一种基于Deep-GBM的航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承故障信号难于识别的特点,提出了一种深度梯度提升模型（Deep-GBM）对振动信号特征进行逐层学习以提高分类模型的准确率。开展某型航空发动机中介轴承故障模拟实验,并采用经验模式分解(EMD)方法对采集的振动信号进行分解,提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征。采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别。实验结果表明,所提出的Deep-GBM故障诊断准确率达到87%,相对于传统的机器学习模型准确率最高提升了28%,并具有良好的泛化能力。      

基于CCFHTLS算法的异步电动机转子故障检测

定子电流经低通滤波器处理后产生高斯有色噪声,限制了异步电机转子故障检测算法的辨识精度。针对该问题,提出一种抑制高斯有色噪声的异步电机故障检测技术。首先对采集到的定子电流进行预处理,利用逆同步旋转变换剔除基波,避免了直接检测时基波对故障辨识精度的影响。然后利用互相关函数(CCF)处理技术对高斯有色噪声的抑制作用,提出基于CCFHTLS算法的电机转子故障诊断技术。针对异步电机转子断条和偏心故障的识别进行试验,结果表明CCFHTLS算法可以有效抑制高斯有色噪声,并保留故障有用信息,显著地提高了故障检测的分辨率。     

用于空间站的四重冗余对接控制系统设计

针对空间站所处太空环境的特殊性、对接机构对空间站正常运行的重要性,以及对航天器可靠性要求日益增加的问题,提出在对接控制系统中增加可靠性设计,实现整个机构的高质量、平稳运转。在完成正常控制功能的基础上,在系统中采用了四重冗余的工作机制,包括主备机双热备份、自动/手动控制模式切换、自动控制关闭指令双线发送和工作模式的三取二判断,对四重冗余设计的具体判断流程进行了详细的解释。对控制系统软件进行仿真验证,结果表明：本方法设计的对接控制系统具有高可靠性和故障容错能力。     

涡轴发动机转速信号故障对策研究及试车验证

以某型涡轴发动机为对象, 对转速传感器失效状态下全权限数字电子控制系统(FADEC)采取的控制对策进行研究.确定了某型涡轴发动机的容错控制规律.试验在台架条件下进行, 采用“故障模拟杆”方法, 对发动机容错控制进行研究.试验结果表明, 所采用的故障对策和验证方法实施方便, 容错控制能够有效维持发动机的功率输出.验证试验为双发装机匹配提供了有益的经验, 对其它型式的发动机亦具有参考价值.      

弹性支撑条件下裂纹齿轮体有限元模拟与仿真

将齿轮与轴的装配支撑关系考虑为弹性支撑, 采用有限元数值分析ANSYS软件对故障齿轮的动力特性进行了模拟.研究了裂纹故障发生后齿轮动力特性的变化, 分析了不同大小和不同类型的故障对齿轮体动力特性的影响.结果表明:裂纹的大小和位置对动力特性都有影响, 但裂纹发生位置的影响要大于裂纹大小的影响, 即处于齿轮结构体中部的缺陷要比处于外边缘的缺陷对动力特性影响大.另外, 探讨了仿真时设置弹性支撑边界条件的方法, 并通过与固定支撑和自由支撑边界条件的比较, 给出了弹性支撑条件下分析结果的真实性和有效性, 为齿轮故障发生机理和诊断的研究提供了一种方法.      

采用序列概率比方法检测航空发动机传感器软故障

提出基于卡尔曼滤波和序列概率比方法进行某型涡扇发动机控制系统传感器软故障检测新方法.研究了采用修正的序列概率比方法处理滤波残差,检测传感器软故障;并将该方法与残差加权二乘算法WSSR(Weighted Sum of Squared Residual)检测传感器软故障过程进行了对比.仿真结果表明,序列概率比方法较WSSR法所需决策时间短,适合于航空发动机传感器软故障检测.      

飞机维修信息管理系统

基于机载中央维护系统(CMS),提出了飞机维修信息管理系统(AMIMS),以进一步提高飞机的安全性,降低维修和运行成本;并详细讨论了AMIMS的组成、功能、关键技术及其解决途径。     

基于雷达组网的抗无人机新技术研究

介绍了无人机的概念和基本特性;主要讨论了雷达组网和数据融合的基本原理及其如何实现对敌无人机等弱小目标的检测与跟踪,在此基础上引入了检测跟踪的新方法,有效弥补了单机雷达的不足,便于防空决策的后续处理.     

基于正交小波变换的动态系统的故障检测

利用正交小波变换在时-频域均有良好局部化的品质,提出了一种对动态系统故障诊断中非平稳信号进行分析与处理的方法.仿真结果表明,该方法不仅使测试结果更加精确,而且便于进行快速的故障诊断.     

基于小波变换和支持向量机的开关电流电路故障诊断新方法

针对开关电流(Switched current,SI)电路的故障诊断和定位问题,为进一步提高故障诊断准 确率,提出了基于小波变换和粒子群优化(Particle swarm optimization,PSO)支持向量机 (Support vector machine,SVM)的开关电流电路故障诊断新方法。该方法首先对节点电流 信号进行蒙特卡罗分析,然后通过小波分解计算分形维数,再利用核主元分析（Kernel pri ncipal component analysis,KPCA）降低特征值维数,实现最优故障特征的提取。最后通 过PSO SVM完成对各种故障模式的分类。对六阶切比雪夫低通滤波器进行了仿真实验验证, 获取了较高的故障诊断准确率,与其他方法进行比较,实验结果显示了本文方法的优越性。