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。     

基于WCFSE-FSVM的转子振动故障诊断方法

为了提高含有噪声和野值的转子振动故障样本诊断精度,提出了基于WCFSE-FSVM的故障诊断方法。充分融合小波相关特征尺度熵(WCFSE)特征提取方法和FSVM故障诊断方法的优点,建立WCFSE-FSVM故障诊断模型。基于转子实验台模拟4种典型故障,获得原始故障数据;并利用WCFSE方法提取这些故障数据的WCFSE值,选取故障信号高频段中的尺度1和尺度2上的小波相关特征尺度熵W1和W2构造出振动信号的故障向量作为故障样本,建立FSVM诊断模型。实例分析显示:WCFSE-FSVM方法的转子故障诊断精度最高,即故障类别诊断精度为94.49%,故障严重程度的诊断精度为95.58%,二者都优于其它故障诊断方法。验证了WCFSE-FSVM方法的可行性和有效性。      

故障因子诊断方法在航空发动机上的应用研究

航空发动机气路中任何零部件受损而引起的性能恶化,必然导致相关参数的变化。引入了故障因子的概念,介绍了故障因子诊断方法在航空发动机上的应用,阐述了航空发动机故障诊断过程中测量参数与性能参数选取的依据和方法,利用故障因子建立了某型涡喷发动机稳态工作状态下的故障模型和诊断模型,探讨了4个测量参数诊断气路部件故障的方法。算例结果表明:故障因子诊断方法是航空发动机进行故障诊断的1种最基本且十分有效、快捷的诊断手段。     

舰船燃气轮机气路测量参数的理论选择方法

针对舰船燃气轮机气路性能监测诊断的有效性要求,归纳总结了气路测量参数选择要求,提出了1套系统完整的燃气轮机气路测量参数的理论选择方法。在可测量和易测量要求及测试精度要求的初步选择基础上,依次采用影响系数、相关系数和条件数对气路测量参数的敏感性、相关性和诊断误差等进行了分析,最终从理论上选择了某舰船3轴燃气轮机气路性能监测诊断的测量参数。实例表明该理论方法具有一定的通用性和工程应用价值,对燃气轮机气路测量参数的选择有一定的指导作用。     

机载电子设备集成智能故障诊断系统

现有智能故障诊断方法主要有基于模型推理、基于规则、基于神经网络和基于案例的诊断方法,它们各有独特之处,又有各自的局限性。集成这些诊断方法能综合各诊断方法的特点,克服各诊断方法的局限性,从而提高诊断系统的智能性和诊断效率。本文根据飞机外场维护和内场大修的现状,设计了机载电子设备集成智能故障诊断系统。系统运用集成智能诊断策略,弥补单一推理方法存在的缺陷,增强了系统的故障诊断能力。实践表明,该集成智能故障诊断系统在机载电子设备的故障诊断与维修中发挥了积极有效的作用。     

故障诊断技术

诊断故障是一项极其重要的工作。因为只有诊断出故障发生的原因才能排除故障,从而使工程正常的进行。不同类型的工程产生的故障也不同,我厂生产过程中,除发生机械工业中常有的一般故障外,还会产生不协调故障。下面介绍这两类故障的诊断技术。一、一般故障的诊断方法对于生产过程中经常发生的重复故障,必须深入进行调查研究,详细记录产生故障的各种因素,并画成排列图(主次图,图1)。排列图是全面质量管理中使用的七种工具中主要的一种,是找出产生故障主要因素的一种有效方法。     

转子振动故障的过程功率谱熵特征分析与定量诊断

针对传统旋转机械振动故障定性诊断的不足,提出了1种以信息熵理论为基础的转子故障特征分析与定量诊断方法。在转子试验台上模拟转子振动的4种典型故障,分别得到4个测点多转速下的振动过程故障数据;对这些故障数据进行分析和处理,提取反映其振动过程的故障特征——功率谱信息熵,建立能描述转子振动过程变化规律的多转速多测点下的故障信息熵矩阵,并对振动故障进行分析;通过对转子振动故障信号的实例计算和定量诊断分析,验证了该方法在转子振动故障分类和故障严重程度判断方面是可行的。     

基于灰色关联分析的航空发动机气路部件故障诊断

为了改善对航空发动机气路部件故障诊断能力,提出了一种基于灰色关联分析的两层诊断方法。该方法首先利用粒子群算法优化各蜕化程度下灰色关联加权指数,构建标准故障序列,利用灰色关联分析进行第一层定性诊断,再优选故障模式利用灰色斜率关联分析方法进行二次诊断,得到了气路部件故障诊断结果。仿真表明,改进二次灰色关联分析诊断方法比单层诊断方法结构更简单,计算量小,更适合于较多传感器的发动机诊断系统,比经验灰色关联分析方法诊断精度更高。     

航天器智能诊断系统开发研究

提出了基于故障树的故障报警方法和诊断方法,提出了面向故障树的报警知识和诊断知识表示方法及相应的报警和诊断推理策略,最后,在Windows环境下,用BorlandC++实现了一个原型系统,并通过对“实践-四号”卫星能源系统故障模拟实验台的诊断验证了系统的有效性。     

航天发射故障综合诊断方法

介绍航天发射故障综合诊断方法,综合诊断模型与诊断策略,并给出一个典型的综合诊断案例。     

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。     

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.      

应用SVM的发动机故障诊断若干问题研究

支持向量机能够克服一般神经网络容易出现的过学习和泛化能力低等不足。提出一种基于支持向量机的航空发动机气路部件故障诊断方法,讨论了支持向量机的核函数选择和参数确定问题,并对"块算法"进行了分析。仿真实验表明,设计的正则化参数和核参数合理,故障分类器具有良好的分类准确性和泛化性能,可以对发动机气路部件的典型故障进行正确诊断。     

Elman 回归神经网络在航空发动机故障诊断中的应用

提出了一种基于Elman神经网络的航空发动机故障智能诊断方法。以在某型发动机地面定检状态下实测的数据作为样本数据,建立了航空发动机故障诊断模型,利用该模型成功地对实测发动机参数进行了诊断。研究结果表明:该方法对权值初始值选取、隐含层节点数选取和输入样本规范化处理等不敏感,具有学习速度快、诊断精度高等优点。     

发动机故障诊断主因子模型的测量参数选择

研究了航空发动机气路故障诊断的测量参数选择的问题.基于发动机故障诊断的主因子模型,结合预测平方残差和(prediction error sum of squares,简称PRESS)准则,建立了一种选择风扇流量、风扇出口压力、压气机出口压力、压气机出口温度、涡轮后温度和燃油流量这6个测量参数进行单轴涡扇发动机故障诊断的方法.大量的实例表明,合理运用该方法选择测量参数的种类和数量,既能取得比较满意的诊断效果,又能利用发动机控制系统已有的测量参数,降低诊断成本,具有一定的工程应用价值.      

基于EMD和SVM的滚动轴承故障诊断方法

将支持向量机(SupportVectorMachine,简称SVM)、经验模态分解(EmpiricalModeDecomposition,简称EMD)方法和AR(Auto-Regressive,简称AR)模型相结合应用于滚动轴承故障诊断中。该方法首先对滚动轴承振动信号进行经验模态分解,将其分解为多个内禀模态函数(IntrinsicModeFunction,简称IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法在小样本情况下仍能准确、有效地对滚动轴承的工作状态和故障类型进行分类,从而实现了滚动轴承故障诊断的自动化。      

基于EMD熵特征融合的滚动轴承故障诊断方法

研究了滚动轴承故障诊断单一故障信号的局限性和故障特征的非线性,从信息融合的理论出发,利用非线性动力学参数熵作为特征,提出了基于经验模态分解(EMD)熵特征融合的方法来解决滚动轴承故障诊断问题.首先将原始信号进行EMD,利用EMD的自适应多分辨率的特点计算EMD得到的固有模态函数(IMF)信号的多种熵值,然后采用核主元分析(KPCA)对提取的状态特征进行信息融合,从而得到互补的特征,最后将提取的融合特征通过支持向量机(SVM)进行故障诊断.滚动轴承故障诊断实验表明:该方法结合了EMD、信息熵理论和KPCA强大的非线性处理能力的特点,可以进行滚动轴承故障诊断.      

基于隶属度和LMK-ELM的航空电子部件诊断方法

为提高航空电子部件模块级故障诊断精度，提出一种新的面向"软聚类"的局部多核学习（LMKL）-超限学习机（ELM）离线诊断方法。通过引入模糊C均值聚类对样本空间进行模糊划分，挖掘聚类内部多样性的同时，实现了对过学习的抑制；将模糊划分产生的隶属度信息融入LMKL-ELM的优化过程，运用基于初始-对偶混合优化问题的三步优化策略克服了局部核权重二次非凸的问题，在l₁-范数与l₂-范数约束下分别给出了相应的更新方法。将所提方法应用于某型机前端接收机，结果表明：与4种流行的多核诊断方法相比，该方法可有效避免漏警、抑制虚警，在l₁-范数和l₂-范数约束下，其诊断精度比其他方法的平均值分别提升了4.09%和5.13%。     

基于免疫理论的航空发动机磨损故障智能诊断

针对航空发动机磨损故障诊断技术智能化、精确化的发展要求,以传统油液监测技术为基础,结合人工免疫系统(AIS)具有的自适应特性、学习记忆特性及识别特性等优点,提出了一种航空发动机磨损故障的智能诊断方法。该方法首先利用人工免疫理论的反面选择原理生成检测器,优化后的检测器生成算法提高了初始检测器的代表性及覆盖性;然后利用故障样本训练出成熟的检测器,使航空发动机典型的磨损状态信息存储在检测器中,实现对故障模式的有效学习和记忆;最后通过检测器的激活发现航空发动机的磨损故障。对油样数据的实例分析结果表明,该方法对航空发动机磨损故障具有较强的识别能力,对磨损状态有很好的监测效果。