滑油系统全流量在线磨粒静电监测技术研究

 针对滑油系统非金属材料难以实现在线监测的问题,基于静电感应原理展开全流量磨粒监测技术研究。研究润滑条件下荷电磨粒的产生机理和全流量磨粒静电监测原理,着重进行了静电信号特征提取方法研究。为验证磨粒静电监测技术的可行性,设计并搭建了模拟实验平台,开展了故障颗粒注入实验和循环润滑条件下销盘滑动摩擦磨损实验,使用自制的全流量在线磨粒静电传感器对油路中的磨粒进行监测。结果表明:静电传感器能够监测到金属、非金属等不同材料荷电磨粒;感应电压幅值与磨粒大小具有相关性;感应电压波形与荷电磨粒特性有关;静电传感器可以在线监测滑油回路中非金属摩擦副的摩擦磨损状态。     

基于改进半阈值算法的电容层析成像滑油监测方法研究

针对航空滑油检测过程中电容层析成像（Electrical Capacitance Tomography,ECT）存在的病态性和欠定性问题,将稀疏正则化中基于L1/2正则化的半阈值迭代算法应用到ECT图像重建,加入L2范数的惩罚项,构造新的泛函模型,并在迭代过程中设计一种新的约束项以优化解向量。仿真实验采用Comsol5.3搭建系统模型,Matlab2014a处理采集数据。实验结果表明,与Landweber迭代算法相比,改进算法成像误差降低37.33%,相关系数提升33.67%;与半阈值迭代算法相比,改进算法成像误差和相关系数分别降低12.31%和提升11.86%,图像误差降低至0.24、相关系数提升至0.92,且成像时间依然保持在0.06s。实际滑油监测的实验系统采用现场可编程门阵列（Field Programmable Gate Array,FPGA）直接数字频率生成模块生成数字量的正弦激励信号,通过D/A转化为正负交流信号对测量电极进行激励。实验结果表明,基于ECT系统的改进半阈值迭代算法可以满足航空发动机滑油监测的实时性和准确性的要求。     

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。     

基于改进Split Bregman的电容层析成像滑油监测研究

针对电容层析成像（Electrical capacitance tomography,ECT）技术应用于滑油系统磨粒在线监测时,其图像重建过程中存在的不适定性问题,提出了一种基于迭代p阈值函数的Split Bregman（SB）图像重建算法。首先,建立基于SB算法的ECT图像重建模型。其次,建立基于L_p范数的SB模型。最后,为更方便求解L_p范数的阈值迭代形式,引入了p阈值函数。通过灵活选取p值,提高了SB算法的精度和适用性。仿真实验结果表明,与Landweber,Tikhonov正则化和SB算法相比,改进SB算法图像误差降低了约30%,相关系数高达0.96,成像速度与Landweber成像速度相近。实验结果表明,改进SB算法能够胜任滑油系统磨粒监测任务,并提高了成像质量。     

拟VGG16网络的航空传感器故障检测分类

参考计算机视觉等领域的研究与应用进展，提出了拟图智能化故障诊断概念；拟照VGG16图像分类网络，提出了一种航空传感器故障检测与分类方法。首先，基于仿真、实飞等手段建立了航空传感器故障飞行数据库；该数据库包含4型大型客机、通航飞机在5种飞行状态的飞行数据，并可有效模拟气动数据、惯性测量单元等传感器的故障。其次，提出将航空器气动数据、惯性测量单元等传感器的测量数据堆叠成灰度图像数据格式；该图像保留了传感器测量数据的时间、空间耦合特征，将传感器故障检测与分类转换成为图像上的异常区域检测与分类问题。再次，提出了一种数据增强方法，将堆叠形成的传感器测量数据图像的维度增强为VGG16图像分类网络输入维度，并基于预训练的VGG16图像分类网络，采用微调优化网络模型，最终得到了拟图智能化航空传感器故障检测与分类深度神经网络。在多个航空器数据集上的实验结果表明，网络的平均测试准确度可以达到97.6%。最后，参考计算机视觉领域的深度神经网络可解释性分析方法，基于类激活映射图（CAM）对本文发展的传感器故障检测与分类网络进行了分析，初步阐明了网络内部各层卷积核节点特征提取运算的机理，提升了该网络故障检测与分...     

基于神经网络的CT图像重建方法研究

旅客行李隐藏爆炸物CT检测是机场安检的重要部分,图像重建是CT检测技术的重要环节,但实际中往往得不到完全的投影数据。针对不完全投影数据或数据量较少情况的重建问题,提出将神经网络算法应用于图像重建,并利用完全投影条件下FBP算法的重建结果作为网络的目标输出进行权值学习,从而降低网络结构和训练的复杂性。对该算法进行计算机模拟仿真试验,试验结果表明,该算法能有效地完成不完全投影数据的图像重建,且重建图像质量较高。     

基于改进联合稀疏电容层析成像算法滑油监测研究

由于电容层析成像(Electrical Capacitance Tomography,ECT)的"软场"特性,使其应用于航空发动机滑油管道监测时难以准确获得被测对象的位置和大小信息.针对图像重建过程中的病态问题,在对称交替乘子法(S-ADMM)算法基础上,提出一种采用L 2,1-范数作为核范数、(L 1-εL 2)范数...     

基于多传感器的裂纹扩展监测研究

疲劳裂纹扩展是结构健康监测的主要问题之一，为了保证金属结构的可靠和安全运行，实时监测结构的疲劳裂纹扩展过程十分必要。针对结构裂纹扩展的问题，采用压电传感器（PZT）和电阻应变片两种传感器，提出结合能够连续监测结构损伤的被动监测方法以及对微小损伤敏感的主动监测方法对裂纹扩展进行综合监测，以提高裂纹扩展的监测水平。采用随机森林算法对裂纹长度进行识别，并使用D-S证据理论对两种传感器的识别结果进行数据融合，得到比单一传感器更准确、可靠的裂纹扩展识别结果。进行了基于应变和主动Lamb波的裂纹扩展监测实验研究，验证了该方法对提高裂纹扩展监测识别准确率的有效性和实用性。     

滑油系统全流量磨粒在线监测静电传感技术研究

在滑油系统全流量磨粒在线静电监测中,针对缺乏与实际物理模型相一致的数学模型以及深入地分析,建立了较准确的数学模型.对信号采集电路的分析表明:带不同极性电荷的磨粒经过静电感应区域时输出的感应电压变化不同,从而确定带电磨粒的极性.同时,引入空间灵敏度概念,对带电磨粒的位置、传感器的轴向长度与径向半径3个影响因素分别进行了研究,所得空间灵敏度曲线彼此印证,进而说明了所建数学模型的准确性.为了证实所建立的数学模型与实际的滑油系统全流量磨粒在线监测数据的一致性,设计了仿真监测试验平台,试验结果表明,虽然监测到的静电感应信号夹杂着噪声,但与理论分析的理想电压输出相似,并且可以判断磨粒所带电荷的极性.     

民用飞机发动机监测方法研究

对民用飞机发动机状态监测和故障诊断方法进行了研究,提出了一种能够实时反映零件故障信息的油液在线静电监测方法,设计并搭建了一套静电监测系统及实验平台,开展了循环润滑条件下销盘滑动摩擦磨损实验,使用自制的油液静电传感器对油路中磨粒进行监测。实验结果表明油液静电传感器能够监测到金属材料荷电颗粒,感应电压幅值与磨粒大小具有相关性,感应电压波形与磨粒荷电特性有关,验证了静电传感器在线监测的有效性,为判断故障提供了进一步的依据。     

基于图像的发动机滑油滤磨屑定量分析技术

定量分析滑油滤磨屑是提高航空发动机内部磨损故障诊断成功率的有效技术途径.为满足某型航空发动机使用维护中滑油滤磨屑快速定量分析和磨损状态诊断的实际需求,设计制造了油滤磨屑自动清洗收集装置,采用电荷耦合器件(CCD)获取油滤磨屑数字图像,运用二维最大熵遗传算法对磨屑图像进行阈值分割后提取磨屑目标的特征量,将磨屑特征量与反映...     

轴承钢摩擦副全流量在线磨粒静电监测方法

为满足滑油系统零部件衰退早期症兆监测要求,采用自制的全流量在线磨粒静电传感器对润滑条件下轴承钢滑动摩擦副开展实时在线磨损状态监测研究.研究了润滑条件下金属磨粒荷电机理和设计了静电监测系统,开展了不同载荷和滑动速度时的磨损实验,对摩擦系数、静电感应信号、静电信号均方根值(RMS)进行相关性分析.研究结果显示:①全流量在线磨粒静电监测方法与摩擦系数均能监测到粘着的发生,具有一致性;②静电监测方法在粘着发生前监测到异常;③在稳定磨损阶段,摩擦系数随载荷的增大而减小,随滑动速度的升高而降低;④在剧烈磨损阶段,静电信号中脉冲尖峰的RMS值随载荷增加时先增加后减小,随滑动速度的升高而减小.      

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.      

磨粒分析技术及其在发动机故障诊断中的应用

基于显微形态学方法的磨损微粒显微分析技术是近年来出现的解决发动机磨损故障诊断问题的新方法之一。应用形态学分析方法建立一套磨粒显微特征描述体系提取磨粒特征信息,作为磨粒识别的信息基础,可以准确地完成磨粒自动识别。基于发动机润滑系统磨粒分析的结果和颗粒摩擦学理论,比较准确地评估出发动机接触磨损部件的磨损状态,进而诊断或预测此类磨损故障;另外,此项分析诊断技术在发动机气路磨损故障诊断中也具有潜在的应用前景。      

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。     

航天器非平稳振动环境TVAR时频分析(英文)

Predicting the time-varying auto-spectral density of a spacecraft in high-altitude orbits requires an accurate model for the non-stationary random vibration signals with densely spaced modal frequency. The traditional time-varying algorithm limits prediction accuracy, thus affecting a number of operational decisions. To solve this problem, a time-varying auto regressive （TVAR） model based on the process neural network （PNN） and the empirical mode decomposition （EMD） is proposed. The time-varying system is tracked on-line by establishing a time-varying parameter model, and then the relevant parameter spectrum is obtained. Firstly, the EMD method is utilized to decompose the signal into several intrinsic mode functions （IMFs）. Then for each IMF, the PNN is established and the time-varying auto-spectral density is obtained. Finally, the time-frequency distribution of the signals can be reconstructed by linear superposition. The simulation and the analytical results from an example demonstrate that this approach possesses simplicity, effectiveness, and feasibility, as well as higher frequency resolution.     

Fast intelligent battery charging: neural-fuzzy approach

This paper focuses on the design of a super fast battery charger based on National's proprietary neural network based NeuFuz technology. In this application, we have used a NiCd battery pack as the test vehicle. However, this technology can be extended to other chemistries such as Ni-MH, Li-ion, etc. This technology allows the designer to accurately model the charge controller using a neural network, based on battery charge characteristics provided by the manufacturer. This approach continuously monitors the battery status, and modifies the charge current accordingly. It also eliminates the need for standard charge termination methods used in today's conventional chargers. The result is super fast charging in 20 to 30 minutes, and increased battery life. A low cost embedded controller (COP8) performs all the fuel-gauging and charge control functions by processing data obtained from the battery circuitry