基于EMD与切片双谱的轴承故障诊断方法

针对轴承故障诊断问题,提出一种基于经验模态分解(EMD,Empirical Mode Decomposition)与切片双谱分析相结合的新方法.将原始信号分解成不同尺度的固有模态函数(IMF,Intrinsic Mode Function),求取IMF分量的包络,计算其对角切片双谱,提取由于二次相位耦合产生的非线性特征,得到轴承的故障特征频率.通过对仿真信号进行分析,表明该方法克服了传统的基于EMD的包络功率谱方法不能抑制噪声的缺点,同时较传统高阶谱方法计算量更小.给出了6205-2RS JEM SKF轴承诊断实例,说明了该方法的可用性.     

基于多值决策图的温储备系统可靠性建模方法

温储备系统是冷储备与热储备系统的推广,在实际中有广泛应用。针对不可修温储备系统的可靠性建模问题,已有基于多值决策图(MDD)的系统可靠性建模方法。该方法以系统中的单元故障为建模对象,分别构建故障级MDD与系统级MDD,进而获得系统可靠度的解析表达式。然而,该表达式中不同维度积分相互混杂,计算给定时刻的系统可靠度需要首先梳理系统可靠度的表达式,以利用数值方法求解其中的积分。为实现系统可靠度的程序化计算,在已有研究基础上提出将系统级MDD按故障数分解为一系列子决策图,通过对MDD中边的概率重新赋值获得每一子决策图的发生概率,得到系统可靠度的规范形式,形成一套完整的系统可靠度计算方法。      

航空发动机故障融合诊断研究

结合气路诊断与振动分析方法,建立发动机故障融合诊断模型,探讨气路与振动故障融合诊断方法的可行性。构建故障融合诊断3级体系(故障特征级、故障模式级以及故障决策级融合),实现基于性能参数和振动参数的综合评估方法,获得基于小偏差法的气路故障判据,形成基于动力学分析的振动故障判据,提出故障特征融合的方法,通过算法实现故障融合识别,并在模拟试验器上进行涡轮叶片掉块故障试验验证,获得相应的故障诊断决策。结果表明:设计的发动机故障融合诊断方法合理,算法正确。     

应用神经网络信息融合诊断航空发动机故障

研究了基于神经网络信息融合技术,同时结合模糊集合论对发动机气路部件进行故障诊断的方法,并以某型涡轴发动机为对象进行了仿真分析.研究结果表明该方法的故障诊断过程相对简单,对模型的精度要求不高,能够降低虚警、误报、漏报等情况的发生.      

涡喷发动机尾气静电监测及气路故障特征

利用涡喷发动机试车台和新研制的小型涡喷发动机完成了一系列静电监测实验,获取了涡喷发动机尾气静电信号特性,并通过分析静电信号特征证实了尾气静电监测技术对发动机气路部件机械故障的监测.研究发现发动机尾气静电信号的细微变化与发动机工况相关,通过分析第102试车阶段的静电信号发现活动率水平出现了与发动机工况同步变化的情况,验证了活动率水平是一种可作为表征尾气中微小颗粒的带电情况的特征参数;在102～108试车阶段中,发动机出现了燃烧室内壁积炭、燃烧室内壁轻微烧蚀和气路润滑油泄漏故障,根据静电信号的统计分析以及大时间尺度的趋势分析,发现活动率水平、正(负)事件率可作为预警参数来反映因这些故障而导致尾气静电整体水平的变化.      

基于自适应粒子滤波的涡扇发动机故障诊断

针对涡扇发动机非线性、非高斯的特点,提出了一种自适应的粒子滤波算法用于涡扇发动机气路部件突变故障的诊断.为了减小算法的计算量并且保证滤波精度,分析了滤波精度和样本数目的关系,提出根据滤波过程中状态的方差自适应地调整粒子数,在保证一定的滤波精度下可以有效地减少滤波过程中使用的粒子数,提高了算法的实时性.同时,引入扩展卡尔曼滤波(EKF)用于更新粒子,产生重要概率密度函数,在一定程度上避免了粒子的退化.通过某型涡扇发动机的仿真分析表明:改进的算法相比标准粒子滤波算法用于涡扇发动机气路部件故障诊断时,参数估计的方均根误差减小了50%左右,且算法的计算量减小了30%.     

小波包变换和神经网络的某型导弹故障诊断方法研究

提出了一种基于小波包变换的残差能量方法,对导弹动态测试数据进行分析处理,提取导弹的故障特征,并在此基础上利用神经网络有效地实现了故障的诊断和定位。     

基于G2的卫星控制系统故障诊断的半物理仿真

研究一种基于G2的集故障注入、故障模拟和故障诊断为一体的半物理仿真系统,包括基于VxW orks的实时硬件模拟系统、星载姿轨控计算机、数管及遥控遥测模拟器和专用接口箱等.开发了基于G2的以某一类典型卫星控制系统为对象的故障诊断专家系统,并对G2外部接口进行了扩展设计.最后,以典型故障为例,在半物理仿真平台上进行了演示验证.     

新一代并行处理星载计算机技术研究

为提高卫星的整体性能，对并行处理技术在集中式控制体系结构卫星平台的关键部件——星载计算机中的应用进行了研究。所设计的星载计算机采用了总线仲裁和故障隔离技术，并具有图像处理等复杂功能。通过并行双CPU资源的冗余重构设计，可保证在某个CPU发生故障后实现星戴计算机的降级使用，提高了星载计算机的可靠性，并给出了监控软件的流程。最后，采用离散傅里叶变换(DFT)运算，对设计的计算机的并行处理能力进行了预估。     

基于深度学习的发动机叶片故障检测技术

为了解决航空发动机叶片故障检测中存在的检测精度欠佳、检测效率不高的问题,提出了一种基于深度学习的目标检测方法。针对小样本数据集检测精度低、模型训练速度慢等问题,对Faster R-CNN目标检测算法进行结构优化,引入Res2Net结构,通过分割串联的策略强化残差模块的卷积学习能力,搭建了细粒级的多尺度残差模型Res2Net-50,以提升模型的特征提取能力。同时,在网络的训练过程中,采用多次余弦退火衰减法对学习率进行调整,以加快模型的训练速度,提升模型的训练质量。针对航空发动机叶片裂纹和缺损2种故障类型进行网络训练与检测试验,试验结果表明：优化后的模型识别准确率提高了0.7%,模型的平均检测精度提高了1.8%,训练时间缩短了5.56%,取得了比较好的检测效果。