基于RDK-ELM 的航空发动机控制系统故障诊断

为保持较高诊断正确率,缩短训练时间,满足航空发动机故障诊断对于实时性和高诊断率的需求,提出1种对深度核极限学习机的简约改进方法。输入数据中随机选取部分数据作为支持向量,结合深度学习网络的多层结构,完成了对输入样本的特征提取,通过核函数实现了高维空间映射分类。数字仿真表明:算法分类正确率高,训练时间短,可应用于航空发动机控制系统的故障诊断。     

基于小波包分析方法的航空发动机滚动轴承故障诊断

将小波包分析技术引入到航空发动机滚动轴承故障诊断的应用研究中,给出了基于小波包分析的滚动轴承故障特征提取方法：应用小波包分解与重构算法分离出了滚动轴承的故障特征频率,识别出了滚动轴承的故障类型。通过对实际航空发动机滚动轴承故障信号的分析表明,该方法可以有效地检测和诊断航空发动机的滚动轴承故障。     

基于NN-ELM的航空发动机燃油系统执行机构故障诊断

提出了一种航空发动机执行机构及其传感器单一故障诊断及定位方法.首先通过执行机构模型判断是否发生故障,然后运用发动机逆模型对故障进行定位.基于离线训练BP(back propagation)神经网络建立执行机构模型,根据某半物理仿真试验台的测试数据训练网络参数.提出离线训练和在线训练相结合的极端学习机(ELM)算法建立发动机逆模型,使网络在初始时刻就具有诊断能力,工作过程中具有适应能力,且在线训练过程采用阈值判别法筛选训练样本,减小了在线训练时间,提高了逆模型的实时性.以某型发动机燃油系统执行机构为例的设计和仿真结果表明:该诊断系统能够准确地对发动机在稳态和动态工况以及蜕化状态下的执行机构及其传感器单一故障进行准确诊断和定位,具有很好的实时性.      

基于遗传算法的发动机性能监控与故障诊断

利用综合加权法计算表征发动机整体性能的综合指数时，各参数的权系数难于确定。利用遗传算法确定各参数的权系数，使所得到的综合指数值比采用专家调查法所得综合指数值更能灵敏、准确地反映发动机整体性能的变化情况，提高了发动机性能正常与否的识别率，并以此来发现发动机潜在早期故障，防止故障的扩大。通过对某涡扇发动机进行监控，证明该方法确实有效。     

基于特征量阈值判决的轴承故障诊断方法

针对航空发动机在不分解状态下主轴轴承故障诊断难的问题,以振动信号分析和处理为基础,以小波包分解与重构、峭度值指标、频谱分析和包络解调为预处理方式,提出了基于故障轴承和正常轴承的特征倍频能量总和占整个包络谱能量百分比的特征差异确定轴承故障的诊断方法,以凯斯西储大学深沟球轴承典型试验数据验证了该方法的有效性.验证外圈点蚀故...     

基于贝叶斯网络的航空发动机燃油泵故障诊断

应用贝叶斯网络对航空发动机燃油泵组件进行理论分析,针对燃油泵组件的重要性和故障识别的精确度要求,进行故障征兆分析和概率计算、数据验证,并引入代价函数对结果进行评估,为航空发动机燃油系统安全运行提供了合理可靠的检测途径。     

基于机匣测点信号的航空发动机滚动轴承故障诊断灵敏性分析

研究了基于机匣测点信号进行航空发动机滚动轴承故障诊断的灵敏性问题.首先利用两个带机匣的航空发动机转子试验器进行了冲击响应试验,比较了滚动轴承处冲击激励引起的轴承座测点响应和机匣测点响应的差别;然后利用这两个带机匣的转子试验器进行了滚动轴承故障模拟试验,详细对比分析了轴承座测点信号和机匣测点信号的时域波形、频谱和小波包络谱.结果表明:当滚动轴承和机匣的连接刚度较小时,故障滚动轴承的振动信号传递到机匣上时会产生很大的衰减,然而利用传统的基于小波包变换的包络解调方法仍然可以很好地诊断出外圈故障和内圈故障,对于滚动体故障的诊断效果略差.研究结果对于实际中基于机匣测点信号进行航空发动机滚动轴承故障诊断提供了试验依据.      

基于信息融合遗传算法的航空发动机气路故障诊断

针对航空发动机由传统定期维修向视情维修转变的发展趋势,研究了遗传算法在气路性能参数估计中的应用,提出了改进的基于信息融合的遗传算法,将多源信息融合到遗传算法中,用以减小遗传算法的搜索范围.仿真结果表明:通过融合多源信息,有效克服遗传算法在寻优过程中陷入局部最优的情况,从而提高了气路性能参数的估计精度,能将估计误差控制在5%以内.      

Kohonen网络在发动机故障诊断中的应用

文中第一部分研究了利用Kohonen 网络进行发动机故障诊断的特点与算法。并以JT9D发动机为例对算法的有效性进行了检验,23 个故障样本的确诊率达到87% 。文中还以一个典型例子进行了详细分析。文中第二部分提出了利用Kohonen 网络进行故障诊断结果排序的方法,该方法有助于给出简明的诊断结论。文中第三部分提出了利用Kohonen 网络提取故障样本群的代表性样本的方法。该方法对于经验故障方程的建立十分有用。      

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。     

基于平滑先验分析和模糊熵的滚动轴承故障诊断

由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,基于对振动信号进行多尺度的模糊熵(FE)分析,提出了基于平滑先验分析(SPA)和模糊熵的滚动轴承故障诊断方法。采用SPA方法对振动信号进行自适应分解,得到振动信号的趋势项和波动项;分别计算趋势项和波动项的模糊熵;将模糊熵值作为特征向量,输入至基于优化算法的支持向量机(OSVM)。将该方法应用于滚动轴承实验数据,分析结果表明:该方法在仅提取两个分量特征的情况下即可达到100%的故障诊断精度,可有效实现滚动轴承的故障诊断。      

基于IITD和FCM聚类的滚动轴承故障诊断

基于Akima插值和固有时间尺度分解（ITD）中的线性变换,提出了一种改进的固有时间尺度分解（IITD）,在此基础上,进一步提出基于IITD近似熵（AE）和模糊C均值聚类（FCM）相结合的滚动轴承故障的诊断方法。采用IITD方法对滚动轴承的振动信号进行分解,通过互信息分析,筛选出前3个含主要特征信息的固有旋转分量（PR）,计算其近似熵值作为信号的特征向量,将得到的特征向量输入到FCM分类器中分析并得到分类结果。实验分析表明:分别与基于EMD、ITD近似熵和FCM聚类相结合的方法比较,该方法的分类系数更接近1,平均模糊熵更接近0,即此方法对滚动轴承的正常、内圈故障、外圈故障、滚动体故障信号以及对内圈的不同损伤程度信号均能更有效更准确地进行分类。      

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ICA包络增强MEMD的滚动轴承故障诊断

针对多元经验模态分解(MEMD)存在模态混叠、带内噪声干扰导致轴承故障特征信息微弱难提取问题,提出了基于独立分量分析(ICA)包络增强MEMD的滚动轴承故障诊断.采用MEMD对多通道信号进行自适应分解,依据峭度和相关系数选取包含故障信息的本征模态函数(1MF);对所选取IMF分量的包络信号进行ICA分析,抑制模态混叠和...     

基于IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选,降低输入维度;采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化,并对优化的神经网络进行训练;用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法,并且在参选故障诊断的性能参数不同时,其诊断误差相近,展现出较强的适应能力。      

基于改进GWO-LightGBM的滚动轴承未知故障诊断

针对滚动轴承未知新故障误判影响轴承安全性和检修效率的问题,提出了一种基于改进灰狼算法（GWO）和轻量级梯度提升机（LightGBM）的故障诊断模型,实现已知/未知故障的高精度判别。为避免单一尺度下特征提取的缺失,对滚动轴承振动信号分别提取时域、频域和小波域特征建立多域特征集。设计了带未知新故障判别机制的GWO-LightGBM模型,并构造含有Halton序列和模拟退火策略的GWO实现了模型参数有效优化。实例试验结果表明,模型对已知和未知类故障平均识别率达99.57%,10次随机试验平均识别率分别比单一分类模型逻辑回归（LR）、最近邻分类器（KNN）和支持向量机（SVM）高21.98%、17.00%、9.27%,验证了模型的有效性和优越性,能高准确率地识别出已知或以前从未出现的新故障。      

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。