基于一类辨识的航空发动机故障诊断

在支持向量机理论的基础上,打破了支持向量机的二类辨识传统,引入了基于支持向量机的一类辨识理论,以它为基础设计了基于一类辨识的一类分类器,并将它运用到航空发动机故障诊断中。通过对几种典型故障的分析,证明了该方法的有效性。     

基于模型参数辨识的航空发动机风扇叶片裂纹故障诊断

为了对发动机风扇叶片裂纹故障进行精确诊断,在航空发动机故障模拟试验平台上开展了风扇叶片裂纹故障模拟试验,对风扇转子叶片进行典型裂纹故障预置,并对风扇转子叶片产生裂纹前后的叶片典型参数进行试验测量。通过风扇转子叶片阻尼系统及裂纹故障特征理论分析发现,裂纹叶片的模态质量和模态刚度变化会使叶片阻尼比发生明显变化。采用基于遗传算法的模型参数辨识方法辨识风扇叶片应变响应函数,进而获取风扇叶片阻尼比。结果表明：相同叶片不同次测量试验得到的叶片阻尼比相差0.02%;不同叶片个体差异导致的阻尼比最大相差2.9%;5#风扇叶片产生裂纹后的阻尼比减小了6.4%。可见,叶片的阻尼比对其几何特性的变化十分敏感,且通过对风扇叶片阻尼比进行模型参数对应的遗传算法辨识能够实现风扇叶片裂纹故障诊断。     

支持向量机在航空发动机起动模型辨识中的应用研究

支持向量机（SVM）可以优化网络,有效降低模型复杂性,不存在维数灾难和局部极小问题。本文以某型发动机起动调整试验的试车数据为样本,使用SVM对某一大气条件下的发动机起动模型进行了辨识,并使用另外一组试车数据．通过辨识模型对起动过程进行了仿真;最后,比较了SVM和RBF神经网络起动模型的辨识精度。结果表明,用SVM辨识发动机起动过程模型,方法简单,学习速度快,辨识精度较高。     

基于小波分形和一类辨识的航空发动机故障诊断

在支持向量机理论的基础上,针对支持向量机的二类辨识传统,引入了基于支持向量机的一类辨识理论。设计了航空发动机几种典型故障的一类分类器,使得发动机的故障诊断更加简单可行。同时,将小波分形方法引入到航空发动机振动信号的特征提取中。通过对航空发动机典型故障的成功诊断,证明了该方法的有效性。     

液体火箭发动机基于关系模型的故障诊断方法

提出了一种新的描述液体火箭发动机系统的定性模型，阐述了系统部件行为模型和结构模型的构建方法，给出了求解基于关系模型诊断问题的推理机制，建立了液体火箭发动机基于关系模型的故障诊断方法。以空间推进系统为研究对象进行了实例诊断分析，结果表明：该方法是一种有效的基于定性模型故障诊断方法。     

结合不确定度的发动机模型辨识气路诊断

针对航空发动机气路诊断中测量参数个数小于待诊断参数个数的不适定问题,利用了发动机平衡技术,结合非线性的发动机数学模型,并综合考虑了测量参数的不确定度和理论模型部件性能的不确定度,建立了一种结合不确定度的发动机气路故障诊断辨识算法——变分加权最小二乘法,并将该算法应用于某发动机的诊断分析中.结果表明:运用该方法可分析出测量数据和模型计算数据之间的差别,同时,利用所得的故障参数修正量修正原发动机数学模型,使模型计算推力与试验测量推力最大偏差由8.25%减小到1.66%,耗油率最大偏差由6.25%减小到1.50%.      

航空发动机参数不确定模型辨识方法

针对航空发动机线性模型在工况点附近使用范围较小的问题,提出一种航空发动机不确定性模型辨识方法。该方法使用非线性规划处理航空发动机模型辨识问题,求解过程考虑线性模型中矩阵参数不确定性的影响,以期获得一个具有适用范围大、形式简单的航空发动机模型。使用该方法对DGEN380发动机在某一稳态点进行辨识,定义实际工况偏差参数和模型最大偏差参数分析DGEN380发动机参数不确定模型的误差范围。使用实验数据与参数不确定模型仿真结果进行比较,结果表明油门杆角度变化小于22%时,参数不确定模型与实际发动机状态的偏差量较小,能够在1%误差范围内模拟实际发动机状态。     

基于RBF神经网络的航空发动机起动模型辨识与仿真

为解决基于气动热力学方程建立发动机起动模型时存在的困难,本文以某型发动机起动调整试验的试车数据为样本,使用径向基函数(RBF)神经网络对在某一大气条件下的发动机起动模型进行了辨识;并使用另外一组试车数据,通过辨识模型对起动过程进行了仿真。结果表明,用RBF神经网络辨识发动机起动模型,具有方法简单、学习速度快、辨识精度较高等优点。     

基于模型辨识的发动机部件特性修正研究

在发动机的总体性能研究中,发动机部件特性图的准确程度对总体性能计算结果有明显的影响.研究表明,部件特性数据的偏差,尤其是风扇、压气机及涡轮等部件特性的偏差会使发动机总体性能计算结果出现很大的偏差,与实际性能不符.本文采用变分加权最小二乘法对试验数据进行模型辨识分析,充分利用发动机整机测量的试验数据对发动机部件特性进行修正,该修正可反馈各部件实际特性信息,可为各部件分析及完善设计提供参考和依据.     

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.     

液体火箭发动机多Agent故障诊断技术研究

利用多Agent技术建立了液体火箭发动机故障检测与诊断系统,包括小波去噪、传感器检测、故障检测、故障诊断和系统总调度等功能.利用多线程编程、动态链接库及网络编程技术,使故障检测与诊断系统具有较高的智能性.给出了小波去噪、传感器检测等Agent的运行算例,并给出了故障检测与诊断系统的整体框架.      

涡扇发动机故障诊断的快速原型设计

提出一种基于发动机基线模型的面向气路故障诊断的快速原型设计方法.考虑到基于模型的发动机全包线范围的故障诊断方法需要有较高精度的模型,选择合适的换算参数对已有的相似变换参数进行修正,建立适用于全包线的发动机基线模型,设计基于加权最小二乘算法的故障诊断模型,并将其写入至CompactRIO构建了发动机故障诊断的快速原型.通过对某型涡扇发动机试验表明:该种故障诊断的快速原型设计方法是有效的.      

一种改进的航空发动机转静件碰摩故障诊断方法

针对航空发动机碰摩故障的实际情况,分析了各种诊断方法的应用局限性,引入并改进适用于航空发动机碰摩诊断的基于SVD(奇异值分解)的碰摩特征提取方法:提出利用数据边界延拓来消除边界振荡,以此发展了适合短时间序列和长时间序列的奇异值分解处理方法,并探讨了简便实用的奇异值选择方法.并在某航空发动机故障信号的检测中,取得了良好的效果.      

基于免疫理论的航空发动机磨损故障智能诊断

针对航空发动机磨损故障诊断技术智能化、精确化的发展要求,以传统油液监测技术为基础,结合人工免疫系统(AIS)具有的自适应特性、学习记忆特性及识别特性等优点,提出了一种航空发动机磨损故障的智能诊断方法。该方法首先利用人工免疫理论的反面选择原理生成检测器,优化后的检测器生成算法提高了初始检测器的代表性及覆盖性;然后利用故障样本训练出成熟的检测器,使航空发动机典型的磨损状态信息存储在检测器中,实现对故障模式的有效学习和记忆;最后通过检测器的激活发现航空发动机的磨损故障。对油样数据的实例分析结果表明,该方法对航空发动机磨损故障具有较强的识别能力,对磨损状态有很好的监测效果。     

涡扇发动机传感器故障诊断的快速原型实时仿真

为快速高效地完成涡扇发动机传感器故障诊断算法的硬件在环仿真试验,构建了以NI CompactRIO为核心的传感器故障诊断系统的快速原型实时仿真平台.基于一簇卡尔曼滤波器,在LabVIEW编程环境中建立了传感器故障诊断系统.分别在涡扇发动机模型稳态和动态工作时完成了对单个传感器故障的检测、隔离和重构的硬件在环仿真试验并验证了算法精度.经过大量试验,结果表明:基于卡尔曼滤波器理论的诊断算法能在传感器故障情况下确保控制系统安全运行,诊断精度最高可达1.4%;同时表明,该快速原型实时仿真平台的设计是成功的.研究工作为发动机传感器故障诊断系统的半物理仿真试验奠定了基础.      

EEMD与NRS在涡桨发动机转子故障诊断中的应用

针对涡桨发动机转子系统振动信号的非平稳特征,提出一种基于集成经验模态分解(EEMD)与邻域粗糙集(NRS)的涡桨发动机转子故障诊断方法。该方法先对转子振动信号进行EEMD,提取原始信号的时域特征和多尺度排列熵(MPE)特征,转子系统的大部分故障信息隐藏在前几个高频本征模态函数（IMFs）中,分别计算它们的时域指标、能量特征和奇异值分解(SVD)特征;利用NRS评估各个特征的属性重要度,进而选出敏感特征;将其作为支持向量机(SVM)的输入向量来对转子进行故障诊断。实验结果表明:该方法利用敏感特征集对涡桨发动机转子进行故障诊断的准确率达到了97.5%,同时剔除了大量冗余特征,具有较强的鲁棒性。      

基于自适应粒子滤波的涡扇发动机故障诊断

针对涡扇发动机非线性、非高斯的特点,提出了一种自适应的粒子滤波算法用于涡扇发动机气路部件突变故障的诊断.为了减小算法的计算量并且保证滤波精度,分析了滤波精度和样本数目的关系,提出根据滤波过程中状态的方差自适应地调整粒子数,在保证一定的滤波精度下可以有效地减少滤波过程中使用的粒子数,提高了算法的实时性.同时,引入扩展卡尔曼滤波(EKF)用于更新粒子,产生重要概率密度函数,在一定程度上避免了粒子的退化.通过某型涡扇发动机的仿真分析表明:改进的算法相比标准粒子滤波算法用于涡扇发动机气路部件故障诊断时,参数估计的方均根误差减小了50%左右,且算法的计算量减小了30%.     

基于SVR的X型发动机传感器故障诊断研究

利用基于回归型支持向量机(SVR)的诊断方法,设计了某型涡扇发动机传感器常见故障诊断系统,实现了传感器故障隔离与信号重构.通过发动机试车数据对SVR进行训练,以传感器的偏置故障、冲击故障和漂移故障为例,用MATLAB语言进行了计算机仿真验证.结果表明:基于SVR的传感器故障诊断具有精确度高,实时性强的特点,是一种很好的传感器故障诊断方法.