基于GSP仿真和SDAE的航空发动机故障诊断

为了深入研究航空发动机故障机理,提出基于航空燃气涡轮发动机性能仿真软件(GSP)和堆栈降噪自编码器(SDAE)的航空发动机故障诊断方法。通过GSP性能仿真方法模拟发动机在不同设计参数下的部件故障,并得到对应的运行状态参数;从每种故障类型下的长时间序列的状态参数中提取出向量化的曲线特征,构成故障样本;将故障样本带入SDAE模型中进行深度特征提取,经过前向传播和反向微调得到训练好的模型用于发动机故障诊断。结果表明:GSP能够通过参数更改来模拟微弱故障下的状态参数,从而构建多故障样本集;SDAE的重构误差和反向传播误差能够快速收敛到较小值,SDAE的故障诊断正确率为99.5%;与深度信念网络(DBN)、人工神经网络(ANN)以及经典机器学习方法支持向量机(SVM)相比,SDAE的故障分类正确率分别提高了0.8%、6.9%和10.1%。     

新型民机维修成本目标有效性评估方法

将数据包络分析(DEA)的两阶段法扩展到了输入输出是模糊数的情况,并应用于新型民机的维修成本目标评估之中。应用时,新机与其类似机型将来的维修任务被视作决策单元,直接人工时费、直接材料费和间接维修费被视作模糊输入,遣派可靠度、可用座公里数和损失成本的倒数被视作模糊输出,经两个阶段的DEA分析之后,不仅能实现对维修成本目标的有效性评价,而且能实现对不合理目标的及时修正。经实际工程验证,该方法实用且有效。     

基于深度残差收缩网络的滚动轴承故障诊断

滚动轴承的准确故障诊断是确保机械设备安全可靠运行的必要手段。针对多故障、长时间序列的滚动轴承振动信号,提出了一种基于深度残差收缩网络(DRSN)模型的故障诊断方法。首先,根据采集到的滚动轴承数据构造故障样本,针对多种故障类型下的长时间序列的振动信号,按照一定尺寸将长时间序列矩阵化,构成多故障类型的灰度图故障样本。从正常到故障的滚动轴承性能退化过程,通过多个采样点的随机采样,构造全寿命周期的故障样本用于故障诊断。其次,在多层深度学习模型基础上,将残差收缩网络模块加入到卷积神经网络(CNN)中构建深度残差收缩网络模型用于故障诊断,其中通过将残差项加入到网络中训练解决了多层网络模型的模型退化问题,利用软阈值化实现了样本降噪。最后,为了验证所提方法的有效性,采集了滚动轴承的多故障时间序列样本和全寿命周期故障样本用于故障诊断。实例验证的结果表明:所提深度残差收缩网络模型在处理含噪声样本时仍具有良好的鲁棒性,多层网络模型下没有明显的网络退化,能够保持较高的故障诊断正确率。在处理2种轴承故障数据集时,与其他模型相比,所提方法训练误差更低,平均故障诊断正确率提高1%~6%。      

液体火箭发动机可靠性增长分析与决策研究

液体火箭发动机试验费用昂贵、可靠性要求高，有必要采用分析和决策技术对可靠性增长进行综合管理。传统的可靠性增长分析与决策是采用可靠性增长模型，包括经典可靠性增长模型和Bayes可靠性增长模型。可靠性增长模型以可靠度的点估计或置信下降作为决策标准，缺陷是没有考虑可靠度本身的不确定性以及由决策损失导致的严重后果。本文根据液体火箭发动机的特点，采用信息融合技术，建立了基于增长数据折合的Bayes指数分布可靠性增长模型，评估可靠性水平。针对评估结果存在的不确定性，采用Bayes风险决策方法确定停止可靠性增长试验时间的标准。工程应用表明：该方法可操作性强，得出的结果科学、可靠。     

基于Bayes方法的民机冗余系统可靠性评估

民机中常通过冗余设计提高系统的可靠性,研究冗余系统的可靠性评估具有工程实用性。民机故障发生具有随机性,本文采用马尔可夫链描述民机冗余系统的状态变化;考虑到民机可靠性信息较少,要充分利用多源信息,运用Bayes方法对两设备组成的冗余系统进行可靠性评估。假定设备故障间隔和维修时间均服从指数分布,在不同的先验分布下,评估了该冗余系统的平均无故障工作时间,并计算了相应的稳态可用度。针对具体数值例,采用蒙特卡罗仿真方法,评估了民机冗余系统可靠性,并对仿真结果进行了分析。     

基于模型检验的飞机系统安全性分析方法研究

传统的安全性分析方法,受到分析人员自身技能和经验等因素的影响,容易疏漏系统的失效状态或误判失效的影响。模型检验利用遍历算法,既可以从数学上保证搜索出系统的所有状态,不会发生疏漏;又可以利用计算机检验工具,实现自动分析过程,减少对分析人员技能和经验的依赖。将模型检验引入飞机系统安全性领域,提出了一种基于模型检验的安全性分析方法,以SAE ARP 4761标准附录中的机轮刹车系统为例,利用模型检验工具NuSMV对其安全性进行了分析,自动识别出导致某系统顶事件发生的最小失效组合,完成了传统故障树分析的目的。     

基于降噪自编码器的航空发动机性能退化评估

针对航空发动机性能退化的形式及规律,提出一种基于降噪自编码器的航空发动机性能退化评估方法。针对采集的航空发动机6个状态监测参数,采用降噪自编码器,利用贪婪逐层训练算法,挖掘各参数对发动机性能的深层影响,提取出更有利于评估的数据特征,进行性能退化评估。将提出的算法与BP(back propagation)神经网络以及支持向量机得到的结果进行测试比较,测试表明:提出的方法准确率有所提高,达到93.5%,具有较强的鲁棒性,在信噪比为10dB时准确率达到84.5%,并且能够防止航空发动机状态监测中小样本过拟合的问题。     

基于差错的民航机务系统安全分析

为实现对民航机务系统更科学的安全分析和评价,在传统“人－机－环－管”理论基础上,通过研究大量事故报告和民航规章,结合REASON模型和SHELLO模型,构建了基于差错管理的民航机务系统安全评价指标体系,用模糊层次分析法（ FAHP）计算指标权重,用模糊理论量化定性指标,通过模糊综合评价（ FCE）计算系统安全度,可以直观地看到评价结果及机务系统的薄弱环节和主要影响因素。通过实例和对比分析证明,提出的方法是科学合理的。     

基于GA优化BP算法的滑油状态监测

滑油状态的监测与分析是航空发动机状态监测与故障诊断的重要手段。为了解决以往滑油金属质量分数预测模型算 法的局部性、收敛速度慢及预测结果误差大等问题,结合遗传算法（GA）收敛速度快、鲁棒性好等优点,对反向传播（BP）神经网络 算法进行GA优化,通过GA对参数寻优,并应用于发动机滑油金属质量分数预测。由于滑油的状态参数并不能确定部件故障与 否,利用贝叶斯（Bayes）决策规则对诊断结果进行了错误率计算。将所提方法应用于某航空发动机滑油铁质量分数预测,结果表 明：采用GA优化后的BP神经网络（GA-BP）得到的预测结果具有更高的精度,其最大预测误差不超过6%,平均预测误差为1.7%, 所测数据与原数据具有较好的拟合性,利用Bayes决策规则对诊断结果进行分析,对于部件故障与否的判别更具说服力。     

基于深度学习的航空发动机故障融合诊断

通过对航空发动机故障诊断,能够正确判断各部件工作状态,快速确定维修方案,保证飞行安全。在结合深度信念网络和决策融合算法的基础上,提出了基于深度学习的航空发动机故障融合诊断模型。该模型通过分析发动机的大量性能参数,先利用深度学习模型提取出性能参数中的隐藏特征,得出故障分类置信度;其后对多次故障分类结果进行决策融合,从而得出更准确的诊断结果。将普惠JT9D发动机故障系数用于数据仿真,通过算例验证本文算法的有效性;算例计算结果表明:多次实验结果经数据融合提高了可信度,该模型具有较高的故障分类诊断准确性和抗干扰能力。