航空发动机整机振动故障模糊信息熵诊断方法

为了获得航空发动机整机振动故障征兆与故障原因之间难以确定的复杂隶属关系,提高故障诊断的准确率,基于模糊数学理论和信息熵理论,提出了基于模糊信息熵的发动机整机振动故障融合诊断方法。通过建立模糊信息熵融合诊断的数学模型,使定量分析与专家经验和定性分析相结合,并应用于某型航空发动机整机振动故障诊断。实际应用表明,基于模糊信息熵融合的诊断模型较单一的模糊诊断模型准确率明显提高,验证了该方法用于航空发动机整机振动故障诊断是有效的。     

基于D—S证据理论的航空发动机故障诊断

航空发动机滑油中舍有摩擦副产生的磨损微粒。通过滑油介质中所含磨损微粒中元素的分析．运用Dempster-Shafer证据融合诊断方法,对航空发动机的磨损状态等进行有效的诊断,确定发动机的磨损程度,以及发动机的磨损部位,从而可对发动机的故障排除作参考。在融合过程中提出了先对每个元素的磨损量和磨损率进行融合,再总体融合的方法。针对Dempster—Sharer证据融合的局限,应用了两种改进的融合方法,并进行比较。实例表明,Dempster—Shafer证据融合是一种有效的航空发动机滑油磨损的故障诊断方法。     

用于故障诊断的模糊Petri网

基于一般 Petri网理论、故障树技术和模糊集理论 ,建立了适用于故障诊断的模糊 Petri网理论体系 ,并用于 FMS的故障诊断实例中。该方法具有直观、表达能力强、易于推理 ,能准确地描述故障现象的性质及故障空间的关联     

D-S证据理论及其在滑油故障诊断中的应用

结合算例阐述了D-S证据融合理论的基本思想及其改进公式,并应用在航空发动机滑油光谱分析和磨粒分析中,表明D-S证据理论是航空发动机滑油故障诊断中一种非常有效的数据融合方法。     

基于模糊Petri网的机载蒸发循环系统故障诊断方法

针对机载蒸发循环系统多层次、相关性的故障特征,本文提出了基于模糊Petri网的机载蒸发循环系统故障诊断方法.根据故障的失效模式与效应分析(FMEA)表以及模糊故障Petri网(FFPN)建模规则,通过对系统的功能、模块划分以及对故障数据进行分析,建立了机载蒸发循环控制系统的故障模型.根据此模型,采用模糊集理论描述了故障...     

基于小波网络航空发动机滑油系统故障诊断方法研究

将小波分析与前馈神经网络相触合,应用于小波神经网络对航空发动机滑油系统的故障渗断.结果表明,小波网络故障诊断方法具有收敛速度快,对网络输入不敏感等特点,为非线性系统的故障诊断提供了新的理论和方法.     

一起FJ44-1A飞机发动机滑油压力高故障分析

滑油系统是航空发动机的重要组成部分,本文从一起典型的FJ44-1A型发动机滑油压力高故障入手,简要介绍了该型发动机滑油系统的组成和基本原理,阐述了故障排除的程序和步骤,分析了故障原因,并提出滑油系统相应的维护建议,为相似机型的日常维护提供参考。     

基于GA优化BP算法的滑油状态监测

滑油状态的监测与分析是航空发动机状态监测与故障诊断的重要手段。为了解决以往滑油金属质量分数预测模型算 法的局部性、收敛速度慢及预测结果误差大等问题,结合遗传算法（GA）收敛速度快、鲁棒性好等优点,对反向传播（BP）神经网络 算法进行GA优化,通过GA对参数寻优,并应用于发动机滑油金属质量分数预测。由于滑油的状态参数并不能确定部件故障与 否,利用贝叶斯（Bayes）决策规则对诊断结果进行了错误率计算。将所提方法应用于某航空发动机滑油铁质量分数预测,结果表 明：采用GA优化后的BP神经网络（GA-BP）得到的预测结果具有更高的精度,其最大预测误差不超过6%,平均预测误差为1.7%, 所测数据与原数据具有较好的拟合性,利用Bayes决策规则对诊断结果进行分析,对于部件故障与否的判别更具说服力。     

航空发动机的模糊故障诊断方法研究

提出了一种基于T-S模糊模型的故障诊断方法, 该方法从样本空间提取模糊规则, 在模糊系统参数最优化的同时实现了对模糊系统结构的自适应优化, 并给出了故障判定的阈值确定方法.以某涡扇发动机定检稳态的机载记录数据为依据, 将基于T-S模糊模型的故障诊断方法应用于航空发动机, 研究结果表明, 该方法能准确地判定某涡扇发动机的健康状况, 将其应用于航空发动机故障诊断是可行、有效的.      

航空发动机滑油综合监控中的磨损故障融合诊断研究

单一的滑油光谱监控手段容易漏报航空发动机磨损故障.根据滑油光谱监控和自动磨粒检测互补的特点,在某型航空发动机上实施滑油综合监控,应用Dempster-Shafer(D-S)证据理论实现发动机磨损故障的融合诊断,并开发出基于上述监控方法和信息融合诊断的滑油监控专家系统.通过对实际诊断案例进行分析,结果表明:提出的滑油综合监控和融合诊断方法可有效解决该型发动机轴承故障预报的难题.