BIT和ATE组合测试技术及其应用

详细介绍了BIT和ATE组合测试技术及其在机载电子设备测试与故障诊断的具体应用。应用表明BIT和ATE组合测试技术可有效提高设备的测试性。     

基于BP网络信息融合技术的电路板故障诊断

对基于BP神经网络的信息融合故障诊断技术进行了研究,将信息融合技术应用到某型反舰导弹俯仰综合放大器电路板的故障诊断中,并利用改进的BP神经网络进行数据融合,得到了较为理想的结果.研究表明,该方法能够较好地解决电路板元件故障诊断的不确定性问题.     

战伤诊断与修复计算机辅助系统

概述了战伤诊断与修复的基本情况,对战伤诊断和修复的过程进行了简要说明,定义了战伤诊断与修复计算机辅助系统,同时利用关系型数据库语言Vc 6.0编写了战伤诊断与修复计算机辅助系统应用软件,介绍了战伤诊断与修复计算机辅助系统应用软件的功能及使用方法。为说明计算机辅助系统应用软件的实际过程,文章最后针对某型飞机一种典型的战伤情况,利用本文介绍的战伤诊断与修复计算机辅助系统对某型战斗机进行了战伤诊断与修复分析。     

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DBN的不均衡样本驱动民航发动机故障诊断

在结合深度置信网络(DBN)、采样与集成技术的基础上,提出了基于不均衡样本驱动的民航发动机故障诊断模型。该模型通过分析民航发动机历史飞行数据,利用DBN提取性能参数中的内部特征,利用采样技术将不均衡样本均衡化,采用集成技术进行故障分类。将该模型应用到CFM56-7B系列发动机历史飞行数据,实验结果表明:与常用故障诊断方法相比,该模型的准确率高达0.996,AUC值高达0.948,可以有效处理民航发动机样本高维、不均衡问题。      

AP聚类改进免疫算法用于航空发动机故障诊断

在免疫算法训练过程中引入近邻传播(AP)聚类与熵权法,对训练样本进行聚类与权值计算,将权值引入免疫算法中样本选择阈值的计算,以解决训练过程采用固定选择阈值所造成的检测器在部分区域过拟合,部分区域欠拟合的问题。结果表明:改进的免疫算法用于典型非线性函数的寻优时,迭代性能均优于传统免疫算法,并在大部分情况下优于粒子群算法与量子遗传算法,在进行某型发动机故障诊断的实例实验时,改进后的算法的诊断准确率达到98.06%,高于传统免疫算法的92.60%。      

民用飞机健康诊断大数据应用研究

该文对面向飞机健康诊断的几种大数据技术进行了综述。并行聚类分析方法可以抽取飞机维护系统并行计算机的基本特征,形成飞机各系统历史数据的抽象计算模型;而针对全机状态监控参数中如何从大量飞机参数中挖掘出有价值的信息问题,参数场域挖掘技术发挥了很大的作用;然而在实际应用过程中,经常会遇到多种复杂的故障,这些故障通常具有复杂的非线性关系,而要确定这些非线性相关规则,需要依托大数据技术确定相关的关系;而对于由某一部件失效形成飞机级联故障的链式效应,可利用可视化数据挖掘技术,描述故障数据,结合人类视觉感知能力,加强数据结果处理。     

控制系统模拟信号处理方法研究

模拟量采集精度对控制系统具有重要意义.研究了模拟量采集过程的软件设计流程,层次划分和模型,从传感器AD值到模拟量物理值之间不同处理阶段给出了常用方法描述.针对错误处理详细描述了错误诊断方法.最后将模拟量采集软件应用于某发动机模拟量采集中,通过试验进行模拟量测量值和软件输出值对比计算,结果表明此模拟量采集软件输出模拟量精度均在有效范围内.     

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

面向军用飞机任务能力的健康评估方法

军用飞机健康评估在工程实际中存在应用困难的问题。以军用飞机为研究对象,开展包括面向任务 的能力分析、基于故障劣化的功能分析以及参数化的健康评估等研究,得到基于任务分析的“飞机-任务功 能-影响参数暠两级映射作为健康评估的对象;综合利用劣化度、严酷度及极大熵改进区间层次分析法等多种 方法,得到飞机健康状态评估结果。结合具体实例及参数分析结果,表明该评估方法可信度高,具有较高的工 程实用价值。