析的目标函数的最优线性组合系数,进一步采用该系数计算所有核矩阵的线性组合,从而实现多种类型特征信息的融合.实验结果表明:该方法诊断正确率与采用单一类型特征诊断的最高正确率相比提高了9.25%,同时可以避免核矩阵需要人工选择的问题,从而进一步提高了故障诊断的自动化水平.      

基于磨粒磨损机理的机械磨损状态监测

针对机械设备磨损状态监测准确率较低的问题,基于不同磨损机理下磨粒具有不同的形状和纹理特征,提出了一种基于磨粒特征识别的机械磨损状态监测的数学模型。通过形状特征识别球状磨粒和切削磨粒,结合形状、纹理特征识别疲劳磨粒和严重滑动磨粒,基于提取的特征参数建立机械磨损状态监测的特征向量,通过量子粒子群优化(QPSO)的径向基函数神经网络模型,实现对机械磨损状态的监测和判别。实验结果表明:QPSO-RBF神经网络数学模型结构简单,比传统PSO-RBF神经网络模型的识别准确率高5%,可用于常见机械磨损状态的检测。