基于分布式专家系统的运载火箭故障诊断技术

针对运载火箭结构庞大,各分系统纵横交错、相互耦合的特点,基于分布式专家系统思想,提出了一种分布式运载火箭故障诊断技术方案.该方案采用产生式知识表达技术,将专家知识通过由测点表、征兆表、规则表和结论表组成的4表结构来表示,具有表述清晰、易于扩展和移植的特点.推理机制采用分布式推理和分级推理相结合的方式.分布式推理将运载火箭的系统级故障与各分系统级故障分别同时进行诊断,可有效提高诊断速度.分级推理将危害级别高的故障优先进行诊断,因此运载火箭一旦有危害程度大的故障发生时,可以及时发现、及时处置,从而使故障对系统的影响降至最低.      

磨粒分析技术及其在发动机故障诊断中的应用

基于显微形态学方法的磨损微粒显微分析技术是近年来出现的解决发动机磨损故障诊断问题的新方法之一。应用形态学分析方法建立一套磨粒显微特征描述体系提取磨粒特征信息,作为磨粒识别的信息基础,可以准确地完成磨粒自动识别。基于发动机润滑系统磨粒分析的结果和颗粒摩擦学理论,比较准确地评估出发动机接触磨损部件的磨损状态,进而诊断或预测此类磨损故障;另外,此项分析诊断技术在发动机气路磨损故障诊断中也具有潜在的应用前景。      

基于DTW的涡扇发动机气路故障定量诊断方法

提出了一种利用动态过程信息对气路故障进行定量诊断的新方法.采用动态时间规整(DTW, Dynamic Time Warping)技术,对动态测试样本同已知的故障模式进行相似性度量,充分利用发动机的过渡态特征信息,实现了发动机气路部件故障的定量诊断.结果表明:这种方法的漏报率和误报率低,具有很高的诊断准确性,对测量噪声和其它不确定性具有很好的鲁棒性.      

航天器故障诊断与容错控制技术研究综述

详细综述了航天器故障诊断与容错控制的研究进展。重点从基于模型的方法、基于数据的方法和基于知识的方法三个方面分别阐述了航天器故障诊断技术的研究进展,并且总结了航天器容错控制技术的研究现状,然后介绍了国内外的一些相关技术项目的开展情况,最后对未来可能的发展方向进行了探讨。     

液体火箭发动机健康监控技术研究现状

液体火箭发动机健康监控技术是改进和提高运载火箭、航天器可靠性与安全性的核心技术之一,对其进行研究具有重要的学术价值和工程应用价值。液体火箭发动机健康监控技术的研究主要包括液体火箭发动机故障检测与诊断理论方法、液体火箭发动机健康监控系统两方面。该文介绍了基于模型驱动的方法、基于数据驱动的方法和基于人工智能的方法,阐明了液体火箭发动机故障检测与诊断理论方法的研究现状,通过对美国液体火箭发动机典型健康监控系统的介绍,阐明了液体火箭发动机健康监控系统研究的若干进展及现状,并对液体火箭推进系统健康监控技术的演变趋势作了简要评述。     

基于自定义组件的故障诊断过程显示

针对导弹控制系统结构复杂,信号线繁多,难以在故障诊断软件设计中实现诊断过程图形化实时显示的问题,提出了一种基于自定义组件开发故障诊断软件的方法.根据导弹控制系统的故障诊断流程及实时显示需要,对其结构进行了分析,抽象出了主要组成元素--信号通道和部件,由此提出了需要定义的相应组件.用Borland C Builder6.0开发环境进行了应用实践,证明使用这种方法可快速开发出能图形化实时显示故障诊断过程的导弹控制系统故障诊断软件,开发出的软件还具有运行稳定、修改升级方便等优点.     

某火箭发动机故障检测及诊断算法设计分析

针对某型号液体火箭发动机故障检测及诊断软件存在瞬态段（起动段、关机段）故障检测功能缺失、故障诊断无法给出故障量大小的问题,在原软件故障诊断算法——余弦相似度分类的基础上,通过引入故障因子定量给出故障量大小,实现发动机故障诊断的定性定量分析。同时,采用基于统计学基础的包络线算法,通过Python语言对发动机瞬态段故障检测算法进行设计开发,使原软件实现发动机瞬态段故障检测功能。通过仿真试车数据对软件算法进行验证,结果表明优化后的故障诊断功能可实现故障量大小计算,基于包络线算法开发的故障检测功能提高了发动机故障检测效率。     

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。      

基于卷积门控循环网络的滚动轴承故障诊断

针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。      

Fault diagnosis based on measurement reconstruction of HPT exit pressure for turbofan engine

Aero-engine gas path health monitoring plays a critical role in Engine Health Management(EHM). To achieve unbiased estimation, traditional filtering methods have strict requirements on measurement parameters which sometimes cannot be measured in engineering. The most typical one is the High-Pressure Turbine(HPT) exit pressure, which is vital to distinguishing failure modes between different turbines. For the case of an abrupt failure occurring in a single turbine component, a model-based sensor measurement reconstruction method is proposed in this paper. First,to estimate the missing measurements, the forward algorithm and the backward algorithm are developed based on corresponding component models according to the failure hypotheses. Then,a new fault diagnosis logic is designed and the traditional nonlinear filter is improved by adding the measurement estimation module and the health parameter correction module, which uses the reconstructed measurement to complete the health parameters estimation. Simulation results show that the proposed method can well restore the desired measurement and the estimated measurement can be used in the turbofan engine gas path diagnosis. Compared with the diagnosis under the condition of missing sensors, this method can distinguish between different failure modes, quantify the variations of health parameters, and achieve good performance at multiple operating points in the flight envelope.