基于小波神经网络航空发动机滑油系统故障诊断方法研究

研究了基于小波神经网络的非线性系统的故障检测和诊断方法.把小波分析与前馈神经网络相融合,并推导出其具体的算法.应用小波神经网络对航空发动机滑油系统进行故障诊断.试验和仿真的结果表明:小波网络应用于故障诊断时具有收敛速度快,对网络输入不敏感等特点,为非线性系统的故障诊断提供了新的理论和方法.     

固体火箭发动机健康监测技术的发展和应用

阐述了国内外近年来进行固体火箭发动机健康监测技术研究的进展和面临的问题,针对我国的实际情况,提出了在该领域开展研究和应用工作中的两点建议。     

基于粗糙集-神经网络的机载设备故障诊断方法研究

提出了一种基于粗糙集-神经网络的故障诊断方法。将粗糙集理论同神经网络结合起来可以用于机载设备的故障诊断。采用粗糙集理论对原始故障诊断样本进行处理,并根据条件属性对决策属性的正域的大小来选择条件属性,提取出对诊断故障贡献最大的最小故障特征集,从而确定神经网络的拓扑结构;通过训练神经网络建立故障特征与故障之间的映射关系,实现故障的诊断。通过A320飞机燃油系统的故障诊断仿真实例,表明这种故障诊断方法的有效性。     

基于多信号流图的分层系统测试性建模与分析

为了对分层系统进行测试性分析,提出基于多信号流图模型的分层系统测试性建模与分析方法.该方法利用多信号流图模型建立分层系统的层次结构模型,进行测试性分析时,首先利用相关性模型法对顶层模型进行测试性分析,当层次性模块与其它模块不能区分时,再利用相关性模型法对模糊组进行测试性分析,最终实现对分层系统的诊断设计.最后,利用某具有层次性结构的滤波放大器电路对该方法进行了验证,试验结果证明,该方法对于分层系统的测试性建模与分析是有效的,能够为分层系统制定有效的诊断策略.      

基于PHM的军机备件配置机制

现有的军机备件配置模型不能满足预测与健康管理(PHM,Prognostics and Health Management)技术支持下的军机备件配置.分析了军机备件需求产生过程及现有军机备件预测配置机制,并在构建军机PHM体系基础上,分析了PHM技术对军机备件配置的影响,得出了PHM技术支持下的备件配置模式,最后运用PHM系统的预测构建了基层级备件配置机制框架;运用后方基地自动化后勤信息系统及虚拟库存理论构建了后方基地备件配置机制框架;运用信息共享理论构建了联合共享备件配置机制框架.该配置机制能够为PHM技术逐渐应用于军机提供备件配置方面指导性和可操作性的参考.      

基于DFT的含FPGA电路板的测试方法研究

随着微电子技术的不断发展,复杂逻辑器件大量应用到武器装备电路板上,电路板结构功能日趋复杂.与此同时,芯片集成度的大幅提高使得外部可接触的引脚越来越少,这就导致常规的测试方法无法实现对该类电路板的有效测试,电路板维修、检测问题日益突出.因此,在电子设备设计的开始阶段就采用可测性技术.针对含FPGA电路板,对基于DFT的测试方法进行了研究.     

基于EEMD分解的直驱式机电作动器故障诊断

基于集合经验模式分解 (EEMD,Ensemble Empirical Mode Decomposition)算法,给出一种机载直驱式双余度机电作动器(DDDR-EMA,Direct-Driven Dual-Redundancy Electro-Mechanical Actuator)复合故障诊断方法.EEMD对信号加入有限幅度的高斯白噪声,利用高斯白噪声频率均匀分布的统计特性使信号在不同尺度上保持连续性,解决了经验模式分解的模式混叠缺陷并保留了自适应性.将EEMD方法应用于机载DDDR-EMA故障诊断实验振动信号分析,先对实测信号进行分解,得到一组无模式混叠的固有模式函数;再采用不同的方法分析各频段,提取各频段包含的故障特征.实验结果表明:与经验模式分解相比EEMD能提高故障信号的分析精度,准确诊断机载DDDR-EMA的复合故障.     

5 kW环型离子推力器试验研究

针对未来深空探测任务对高功率电推力器的需求,兰州空间技术物理研究所开展了5 k W环型离子推力器的研制。环型离子推力器放电室设计与传统离子推力器有很大不同,面临着放电不稳定、不均匀、放电损耗过大等潜在的技术风险。在原理样机完成设计、制造工作后,开展了试验研究工作,通过性能摸底试验对推力器电气参数变化规律进行研究并找到最佳的工作点,通过等离子体诊断试验对放电室内等离子体密度和电子温度分布情况进行研究。试验结果表明:环型放电室在很宽的放电电流范围内都有很高的稳定性,在单阴极偏置的情况下推力器束流仍然具有较好的均匀性,初步验证了环型离子推力器概念的可行性,为下一步优化设计打下了技术基础。     

基于近邻传播聚类的航空电子部件LMK诊断模型

针对小样本条件下,航空电子部件功能模块故障诊断精度不高的问题,将局部多核学习（LMKL）算法的多分辨率解释与局部特征自适应表示能力和超限学习机（ELM）运算高效的特点相结合,提出一种新的局部聚类MK-ELM（LCMKELM）诊断模型。通过引入近邻传播（AP）聚类,在挖掘训练样本局部特征信息的同时,有效约减了局部算法的计算复杂性,避免了过学习问题的出现;通过分别分析输入空间与特征空间的聚类特征,构造了相应的2种选通函数M₁、M₂,以优化选通函数的模型参数取代优化局部权重,有效解决了核超限学习机（KELM）的对偶优化形式关于局部权重二次非凸的问题。将本文模型应用于某型机旋转变压器激励发生电路功能模块故障诊断,结果表明:相比于4种常用的多核诊断算法,模型在实现低漏警、低虚警的同时,采用M₁选通函数的诊断算法将诊断精度平均提升了3.80%,采用M₂选通函数的诊断算法将诊断精度平均提升了5.98%。同时,模型在实现与流行的LMKL算法相近的训练时间的同时,测试时间更短。      

大虚警率下的多故障诊断算法

主要研究不可靠测试下多信号模型的多故障诊断问题。最优的多故障诊断是计算复杂度完全类(NP-Complete)问题,因此大型系统的诊断一般只能用次优的随机搜索算法。次梯度优化算法能够在虚警概率较小时给出较好的结果,但如果测试个数很多且虚警概率较大时,该算法就不能消除虚警的影响,会使估计的故障覆盖所有失败的测试,而不是找到系统真实的故障。针对这一问题,提出了能够同时考虑虚警和误警的目标函数,使算法能排除虚警的测试准确定位故障,并用改进的遗传算法搜索故障部件提高诊断速度。仿真诊断结果表明,同时发生故障的部件个数较少时,遗传算法的诊断速度明显优于次梯度优化算法,而且能够更有效地抑制虚警的影响。