基于神经网络和证据理论的火箭发动机故障诊断

针对运载火箭动力系统故障的复杂特性和故障模式的不确定性,提出了基于神经网络和证据理论的火箭发动机故障诊断。首先以火箭视加速度和角速度作为网络输入,故障类型矩阵作为网络输出,通过BP神经网络和RBF(径向基函数)神经网络进行故障诊断;之后通过D-S证据理论融合神经网络结果;最后通过滚动时域估计方法对火箭飞行状态特征量估计。仿真结果表明诊断准确率达到99%以上,表明提出的方法对于火箭发动机故障诊断具有较高的准确性和实用性。     

基于D-S证据理论的某飞行器地面电源故障诊断研究

针对某飞行器地面电源故障诊断中的特点和难点,运用D-S证据理论对其电气故障智能诊断中的应用进行探讨.本文首先介绍D-S证据方法的基本理论,然后以某飞行器地面电源中的电气故障为例建立故障特征库,最后利用D-S证据理论对该飞行器地面电源故障融合的结构、算法等进行了仿真研究,取得了满意的效果.     

基于导航定位原理的火箭涡轮泵轴承故障诊断

为准确判断火箭发动机涡轮泵轴承在试验台上试验时发生故障的部位，同时避免通过轴承特征频率诊断轴承故障的方法所带来的不确定性，基于GPS卫星导航定位原理，利用时幅曲线的相位信息，提出一种新的轴承故障诊断方法:振源坐标定位法，即通过四个已知坐标的振动传感器测得同一振动波的时幅曲线相位差判定振源位置。将试验台上轴承和四个振动信号传感器安放在坐标已知的直角坐标系中，利用时幅曲线拐点分析法准确捕获振动信号到达四个传感器的时刻，再利用这四个时刻和已知坐标计算出振源位置坐标，最后根据振源位置坐标判断其是否为轴承故障及具体故障部位。通过仿真计算证明该方法理论上可行。     

基于第二代小波包解调技术的船载天线轴承故障诊断方法研究

针对船载天线传动机构中滚动轴承易损坏问题,研究基于第二代小波包解调技术的轴承故障诊断方法。首先将原始振动信号进行第二代小波包分解和分频带重构,求得各频带重构信号的希尔伯特包络谱分贝值;然后分别提取各频带包络谱中轴承故障特征频率处的分贝值,从而得到最大分贝值;最后依据冲击脉冲法故障等级经验计算公式识别轴承的状态。实际应用结果表明,第二代小波包解调技术可实现轴承故障的定位定量诊断。     

数据驱动的陀螺随机游走故障诊断研究

针对工程中陀螺工作期间出现随机游走超差而导致的随机游走故障,提出了一种基于数据驱动的故障诊断方法。该方法基于陀螺实测无故障脉冲数据,利用Allan方差对无故障数据进行噪声特性分析与建模,并在此基础上进行故障模拟,然后利用小波包理论对故障样本进行时频域分析,结合信息熵理论提取样本的故障特征,再利用神经网络构造分类器,将故障特征与故障模式形成映射,进行故障模式的分类。本文以某型号激光陀螺为例展开研究,仿真结果表明,该方法简单、不依赖于模型、诊断快且诊断效果好。     

基于MSPCA的液体火箭发动机试车台氢供应系统传感器故障诊断方法

研究了多尺度主元分析方法在传感器故障诊断中的应用问题。利用小波变换得到传感器信号在各个尺度上的系数，然后根据尺度系数矩阵建立主元分析模型进行传感器故障诊断。设计了固定窗长的移动窗口，对窗内数据进行小波变换后，用最后一个尺度系数计算平方预报误差进行故障检测，采用传感器有效指标这种具有定量辨识标准的参数对故障传感器进行辨识。最后，以液体火箭发动机试车台氢供应系统几个关键传感器的故障诊断为例验证了这种方法实用性和有效性。     

航天器传动部件振动数据稀疏多分类智能故障诊断

针对航天器传动链机械零部件发生故障时训练数据稀缺以及信号的强非平稳\非线性特点,提出了动态数据驱动的子空间稀疏多分类智能故障诊断算法。首先对采集的单一传感器动态信号进行分形小波变换,生成常规和非常规二进小波尺度。然后对生成的各子空间提出基于故障能量指标的稀疏多分类器,以监测部件的故障特征频率为搜索目标,在子空间的包络解调谱上计算特征频率及其倍频附近的能量峰值,导出特定故障模式的稀疏评价指标,以各种故障模式的最大值识别和判定故障类型。所提出的算法完全实现了无人工监督的智能故障诊断。最后以航天器轴承故障诊断为例验证了该算法的有效性。所研究算法的泛化能力较强,技术路线同样适用于其他航天器传动部件的在线监测与故障智能预警。     

基于统计参数分析和RBF网络的动调陀螺故障诊断方法

针对动调陀螺故障振动信号的特点,提出了一种基于振动统计参数分析和神经网络的动调陀螺故障诊断方法.该方法通过计算原始振动信号的一组统计参数作为表征故障的特征信息,以此作为RBF神经网络的输入参数来学习并识别陀螺故障.实验结果表明,采用对统计参数的计算能够简单、有效地提取陀螺故障特征信息;运用神经网络进行故障诊断建模,使诊断具有自适应、自学习的能力,诊断结果更加可靠.     

基于谱相关函数-Wigner-Ville谱的轴承分布故障信号分析

针对包络解调技术不能有效提取滚动轴承中分布故障特征的问题,利用轴承分布故障振动信号的二阶循环平稳特性,研究了基于谱相关函数的Wigner-Ville谱的时频特征提取方法。与直接Wigner-Ville分布方法和匹配追踪时频分布方法不具备降噪功能不同,对含噪声的循环平稳信号,先用长数据序列计算得到谱相关函数,可通过计算中的多次平均显著削弱信号中噪声成分,再对谱相关函数作关于循环频率的逆傅里叶变换,得到的Wigner-Ville时频分布计算结果可有效降低噪声的干扰。对有轴承分布故障的振动信号,用滤波器去除一阶循环平稳成分,用获得的基于谱相关函数的Wigner-Ville时频谱消除平稳随机噪声的影响,能有效提取轴承分布故障的二阶循环平稳特征。仿真分析表明:所提方法能有效直观提取轴承分布故障,而普通Winger-Ville时频分布易受噪声影响,包络谱分析结果无法明确轴承分布故障特征。实验结果验证了所提时频算法提取齿轮箱轴承分布故障特征的有效性,而信号包络谱、平滑伪Wigner-Ville时频分布均无法有效提取该特征。     

传感器故障下的航天器状态监测与故障识别

针对航天器上传感器故障可能导致状态估计错误的问题,提出了一种基于证据理论的多传感器融合与故障识别方法。该方法采用证据距离与冲突质量的乘积来度量证据间的冲突大小。在证据的融合中先根据冲突大小计算每个证据的可信度,并根据可信度大小修正证据,再用D\|S规则进行融合。该冲突度量方法综合了证据间目标一致性与整体差异性的影响,在具有较强的不确定性和不可靠性的情况下,比仅采用证据距离或冲突质量来度量证据间冲突的大小更加准确。将其应用于微小卫星电源系统的状态监测,实验结果表明该方法可以有效地监测系统状态并正确地识别故障传感器,准确度优于其它方法。     

海面目标多信源融合识别技术研究

主要对海面目标多信源融合识别技术进行了研究,介绍了海上目标的融合识别方法:Bayes推理和D-S证据理论,分析了D-S证据理论融合识别原理.采用基于高分辨率体制的雷达对海面目标HRRP的特征信息进行提取和分析,对D-S证据理论在海面目标识别中的应用进行了举例研究.     

小波分析在固体发动机试验中振动信号去噪研究

在固体火箭发动机地面试验中，由于燃气喷流噪声的作用，使得测量得到的发动机壳体振动信号中包含有很强的噪声分量。通过对噪声信号与振动信号相关性的分析，确定了噪声对振动信号作用最强的频段，并结合小波分析，小波分析理论，应用频带分离方法对振动信号进行去噪处理，取得良好效果。     

基于EMD-Hilbert包络谱分析的涡轮泵轴承故障特征识别

在火箭发动机涡轮泵高速轴承试验中,轴承的可靠性对保证试验的成功至关重要。针对涡轮泵轴承故障特征难以从原始信号中提取的问题,基于EMD-Hilbert包络解调分析方法,对涡轮泵高速轴承故障特征进行识别。采用EMD方法对原始信号进行自适应分解,获得若干个IMF分量;基于相关性指标最大原则筛选IMF分量进行信号重构;对重构信号进行Hilbert包络解调分析,提取出故障轴承的特征。以某型号涡轮泵低温高速轴承试验的真实故障数据验证本方法的有效性,数据记录了试验装置在阶梯式升速全过程中保持架故障的振动加速度信号。分析结果表明,基于EMD-Hilbert包络解调分析方法能够提高信噪比,最大程度保留保持架故障信息的周期性冲击成分,并能有效提取保持架故障频率、故障倍频及各种调制频率成分,实现对涡轮泵高速轴承故障的有效识别。为深度解析轴承保持架故障情况,结合系统11种运行状态,提出了一种轴承渐进劣化全过程的解析方法,确定出轴承故障早期人为干预的具体时刻。     

开放世界下的雷达辐射源融合识别算法研究

针对开放世界下雷达辐射源目标库不完备的现状,对开放世界下雷达辐射源识别的信息融合模型进行了研究。建立了不同类型雷达特征参数的模糊隶属度函数,采用待测样本与模型样本匹配的方法生成广义概率指派函数,并采用修正的广义证据理论算法融合多参数信息获取识别结果。实验数据表明:该模型能在雷达辐射源目标库不完备的情况下,识别已知目标和判别未知目标,判别结果相对基于经典D-S证据理论和原始广义证据理论的融合识别方法更加可靠、有效,在雷达识别的场景中具有潜在应用价值。     

多数据源信息融合的建筑用电设备故障诊断系统研究

针对单一检测量难以形成完备可靠的故障诊断结论的难题,本文设计了一种基于多数据源信息融合的建筑用电设备故障诊断系统。首先提出了多传感器信息融合的故障诊断系统结构,然后对系统涉及的关键技术分别进行了介绍,基于虚拟仪器Lab VIEW,设计建筑用电设备故障诊断监控平台,并结合教学楼用电设备给出了系统的应用实例。该用电设备故障诊断系统可以有效提高故障确诊率,降低诊断的不确定性。     

基于优化多尺度排列熵和卷积神经网络的滚动轴承故障诊断方法

针对滚动轴承故障分类中特征信号微弱、信号非线性和多尺度特征难提取的问题，提出基于优化多尺度排列熵（MPE）和卷积神经网络（CNN）的滚动轴承故障诊断方法:通过改进自适应噪声完备集合经验模式分解（ICEEMDAN）对轴承信号进行分解和重构，实现信号降噪；通过粒子群算法（PSO）对MPE进行优化，提出PSO-MPE特征提取方法，参数优化后的MPE能够提取更为关键的特征信息；将所得的排列熵输入到CNN中进行故障分类以及降维可视化分析。以凯斯西储大学开放轴承数据库样本为测试对象，将文章所提出的ICEEMDAN-PSO-MPE-CNN方法与ICEEMDAN-PSO-MPE-RNN、CEEMDAN-SVM、ICEEMDAN-PSO-MPE-SVM等方法进行纵向和横向对比分析，结果表明改进方法的分类准确率和效率更高，在T-SNE可视化下的分类效果更明显，能够实现滚动轴承故障的高精度和高效率检测。     

基于D-S证据理论的雷达模糊识别研究

针对现代雷达信号的复杂性和模糊性以及信号在时间上的冗余性等特点,将模糊匹配和D-S证据理论相结合.在信号的积累和求取模糊隶属度的基础上,用D-S证据理论对隶属度进行融合,有效地解决了雷达信号识别的不确定性问题,同时充分利用了信号在时间上的冗余信息,提高了雷达信号的识别效果.仿真试验证明了该算法的有效性.     

基于主元分析法的液体火箭发动机传感器故障检测与诊断

针对液体火箭发动机的压力、温度、流量等传感器数据,给出了一种基于主元分析法的传感器故障检测与诊断方法。该方法能够在对测量参数相关性分析的基础上,将传感器测量值所组成的测量空间分解为主元和残差两个子空间,通过传感器实际测量数据与正常数据矩阵在残差子空间投影的比较,对传感器的故障进行检测与诊断。以某型LRE传感器组为研究对象,通过故障模拟,给出了该方法对4种典型传感器故障的检测与诊断实例。结果表明主元分析法对LRE传感器具有很好的故障检测和故障诊断能力。     

液体火箭发动机启动段振动信号的小波去噪

液体火箭发动机试验启动段的振动信号中包含有大量的噪声分量,通过小波变换的Mallat算法对振动信号进行去噪处理,并通过试车数据对采用的方法进行验证,取得了良好效果,显示了小波去噪在振动信号去噪领域的广泛应用前景。     

基于证据理论的雷达与通信侦察目标识别算法

针对异类被动传感器中的目标识别问题,将D-S证据理论运用于雷达侦察与通信侦察的目标识别中。首先将雷达和通信侦察设备侦收到的信息分别通过识别,得到雷达和通信电台的基本概率赋值,再通过D-S证据理论算法进行融合,计算出目标平台的基本概率赋值,从而得到融合后的平台类型。仿真实验结果表明,融合后的结果具有更高的置信度。