直升机行星传动轮系故障诊断研究进展

行星传动轮系是直升机传动系统的核心部件,是直升机健康和使用监测系统(HUMS)重要的监测对象。直升机行星传动轮系具有结构复杂紧凑、组件繁多、工况瞬时多变以及使用环境恶劣等特点,导致直升机行星传动轮系振动信号污染严重、成分复杂,具有较强的非平稳性和耦合调制特征。另外复杂的故障模式、较少的故障样本,也都增加了直升机行星传动轮系故障诊断的难度。面对这些难题,研究人员在基于信号降噪与信号分离、时频分析与解耦解调、数学建模与模式识别的故障诊断技术上取得了丰硕的成果。面对仍然存在的一些亟待研究和解决的问题,提出了直升机行星传动轮系故障诊断技术的研究方向以及未来的发展趋势。     

基于离散粒子群优化算法的直升机减速器齿轮故障特征选择

粒子群优化算法自提出以来,由于其容易理解、易于实现,所以发展很快,在很多领域得到了应用。本文针对机械故障特征选择问题,提出基于离散粒子群优化(PSO)算法的特征选择方法,并在直升机减速器齿轮故障诊断中进行了应用。实验结果表明,离散PSO算法可以快速、有效的求得优化特征集,是求解故障特征选择问题的一个较好方法。      

Nonlinear dynamic modeling of a helicopter planetary gear train for carrier plate crack fault diagnosis

Planetary gear train plays a significant role in a helicopter operation and its health is of great importance for the flight safety of the helicopter. This paper investigates the effects of a planet carrier plate crack on the dynamic characteristics of a planetary gear train, and thus finds an effec-tive method to diagnose crack fault. A dynamic model is developed to analyze the torsional vibra-tion of a planetary gear train with a cracked planet carrier plate. The model takes into consideration nonlinear factors such as the time-varying meshing stiffness, gear backlash and viscous damping. Investigation of the deformation of the cracked carrier plate under static stress is performed in order to simulate the dynamic effects of the planet carrier crack on the angular displacement of car-rier posts. Validation shows good accuracy of the developed dynamic model in predicting dynamic characteristics of a planetary gear train. Fault features extracted from predictions of the model reveal the correspondence between vibration characteristic and the conditions (length and position) of a planet carrier crack clearly.     

特征选择的多准则融合差分遗传算法及其应用

为了全面评价特征子集的好坏,提高特征子集作为最佳子集的可靠性,以及更快找到最佳子集,提出了一种用于特征选择的多准则融合差分遗传算法。引入多个评价准则对特征子集进行评价,并对遗传算法的选择算子进行改进,有利于选出适应度高且具有重要特征的个体;同时,引入差分策略改进变异算子,提高种群多样性和算法搜索能力;最后通过仿真实验和滚动轴承实例验证了该方法的有效性。     

直升机故障分析与管理系统的设计与实现

为提高直升机健康和使用管理的自动化程度,构建了基于C/S结构的直升机故障分析与管理系统框架,阐述了在.net平台下的设计与实现方案。将阈值判断、小波技术、时域平均以及傅里叶分析等用于振动信号去噪、特征频率提取等信号分析之中,为直升机的故障诊断提供分析平台。同时,结合网络技术、数据库技术实现数据的有效管理,为地勤维护人员、直升机管理人员及专家提供良好的分析和管理工具。     

基于GWO-TVF-EMD方法的行星齿轮箱齿面剥落故障诊断

针对时变滤波经验模态分解（TVF-EMD）方法的不足之处,将样本熵作为适应度函数,采用灰狼优化（GWO）算法对带宽阈值和B样条阶数核心参数进行寻优,得到最优组合解,对不同的故障冲击试验振动信号进行分解。对本征模态函数（IMF）分量选取过程进行优化,采用多个加权指标对所有IMF分量进行计算,最终选取最优IMF分量,再通过包络谱分析提取出行星轮齿面剥落故障特征。在行星齿轮箱故障试验中,利用方均根法对剥落故障进行初步识别,根据GWO-TVF-EMD法分解得到各剥落故障信号最优IMF分量,使用包络谱分析明显判断出行星齿轮的故障频率。该方法能够提取3种不同程度齿面剥落故障的细节特征,理论值与实际值的相对误差为1.68%。      

超参数自适应的MOEA/D-DE算法在翼型气动隐身优化中的应用

MOEA/D-DE 算法易于实现，被广泛应用于处理多目标优化问题，但其超参数CR 和F 对算法性能影响较大。基于MOEA/D-DE 算法框架、利用Sobol 全局灵敏性分析方法对差分进化算子中的交叉控制参数CR进行改进，使用莱维飞行策略控制比例因子F，使算法中的超参数拥有自适应能力，得到超参数自适应的MOEA/D-DE 算法——MOEA/D-DEAH 算法；对MOEA/D-DEAH 算法、不同超参数设置的MOEA/D-DE算法和NSGAII 算法进行函数测试和翼型气动隐身优化算例对比。结果表明：MOEA/D-DEAH 算法性能良好，具有较强的鲁棒性，气动隐身优化效果也比其他算法更好。     

基于一维卷积神经网络和SoftMax分类器的风电机组行星齿轮箱故障检测

将卷积神经网络引入风机故障检测领域,设计了一种一维卷积神经网络的结构,并和SoftMax分类器相结合构造了一种双层智能诊断架构。一维卷积神经网络用于行星齿轮箱数据的特征提取,SoftMax分类器对提取的特征进行分类。与传统智能算法相比,该方法具有训练样本少,可直接使用原始数据训练网络;计算效率高,可以适应实时诊断的需要。试验结果证明,该方法可以有效地诊断出不同工况下的行星齿轮箱中的齿轮故障。     

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.     

发动机故障诊断的MONTE CARLO通解算法

给出了发动机故障诊断的 Monte Carlo通解算法,该算法可以有效地解决发动机故障诊断算法中由于故障方程存在多重共线性所引起的误诊、漏诊与多解问题。首先给出求解故障方程的 Monte Carlo算法,该算法能够保证得到满足故障方程的全部合理解;能够简单地用于各种故障相关性准则 (例如各种残差向量范数准则 )以及亚定故障方程的求解问题;并且算法简单易行,无需为每个特定情况专门编制计算程序。其次提出了基本解与通解的概念,并且给出了利用主成分分析与利用主因子模型求基本解的两种有效算法。利用基本解与通解算法可以将由于多重共线性引起的复杂故障诊断结果表示为简单明了的形式,有利于对诊断结果作出正确决策。用计算机模拟方法对算法的有效性进行了分析,对于 JT9D发动机气路方面的 2 4个实际故障样本,所给出的算法的确诊率为 86%～ 92 %     

多激励下某直升机传动系统动载特性

针对由弧齿锥齿轮和行星轮系构成的直升机传动系统,构建了纯扭振动模型,采用集中参数法建立了齿侧间隙非线性动力学方程.通过有限元方法求得了时变啮合刚度,采用4-5阶变步长Runge-Kutta法对动力学方程进行了数值求解,借助动载系数、相图、Poincaré截面图、快速傅里叶变换频谱图等分析手段,研究了传动系统在时变啮合刚度、齿侧间隙、综合传动误差、外载荷等多种激励作用下系统的动载特性.结果表明啮合刚度对传动系统的影响最大,动载系数最大值为1.5;齿侧间隙对系统响应特性的影响是有限的;啮合误差在一定程度上抑制了齿轮系统的振动;外载荷波动对不同速级的影响不同,动载系数最大值发生在并车传动.     

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。     

基于S-PSO分类算法的故障诊断方法

将监控数据的已知状态作为先验类别标签,构造出新的有监督的粒子群优化(S-PSO)分类算法,并对设备进行故障诊断。为提高故障诊断的准确率,降低随机性对分类算法的影响,提出了新的基于动态邻域的自适应探测更新(ADU-DN)的干预更新策略来拓展粒子搜索整个解空间的能力,引导粒子自适应地跳出局部最优区域,确保获得全局最优解;同时设计出基于最小类内距离、最大类间距离和训练样本最大分类精度的适应度函数,使得输出的最优类别中心兼顾了这3个因素,增强了分类算法在故障诊断中的通用性和容错性,提高了测试样本的分类精度。S-PSO分类算法有效克服了聚类算法只考虑数据间相似性特征、不考虑数据蕴含的物理意义以及不能很好指导样本分类的缺陷。对GE90发动机孔探图像纹理特征分类进行了对比研究,研究数据表明:S-PSO分类算法表现出了较强的鲁棒性,在故障诊断中的分类精度高于支持向量机(SVM)和常用神经网络模型。     

基于循环平稳时间序列的齿轮裂纹故障早期检测

在分析齿轮振动信号的基础上 ,结合其具有循环平稳性的特点 ,提出了基于线性几乎周期时变 AR模型的故障早期检测方法 ,推导了基于高阶循环累积量的模型参数辨识算法 ,具有抑制加性平稳噪声的优点。最后在某型直升机齿轮裂纹故障早期检测中进行了应用 ,结果表明该方法具有很好的预测能力 ,利用模型残差的峭度能够检测和预报早期裂纹故障 ,同时为根据正常样本检测旋转机械故障提供了一种思路      

基于小波包分析与多核学习的滚动轴承故障诊断

为了更准确地诊断滚动轴承故障,提出了一种基于小波包分析与多核学习的滚动轴承故障诊断方法.该方法首先对振动信号进行3层小波包分解,将振动信号分解为不同频带的信号,提取各频带的相对能量特征,构建特征向量;然后采用多核学习算法从训练样本集中学习核函数与分类器;最后使用训练出的分类器识别滚动轴承故障类型.为了验证方法的有效性,进行了滚动轴承故障诊断实验,实验结果表明该方法的故障诊断准确率达到98.25%,与传统的基于小波包与支持向量机的滚动轴承故障诊断方法相比,其故障诊断准确率更高,同时由于避免了核函数的选择问题,该方法更便于实际应用.      

基于免疫聚类分析的特征提取及其在发动机故障诊断中的应用

以提高航空发动机故障诊断的快速性和准确性为目的，基于人工免疫理论中的克隆选择算法，结合聚类分析方法，提出了基于免疫聚类分析的故障特征提取方法。该方法通过删除对分类无关的特征以及压缩类间相关特征，得到最有利于分类的子特征集，提高了分类器的分类性能。并且该算法具有本质上的并行性、计算效率高和聚类能力强等优点。多类支持向量机的分类实验表明，经过基于免疫聚类分析提取的特征对发动机的故障具有更好的识别能力，为发动机的状态监测与故障诊断提供了依据。     

基于ReliefF-LMBP算法的涡轴发动机气路故障模式识别—两机专刊

针对涡轴发动机气路故障模式识别精度不高的问题,提出了一种基于ReliefF-LMBP故障特征提取的发动机故障模式识别方法。应用ReliefF算法对发动机传感器参数赋予权值,对传感器参数特征权重值进行迭代更新和排序,聚集好的特征样本,离散异类样本。根据筛选出的特征子集,利用LMBP神经网络算法进行发动机故障模式识别。以涡轴发动机为对象进行气路故障诊断验证,结果表明所提方法能提取特征传感器参数并实现有效的故障模式识别。     

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.      

基于人工免疫的直升机传动系统在线异常监测方法

 针对直升机在线监测时难以提取状态特征的问题，提出一种适用于直升机传动系统在线状态监测方法。该方法基于生物免疫系统反面选择机理，利用改进型反面选择算法并结合人工神经网络进行监测。该方法能有效地提取直升机传动系统的状态特征，并结合直升机传动系统的实际情况准确得出状态异常度。在线监测实例结果表明，该方法能较准确监测出直升机传动系统的异常状态，验证了该方法具有较好的在线性、准确性及鲁棒性。     

基于改进主元分析的故障诊断方法研究

提出了一种主元分析与模糊聚类相结合的故障诊断方法,该方法首先用主元分析方法降维、提取故障特征,并计算出T2值和Q值,若超过阈值说明有故障发生,则用模糊聚类识别故障,具有诊断时间短、准确性高的优点.通过对田纳西-伊斯曼过程的仿真表明了该方法的有效性.