Diverse AdaBoost-SVM分类方法及其在航空发动机故障诊断中的应用

 提出采用考虑到精度/差异权衡的SVM作为弱分类器的一种新的组合分类诊断方法——Diverse AdaBoost-SVM。该方法通过在一组具有适当精度的弱分类器中进一步选择具有较大差异性的弱分类器,对这些具有较大差异性的弱分类器进行组合,从而较好解决AdaBoost算法中存在的精度/差异权衡的难题;同时该方法也较好地解决了现有的AdaBoost方法存在的弱分类器本身参数选取困难问题及训练轮数T的合理选取问题。通过对基准数据库的测试及航空发动机故障样本的诊断,结果表明和其他方法相比,Diverse AdaBoost -SVM方法具有更好的泛化性能,更适合对分散程度较大、聚类性较差的航空发动机故障样本进行分类,也更适合对非对称故障样本集进行分类。     

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。     

基于改进D-S证据理论的航空发动机转子故障决策融合诊断研究

针对单一传感器的测量信息难以准确、全面地反映航空发动机转子、轴承和齿轮的工作状况,进而造成振动故障诊断难度大的问题,提出安装多个振动传感器组成传感器网络,建立基于多传感器信息的发动机转子故障决策融合诊断系统。由于多传感器系统不可避免地会存在各传感器信息不一致、信息冲突的情形,因此针对该融合诊断系统的信号测量、信息预处理、特征提取、故障诊断及决策融合5个环节,重点研究了决策融合环节的Dempster-Shafer（D-S）证据决策融合方法存在的冲突证据融合失效问题。通过分析原因,从避免“一票否决”现象和证据加权平均两个方面进行改进,提出了改进D-S证据融合方法,并应用于航空发动机转子的模拟故障决策融合诊断中。结果表明基于D-S证据理论对3个传感器的单一诊断结果进行决策融合,能得到比任一单个传感器更准确、可靠的结果;而改进D-S证据融合方法由于能在一定程度上克服冲突证据融合带来的失效问题,且能同时兼顾处理好非冲突证据的融合,故其对于证据冲突和非冲突情形都取得了较好的融合效果,因此总的分类正确率要高于常规D-S算法和PCR5算法。     

基于AR模型对滑油中金属元素含量的预测

利用时间序列分析方法对某型航空发动机滑油监控系统中需重点监控的金属元素含量建立了AR模型。并根据该模型对其含量变化趋势进行了预测分析。某部队通过对不同实测数据的检验证明，可根据该模型的预测结果预报金属含量是否招标。