基于RBF神经网络的航空发动机故障诊断

航空发动机的故障诊断研究在民航安全发面有着重要的意义，而故障诊断模型的建立尤其关键。采用径向基函数（RBF）神经网络建立发动机的故障诊断模型，论述了径向基函数神经网络的结构、学习和运行，并通过该模型对发动机参数进行辨识，结果表明RBF神经网络具有较高的故障诊断正确率。     

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.      

基于双重卡尔曼滤波器的发动机故障诊断

提出了一种基于双重卡尔曼滤波器的航空发动机健康参数估计方法,实现了传感器发生故障情况下发动机故障的准确诊断.采用发动机动态工作点的测量数据,解决了可测量参数偏少导致故障诊断困难的问题;球面采样平方根UKF(UnscentedKalmanfilter)故障诊断滤波器具有更好的滤波稳定性与更低的计算量的要求,提高了故障诊断算法的效率与精度.某型双轴涡扇发动机故障诊断仿真结果表明,该方法可以准确的同步实现气路部件与传感器的故障诊断,是一种有效的航空发动机故障诊断方法.      

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Vague集相似度量的航空发动机故障诊断的研究

针对传统故障诊断的局限性,探讨了基于Vague集相似度量的航空发动机故障诊断的方法.将Vague集之间的相似度量与发动机故障诊断问题结合.在得到发动机故障征兆和故障类型之间关系的基础上,计算待诊断检测故障样本与系统故障知识的Vague集之间的相似度,从而对故障进行诊断和排序.通过实例阐明将其用于某型航空发动机的故障诊断中,结果表明该方法操作方便,诊断结果准确可靠.说明了基于Vague集相似度量在航空发动机故障诊断中的有效性与合理性.     

航空发动机故障诊断系统性能评价与仿真验证

航空发动机故障诊断系统对提高发动机安全性和可靠性具有重要的意义,其性能评价指标包括故障检测率、故障定位率、虚警率等.为此,基于混合卡尔曼滤波器组诊断原理,针对民用航空发动机常见的四种故障搭建了发动机故障诊断系统.采用蒙特卡罗仿真方法,对故障诊断系统在发动机健康和性能退化两种情形下的性能评价指标进行了仿真验证.仿真结果表明,两种情形下诊断系统均满足发动机故障检测率98％以上、故障定位率90％以上、虚警率不大于1％的工程应用需求.     

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.     

基于小波神经网络航空发动机滑油系统故障诊断方法研究

研究了基于小波神经网络的非线性系统的故障检测和诊断方法.把小波分析与前馈神经网络相融合,并推导出其具体的算法.应用小波神经网络对航空发动机滑油系统进行故障诊断.试验和仿真的结果表明:小波网络应用于故障诊断时具有收敛速度快,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.     

航空发动机点火组件故障诊断系统设计

航空发动机点火组件是发动机的核心部分,该组件设计的合理性及其工作的可靠性直接关系到发动机的工作状况,进行航空发动极点火组件故障诊断研究,对保障飞机点火组件的正常运行、提高飞机的安全性和持续适航性具有十分重要的意义.以航空发动机点火组件为研究对象,以航空发动机点火组件不同类型故障下产生的二次电压波形为基础,建立相应的故障特征库,设计基于图形匹配的航空发动机点火组件故障诊断系统.该系统能够采集点火电压波形及相应特征参数,将待检测波形与故障特征库中典型波形进行对比,得出相应故障类型.     

基于云关联度的航空发动机传感器、部件故障识别系统设计

针对灰色关联度方法用于发动机故障诊断精度低的问题,结合云理论和关联度分析方法,提出了云关联度方法,利用“云滴”能够反映映射的模糊性和随机性与整体“形状”变化分布这一特性,克服数据挖掘的模糊性和随机性问题,采用综合隶属度方法能够充分对数据进行挖掘,最终计算出云关联度.为了实现航空发动机传感器、部件单一故障的实时识别和诊断,在分析航空发动机传感器故障和部件故障特点的基础上,利用云关联度方法,设计了航空发动机传感器、部件故障的识别系统.仿真结果表明该方法不仅能够实时正确区分航空发动机传感器、部件故障,还能准确诊断出故障发生的传感器或者部件的位置,有效地改善了航空发动机故障诊断能力.      

民航发动机远程故障诊断若干关键技术研究

本文提出的民航发动机远程故障诊断技术将Internet网络技术与民航发动机故障诊断技术有效地结合起来,旨在将民航发动机的维护和故障诊断手段提升到远程的网络环境,以极大提高故障诊断的水平和时效性。本文从工程应用角度出发,对其中的几个关键技术问题进行了讨论。首先分析了民航发动机故障诊断的技术现状,提出了民航发动机远程故障诊断系统的结构体系。提出一种诊断设备网络化的设计思想,即采用上下位机的结构和COM组件技术,实现远程操作、状态监视和控制。采用COM组件技术和网络数据库技术实现了在Web服务器上的知识的存储与推理。分别基于NI的Labview/GWebServer和DataSocket技术,开发了两种多功能的远程故障诊断的协同工作环境(CSCW)。      

基于灰色神经网络的航空发动机振动故障诊断方法研究

针对某型双转子航空涡扇发动机台架试车中出现的振动异常现象,提出了一种基于灰色神经网络的航空发动机故障诊断方法,该方法不仅具有灰色关联度故障诊断方法计算量小、准确率高等优点,同时具备了神经网络强大的并行处理能力和良好的容错性。实例证明,该方法能够简单有效地诊断出航空发动机台架试车中出现的常见故障,为航空发动机故障诊断提供了一个新的途径。     

基于小波变换和神经网络的航空发动机故障诊断

在阐述了小波变换和BP神经网络概念的基础上,根据小波神经网络故障诊断的基本思想,提出了一种基于“能量-故障”的小波预处理神经网络航空发动机诊断方法。实验仿真结果表明,使用该方法提取故障特征加快了神经网络的训练速度,能迅速地进行故障的诊断。     

PSO-RBF神经网络在舵机系统故障诊断中的应用

文章建立了基于RBF神经网络的故障观测器模型,提出了一种将粒子群优化算法(PSO)与正则化正交最小二乘法(ROLS)相结合的2级RBF学习方法,并将该RBF网络观测器应用于导弹舵机系统的故障诊断.实验结果表明,基于该RBF神经网络的故障观测器能够有效地实现导弹舵机系统的故障检测.     

基于LMD和RBF相结合的尾桨台传动系统滚动轴承故障诊断方法

提出了局部均值分解(Local mean decomposition,简称LMD)方法和径向基函数神经网络(Radial Basis Function Neural Network,简称RBF)相结合的滚动轴承故障诊断方法.LMD方法是一种新的自适应时频分析方法,能够有效地提取故障特征.该方法首先采用LMD对滚动轴承振动信号进行分解,计算分解得到的PF分量能量比,作为特征向量输入到RBF神经网络中,进行故障分类和识别.通过真实滚动轴承数据的故障诊断实验,验证了该方法的有效性.     

航空发动机故障诊断技术研究

介绍了COMPASS软件和基于粗糙神经网络模型的新型故障诊断技术。对某航空公司运营中的ERJ145飞机双发AE3007发动机进行的故障诊断和研究表明,粗糙神经网络模型在故障诊断中的适用性和可信性很强,能够为航空发动机故障诊断提供有效参考。     

基于DSmT的航空发动机早期振动故障融合诊断方法

提出在航空发动机多个部位安装多个振动传感器组成传感器网络.采用多传感器信息融合技术进行早期振动故障的诊断方法,并引入Dezert-Smarandache理论(DSmT)来处理由早期微弱故障本身所导致的各个传感器信息相互冲突的问题.在构建的早期微弱故障诊断系统框架中,采用基于本征模态函数(IMF)的信息熵特征提取方法提取各路振动数据的特征,采用反向传播(BP)神经网络完成对故障属性的判断并生成各种故障模式的基本置信分配,最后根据DSmT融合规则得到最终的诊断结果.算例表明采用该方法可以有效地解决早期微弱故障条件下的高冲突信息融合问题,故障诊断结果准确可靠.      

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.      

基于GSP仿真和SDAE的航空发动机故障诊断

为了深入研究航空发动机故障机理,提出基于航空燃气涡轮发动机性能仿真软件(GSP)和堆栈降噪自编码器(SDAE)的航空发动机故障诊断方法。通过GSP性能仿真方法模拟发动机在不同设计参数下的部件故障,并得到对应的运行状态参数;从每种故障类型下的长时间序列的状态参数中提取出向量化的曲线特征,构成故障样本;将故障样本带入SDAE模型中进行深度特征提取,经过前向传播和反向微调得到训练好的模型用于发动机故障诊断。结果表明:GSP能够通过参数更改来模拟微弱故障下的状态参数,从而构建多故障样本集;SDAE的重构误差和反向传播误差能够快速收敛到较小值,SDAE的故障诊断正确率为99.5%;与深度信念网络(DBN)、人工神经网络(ANN)以及经典机器学习方法支持向量机(SVM)相比,SDAE的故障分类正确率分别提高了0.8%、6.9%和10.1%。     

基于RBF网络的航空发动机单神经元解耦控制

针对航空发动机多变量控制系统中各回路之间存在的耦合现象,提出了一种基于RBF网络辨识的航空发动机多变量单神经元网络解耦控制方法。对发动机的多个控制回路,采用多个RBF网络实时辨识各个回路发动机的数学模型,并将系统的灵敏度信息实时反馈给各回路的控制器,保证了单神经元网络控制器对各回路的准确控制,最终实现对发动机多回路的解耦控制。通过在飞行包线内的仿真,结果表明,该方法不依赖被控对象的精确模型,有效地实现了对发动机的解耦控制,而且具有良好的动静态性能,将其应用于航空发动机多变量解耦控制是行之有效的。