基于神经网络的滚动轴承故障包络信号的自动识别方法

介绍了一种基于神经网络的滚动轴承故障包络信号的自动识别方法。将从包络信号的时域和频域信息中提取的反映滚动轴承故障的特征信息作为BP神经网络的输入,用BP算法对该网络进行训练。利用BP神经网络的智能性来实现滚动轴承故障的智能诊断。     

Elman网络在某型自动驾驶仪飞控盒多故障诊断中的仿真研究

目前采用传统故障诊断方法对复杂系统进行故障诊断时,还存在许多缺点,尤其在多故障同时发生的情况下,传统故障诊断方法难以准确定位故障点。为此,基于Elman神经网络,结合故障字典法,设计了一种基于Elman网络的综合故障诊断方法。为验证该方法的准确性,以某型飞机自动驾驶仪飞控盒的几种主要故障为诊断源,仿真研究了所设计的综合故障诊断方法。仿真结果表明,与传统故障诊断方法相比,所设计的基于Elman网络的综合故障诊断方法在进行多故障诊断中对故障的准确定位是有效的和快速的。     

数模混合电路故障诊断的方法研究

结合目前数模混合电路测试的发展现状,对其故障诊断的理论进行了介绍,指出了各自的优点以及存在的缺陷,探讨了在实际中得到发展和应用的数模混合电路故障诊断技术,并预测了这些理论和技术今后的发展方向。     

一种求解D-S诊断识别框架方法

利用D-S证据理论进行故障诊断时,首先需准确地确定出诊断识别框架,这是D-S故障诊断的先决条件.在导弹武器等复杂系统中,存在着故障原因与故障征兆之间关联关系不确定的现象,增加了求取诊断识别框架的困难.为此,提出了一种求取复杂系统的D-S诊断识别框架方法.首先,基于基本诊断模型,给出了诊断贝叶斯网络模型.以及求解诊断贝叶斯网络模型的方法;然后,给出了征兆集合等概念以及求解故障识别框架的方法;最后,通过示例验证了方法的正确性.     

航空发动机的智能神经网络自适应控制研究

针对结构复杂、模型不确定、强非线性的航空发动机对象,提出一种综合模糊推理、神经网络自适应和PID简单控制各自优点的控制方案.在改进模糊PID控制器的基础上,进行了新型智能型神经网络控制器的设计,并提出离线混沌蚁群优化与在线误差反传调整相结合的优化方法.应用具有良好泛化能力的最小二乘支持向量机进行系统辨识,对某型航空发动机进行了设计点处的线性和非线性模型控制仿真.结果表明:控制系统具有满意的动、静态性能和较好的鲁棒性,验证了该方案的可行性和有效性.      

多轴高周疲劳失效准则的对比分析

采用多种材料、多种加载方式的数据对多轴高周疲劳中比较常用的6个失效准则进行了对比分析.选取的准则涵盖目前研究的各个方面,包括等效应力准则、应力不变量准则和临界面应力准则;选用的数据包括合金钢、低碳钢、铝合金和铸铁等10种金属材料;加载方式包括比例加载和非比例加载;对比方式包括对同种材料不同准则之间的横向比较和同一准则对不同材料的纵向比较.对比分析的结果表明,6种准则对于低碳钢及合金钢材料的预测结果优于其它材料;比例加载的预测结果优于非比例加载;预测结果较满意的是Papadopoulos准则、Susmel准则和Liu准则.此外,6种准则对于铸铁的预测结果均不理想.      

分布式网络技术在燃气轮机性能测试系统中的应用

分析了分布式网络系统及燃气轮机性能测试系统的结构特点,描述了基于系统级、子系统级和工作站级的分布式测试系统的3级结构模型.     

利用神经网络规则提取方法获取转静碰摩故障诊断知识

 获取易于理解的航空发动机转静碰摩故障诊断知识规则对于深刻认识碰摩故障机理、有效诊断碰摩故障具有重要意义。鉴于此,研究了一种新的基于功能性观点的神经网络（NN）规则提取方法,介绍了连续属性离散、训练样本产生、神经网络训练、示例样本产生及规则提取等关键算法,并用Iris数据对方法进行了验证。最后,通过航空发动机转子实验器获取碰摩故障样本,利用神经网络规则提取方法从故障样本中提取了碰摩故障诊断知识规则,并对其进行了验证分析,验证结果充分表明了该方法的正确有效性。     

三支承磁悬浮轴承转子系统性能的实验分析

在一般磁悬浮轴承转子系统的基础上增加辅助磁悬浮支承组件,构成磁轴承与辅助磁悬浮支承组合三点支承转子系统。通过试验模态分析和系统高速旋转实验研究了不同控制参数下,组合支承柔性转子系统的动态性能,并与二支承系统进行了比较。实验结果表明,辅助磁悬浮支承对系统性能有较大影响,提高了系统在各阶模态振动时的阻尼,使系统顺利越过二阶弯曲临界转速在16000rpm以上稳定运行。     

基于粗糙集和神经网络的导弹故障诊断方法

人工神经元网络（ANN）具有本质的非线性特性、并行处理能力以及自组织自学习的能力,但单独使用ANN处理问题时,往往会存在一些缺陷。文章介绍导弹驾驶仪故障智能诊断的一种新方法：首先,利用粗糙集原理约简故障特征属性数据;其次,用带动量项的批处理BP神经网络方法对故障数据进行训练并检验;最后,将故障数据处理后输入神经网络分类器,对故障实施诊断。