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。     

基于DWNN的机电作动器渐变性故障诊断

飞机飞行控制系统机电作动器（EMA）的渐变性故障很难准确预判,若不能及早发现而任其发展就会影响到飞机的飞行安全性。针对EMA的渐变性故障,提出一种基于动态小波神经网络（DWNN）的故障诊断方法。首先,利用EMA在电机电枢绕组匝间短路、传动装置丝杆和滚珠磨损等多种渐变性故障状态下的运行数据来训练DWNN故障诊断模型;然后,利用训练好的DWNN模型对EMA渐变性故障进行诊断。创新之处在于DWNN模型利用小波分解算法去除了传感器测量信号中高频分量的影响,利用反馈神经网络的记忆能力融合了过去输入的信息和过去预测的信息,提高了对EMA渐变性故障诊断的准确性。通过对某型EMA进行故障诊断实验,仿真结果表明所提出的DWNN方法可以实现对EMA部件渐变性故障的准确诊断。      

并行稀疏滤波在轴承声信号下的故障诊断

振动信号是航空发动机故障监测的常用信号。由于航空发动机结构复杂，对振动传感器的布置要求日益严格。声学信号以其非接触式、易布置、低成本的优点，在轴承智能故障诊断中引起了广泛的关注。然而，由于航空发动机内声信号所处的环境噪声较强，传统的轴承故障诊断方法无法实现精确的特征提取。为此，研究有效的特征提取方法实现轴承声信号下的智能故障诊断显得尤为重要。稀疏表示是智能故障诊断中的一个研究热点，在稀疏特征提取方面显示出强大的力量。对强噪声下的声信号进行有效的稀疏特征提取，可为轴承的非接触式故障诊断提供解决路径。提出一种基于并行稀疏滤波的轴承故障诊断方法，能够实现对轴承声信号的稀疏特征提取。并行稀疏滤波通过在传统稀疏滤波的基础上增加另一个归一化方向来实现进一步的稀疏特征提取，然后采用权值归一化方法约束训练得到的权值矩阵。最后，通过仿真和实验数据验证了所提方法的优越性。结果表明，并行稀疏滤波能够实现轴承声信号的有效稀疏特征提取和精准分类，可用于声学信号下的轴承智能故障诊断。     

硅基超短微转子系统动力学分析和 不平衡量试验测量方法研究

以基于微型静压气体轴承系统支承的硅基超短微转子为研究对象,充分考虑微尺度下稀薄气体效应的影响,建立了微型静压径向气体轴承的气体动力学模型。开展了不平衡量影响下的微转子-气体轴承系统动力学的建模和动力特性研究,分析并掌握了微转子不平衡量与微转子动力学响应、微型静压气体轴承供气特性之间的内在联系,提出了一种基于共振原理和反推原理的超短微转子不平衡量分析和测量方法,解决了常规不平衡量测量方法中存在的传感器安装和环境振动干扰等问题。