液压泵故障诊断的神经网络方法

利用神经网络方法解决液压泵多故障诊断的问题。文中通过对液压泵故障机理的分析，针对液压泵多故障模式提出了利用集成ＢＰ网络进行多故障诊断的策略。理论和实验结果分析表明，利用神经网络方法可以有效地诊断知识别液压泵多故障模式，其识别率随着学习样本量的增大而提高。     

基于小波包和Elman神经网络的液压泵故障诊断

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点,及 传统的BP网络进行故障诊断时网络学习具有收敛速度慢和学习、记忆不稳定的缺陷,提出了 一种将小波包变换和改进Elman神经网络相结合,进行液压泵故障诊断的新方法.利用具有 紧支结构的小波函数对信号进行分解,削减小波系数以滤除信号中的噪声;单支重构以有效 提取各频带的故障特征,并以频带能量作为识别故障的特征向量;应用改进的Elman神经网 络建立从特征向量到故障模式之间的映射,实现液压泵故障分类.试验结果表明,采用小波 包和改进Elman神经网络相结合的方法可有效的实现液压泵故障的诊断.      

飞机液压泵源预测与健康管理系统

针对飞机液压泵源系统高可靠性和维修保障性要求,根据液压泵源系统故障特点提出了飞机液压泵源预测与健康管理系统的体系结构总体方案,描述了泵源预测与健康管理系统体系结构各层的功能,并对机载液压泵源健康监测系统和地面维护管理系统关键技术进行了研究.基于数字信号处理器设计了机载液压泵源健康监测系统和地面维护管理数据库,给出了鲁棒、快速和智能的故障诊断算法,为典型液压泵源系统故障预测和后勤保障提供了有效的方法,实现了液压泵源系统预测与健康管理的功能.     

液压泵综合应力寿命试验方法研究

针对液压泵这种典型机电产品的特点,在分析了液压泵故障机理的基础上, 确定了能诱发产品关键故障模式的敏感应力.通过分析敏感应力对液压泵故障的影响及美军标寿命试验载荷谱的发展,得出了利用综合敏感应力可以进行液压泵综合应力寿命验证的结论.还针对液压泵价格贵、寿命长、试验样本少的特点,分析了液压泵综合应力寿命试验统计方法,通过试验证明了它的有效性.     

火箭发动机基于神经网络非线性辨识的故障检测

应用神经网络方法，提出了一种液体火箭发动机故障实时检测算法。神经网络采用非线性辨识技术贴近发动机的工作过程，并输出包合发动机故障信息的辨识误差信号。若辨识误差变大超过一定阈值，检测逻辑就预报发动机故障。在发动机启动阶段离线训练神经网络，在发动机稳态过程可以采用离线或在线学习算法。实验研究表明神经网络可以成功地应用于大型泵压式液体火箭发动机的故障检测。     

多层前向神经网络的微弱信号检测

多层前向神经网络是一种非线性动力学信息处理系统，是可以实现传统计算机难以实现的高速信息处理能力和最佳信息的检测方法。探讨了神经网络的弱信号检测方法，定性分析了其噪声抑制的原理，给出了神经网络系统框图及实测结果。     

液压泵轴承故障的诊断方法

利和倒谱包络方法解决液压泵轴承故障特征提取和故障诊断的问题，文中详细给出了倒谱包络的模型，然后在频域和倒频域比较正常泵和轴承故障泵的功率谱变化及倒谱包络变化。分析研究表明，轴承振动信号相对于柱塞与斜盘的振动是非常微弱的，利通常的信号处理方法进行轴承故障诊断往往难以奏效，而利用倒谱包络方法则可以突出故障信息，从而达到轴承故障诊断的目的。     

航空液压泵柱塞游隙增大故障诊断

柱塞游隙增大是航空液压泵典型的渐进性故障之一,其故障特征模糊,样本有限,故障数据充满噪声,对其进行精确的故障诊断十分困难,因此提出了一种基于简约支持向量机的故障诊断方法.利用粗糙集对故障特征变量进行简约,去除冗余信息,在保证分类质量不变的前提下寻求覆盖系统故障特征的最小属性集合;将简约后的数据样本用来训练支持向量机进行故障分类.使用训练完成后的简约支持向量机进行故障诊断的实验结果表明,此种诊断方法适合于航空液压泵柱塞游隙增大的高精度故障诊断.     

飞机液压泵二维性能退化的可靠性评估

飞机液压泵为飞机操纵、起落架收放和刹车提供高压能源,其安全性和可靠性至关重要。针对飞机液压泵二维退化可靠性评估问题,构建了基于液压泵微观表面混合润滑的转子-配流盘摩擦副和轴尾密封副的摩擦磨损退化模型,基于统一随机过程模型描述2个性能指标的退化规律,利用Copula函数表征二维性能退化的相关关系,使用贝叶斯马尔可夫链蒙特卡罗法得到其考虑二元相关退化模型的未知参数估计,进而对飞机液压泵进行了可靠性评估。通过液压泵回油流量及轴尾密封摩擦力矩2个性能退化指标的实际退化数据,验证了所提出的理论和方法。结果表明,考虑2个性能退化指标相关的退化模型有效提高了可靠性评估及寿命预测精度。     

基于改进神经网络的空间机械臂阻抗控制方法

针对环境信息不确定和碰撞模型未知情况下的空间机械臂柔顺控制问题,提出了一种基于改进型神经网络的阻抗控制方法.以空间机械臂阻抗控制系统闭环方程为基础,分析了环境信息不确定和碰撞模型未知情况下不能实现精准力控制的原因.利用粒子群优化算法调整神经网络中的权值矩阵,以提高神经网络的收敛速度和寻优性能.基于改进后的神经网络设计阻...     

基于改进HHT的一体化电液作动器故障诊断

介绍了机载变排量变转速一体化电动静液作动器(EHA-VPVM,Electro-Hydrostatic Actuator with Variable Pump displacement and Variable Motor speed)的系统结构,根据EHA-VPVM早期故障信号非平稳、时变等特点,采用一种新的时频分析方法希尔伯特黄变换(HHT,Hilbert-Huang Transform)进行信号分析.针对HHT方法的模态混叠和虚假本征模态函数问题,提出两点改进:通过集合经验模式分解算法抑制模态混叠的发生;采用相关系数法保留真实本征模态函数.对EHA-VPVM工程样机进行早期故障诊断实验,用Hilbert边际谱和HHT谱分析永磁无刷直流电机两种工作状态下的振动信号.实验结果表明:改进HHT方法较好解决了HHT的模态混叠和虚假本征模态函数问题,能准确提取研究对象的早期故障特征,对EHA-VPVM早期故障具有良好的诊断效果.     

液发推力室和涡轮泵故障监测与诊断技术研究

研究了液发推力室和涡轮泵故障监测与诊断技术,介绍了取得的主要研究成果,内容包括:试车结果统计与故障特性分析、故障模式与影响分析、故障数据库的设计与实现、状态分类与特征分析等.此外也介绍了基于人工神经网络理论的动态过程监测与诊断算法、基于时序分析的稳态过程监测与诊断算法和基于频谱方法的事后故障分析与诊断等故障监测与诊断算法.最后,介绍了所研制的工程应用系统,并给出了具体的故障监测与诊断实例.      

基于峭度熵与分层极限学习机的动量轮轴承故障诊断研究

动量轮是卫星姿态控制系统的关键部件,其可靠性直接关系到整星寿命与安全。作为动量轮的核心组件,轴承易于发生故障,且独特结构和复杂运行环境导致监测信号信噪比低,早期故障诊断困难。针对这种情况,对变分模态分解和峭度熵结合的特征提取方法进行研究,获得动量轮轴承监测信号中的微弱故障特征,并建立特征向量。引入分层极限学习机,对结构和编码方法进行优化后用于轴承故障的识别。最后,将提出的方法用于实际故障的诊断,并通过与传统ELM方法比较,得出提出的方法在动量轮轴承故障诊断中具有更高的诊断精度,达到98.5%。     

基于粗糙集理论的卫星故障诊断方法

卫星结构和控制的复杂性、独特性和诱发故障的多源性导致其故障诊断的困难．卫星的一种故障模式与许多症状变量有关,目前的故障诊断推理因未充分考虑症状变量的冗余变量而比较复杂．提出了基于粗糙集理论的故障症状约简新方法,用卫星故障实例研究了新方法的应用,结果表明该约简方法对消除卫星故障症状信息冗余、简化和优化故障诊断推理非常有效。     

基于LightGBM的HXMT在轨运行模式监测算法

HXMT卫星的空间硬X射线巡天和定点观测计划切换频繁,需要对卫星有效载荷在轨状态进行实时监测和判别.目前采用的是地面监测人员根据总结的规则进行人工监测的方式,虽然执行方便,可解释性强,但人力消耗较大,且对规则之外的情况无法灵活处理.本文利用HXMT卫星的实时遥测数据,提出一种基于LightGBM机器学习模型的在轨运行模式监测算法,将监测工作规约为多分类问题,并构建判别模型,对卫星在轨运行模式进行判断.在保障判别准确率的前提下,算法模型构建迅速,具有很高的实用性.基于真实遥测数据的试验表明,模型的判别准确率达到99.9%,满足在轨运行模式监测要求,可为HXMT卫星的运行监控任务提供参考依据.      

全球导航卫星系统多星故障排除新方法

在全球导航卫星系统中,多颗卫星同时发生故障的概率会随着观测卫星数的增加而增加,从而,在接收机自主完好性监测中需考虑多星故障的处理.针对故障检测比故障排除简单、且故障检测率比故障排除率高的特征,以故障检测为基础,提出了一种新的多星故障排除方法——随机搜索法.该方法采用二进制对观测卫星进行编码,通过随机初始化方式获得初始无故障星座,再通过逐步搜索未选卫星方式来得到最终的含有最多无故障卫星的星座,实现故障排除功能.仿真结果表明:大部分情形下,新方法能获得99%以上的故障排除率,既能进行单星故障排除,也能进行多星故障排除,能有效满足全球导航卫星系统关于自主完好性的要求.      

小样本下基于孪生神经网络的柱塞泵故障诊断

针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明：与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明：所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。     

基于EMD和SVM的机载燃油泵故障诊断研究

针对机载燃油泵故障数据来源较少、诊断效率较低、维护费用较高、缺乏有效故障特征的问题,利用机载燃油转输系统实验平台收集的振动信号和压力信号,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的机载燃油泵故障诊断方法。首先,利用EMD提取振动信号不同频段的能量值作为特征参量,并结合压力信号均值构造故障特征向量;其次,分别采用遗传算法(GA)、粒子群优化算法(PSO)、樽海鞘群算法(SSA)、网格搜索算法(GS)对SVM的惩罚参数和径向基函数(RBF)参数进行优化,并对优化后的SVM诊断性能进行了评估;最后,分别采用SVM、极限学习机(ELM)、BP神经网络作为分类器,并对3种分类器的诊断性能进行了评估。结果表明:采用3种群智能优化算法的SVM故障诊断率均能达到100%,寻优过程中均未陷入局部最优解,且寻优时间相当,其中GA的训练时间最短,可以采用GA对SVM参数进行寻优;当采用GA_SVM作为故障分类器时,用时较短,且故障诊断率较高,可以选用GA_SVM分类模型实现机载燃油泵的高效故障诊断。