基于LMD和RBF相结合的尾桨台传动系统滚动轴承故障诊断方法

提出了局部均值分解(Local mean decomposition,简称LMD)方法和径向基函数神经网络(Radial Basis Function Neural Network,简称RBF)相结合的滚动轴承故障诊断方法.LMD方法是一种新的自适应时频分析方法,能够有效地提取故障特征.该方法首先采用LMD对滚动轴承振动信号进行分解,计算分解得到的PF分量能量比,作为特征向量输入到RBF神经网络中,进行故障分类和识别.通过真实滚动轴承数据的故障诊断实验,验证了该方法的有效性.     

基于阶比分析技术的燃气发生器转子支承松动

振动特征分析是燃气发生器健康监测与故障诊断的重要手段,其中非平稳信号阶比分析技术是机械振动特征分析的重要方法。针对某型双转子燃气发生器变速工况下发生的转子支承松动故障,在分析该故障振动机理的基础上,介绍了阶比分析技术与发生器整机振动测试系统,通过实例分析进行了故障诊断,找到了故障发生的原因,验证了方法的有效性和可靠性     

基于健康监测的飞机结构寿命预测技术

飞机结构健康监测技术在飞机的结构设计、飞行及维护过程中发挥着重要作用,该技术可用于结构健康状况预判、辅助维修与维护决策。本文首先介绍了当前结构健康监测的概念及其适用范围,讨论了结构健康监测相关规范要求,以F-35 和A400M 为例分析了国外飞机结构健康监测技术的典型工程案例,并给出了典型飞机单机跟踪和寿命控制、某老龄飞机载荷谱实测及寿命预测,讨论了基于裂纹的监测方法研究及限制其应用的主要因素。在此基础上,提出了飞机结构健康监测系统设计的主要思路,给出了寿命预计的基本流程,阐述了其中控制点选择、飞参筛选、载荷/应变方程构建、损伤计算及寿命评估、结果输出及方程验证等主要环节。最后,对航空领域未来开展结构健康监测智能化研究进行了展望。     

航空发动机磨损故障的智能融合诊断

运用了4种最常用的滑油分析技术——铁谱分析、光谱分析、颗粒计数分析及理化指标分析,同时结合发动机试车台监测数据,提出了运用神经网络和D—S证据理论对发动机试车状态进行融合诊断的方法。首先依据各种分析方法的标准磨损界限值,将原始数据进行了预处理,转换成故障征兆的布尔值;其次,建立了各子神经网络的拓扑结构。并依据专家经验建立各子系统的输入征兆与故障论域的映射关系,由此获得了各子神经网络的训练样本,对各网络成功训练后。利用神经网络实现各子网络的诊断并得到了中间诊断结果;然后,将每种方法的神经网络诊断结果作为各故障模式的基本概率分配值,利用改进的D—S证据理论。实现了对神经网络诊断结果的融合,由此获得了最终的融合诊断结果,最后,通过算例证明了该方法的有效性。     

旋翼变距拉杆关节轴承磨损故障特征及磨损程度识别

在旋翼故障试验台上设置不同程度的变距拉杆关节轴承磨损故障,分别测量其引起的机体振动信号,通过频谱分析技术提取该类故障的机体振动特征。取故障信号频谱分量作为训练和测试样本,利用径向基神经网络的良好逼近能力,实现了仅用机体振动信号来识别变距拉杆关节轴承磨损程度,识别平均误差小于10%。该诊断方法简捷可行,为进一步开发旋翼状态监测与故障诊断系统提供技术基础。     

基于时频脊线和阶次分析的转子故障诊断

为解决采用在转子升降速过程中产生的非平稳信号难以进行故障诊断的问题,提出一种基于2维时频脊线和阶次分析的转子故障诊断方法。采集转子升降速信号,采用2维时频分布的峰值脊线提取法获得信号脊线特征,结合脊线特征与等角度重采样技术依次获得信号角度域、角-阶域和阶次域图像,将信号阶次域内的特征参数作为故障敏感特征,输入人工神经网络诊断模型,对转子信号的故障类型进行分类。利用实测信号验证所提方法的实际应用效果,并与传统特征提取法的结果进行对比。结果表明：阶次分析方法的测试准确率约为99.8%,标准差小于0.09%,均优于传统特征提取法。基于时频脊线和阶次分析的转子故障诊断方法具有更高的诊断准确率,在非平稳信号特征提取过程中具有很好的可行性和准确性。     

润扬悬索桥动力特性的特征提取与重构

当前大型桥梁在线健康监测与损伤识别中主要采用基于结构模态参数的方法,该类方法存在固有缺陷。结构的频响函数包含了更丰富的结构动力信息,但数据量大、冗余度高,不利于工程应用。本文采用主元分析方法,对结构频响函数进行空间变换,得到的主元向量可在最小均方意义下提取数据的主要分布特征,根据主元的累积贡献率,可选取较少的主元可靠重构结构的频响函数,从而使基于频响函数的在线监测在大跨桥梁结构的应用更为可行。具体针对润扬长江大桥,结合实时监测系统的测点布置,对南汊悬索桥进行了动力特性分析,根据降维后的较少主元对结构频响进行重构。误差分析结果表明,采用27或20个主元能提取润扬悬索桥的主要动力特征,重构误差的均方值分别为0.0097和0.0134。     

航天复合材料智能健康监测技术研究进展北大核心CSCD

航天复合材料智能健康监测技术水平是衡量航天型号可靠性与先进性的重要标志之一,是支撑航天装备向多次重复使用、长期可靠运行发展的关键技术之一。本文总结了近年来复合材料智能健康监测在传感器制作技术、传感器与复合材料集成技术、复合材料状态监测技术、复合材料损伤及失效表征技术、人工神经网络数据处理和分析技术主要研究进展及发展现状,提出了航天复合材料智能健康监测技术存在的问题以及后续未来发展的重要方向。     

非迭代动态多故障诊断方法研究

由于传感器噪声和故障判决规则的不可靠,故障检测系统难免出现检测错误。不同的测试之间具有一定的冗余关系,利用这些关系就可以纠正一定的错误。基于迭代的动态多故障诊断（DMFD）算法在系统中有测试错误的情况下具有较高的诊断正确率,但当系统规模较大时,它的迭代过程并不必要,且有时迭代并不能收敛到最优值。针对这一问题,文章在详细分析迭代拉格朗日松弛方法和维特比算法原理的基础上,提出了利用故障和测试结果之间的关系来估计拉格朗日乘子的非迭代动态多故障诊断方法。该方法避免了迭代过程,减少了计算时间并提高了诊断正确率。对航天器电源系统的诊断表明,非迭代动态多故障诊断方法的诊断速度快,且其正确率高于以前的算法。     

Diverse AdaBoost-SVM分类方法及其在航空发动机故障诊断中的应用

 提出采用考虑到精度/差异权衡的SVM作为弱分类器的一种新的组合分类诊断方法——Diverse AdaBoost-SVM。该方法通过在一组具有适当精度的弱分类器中进一步选择具有较大差异性的弱分类器,对这些具有较大差异性的弱分类器进行组合,从而较好解决AdaBoost算法中存在的精度/差异权衡的难题;同时该方法也较好地解决了现有的AdaBoost方法存在的弱分类器本身参数选取困难问题及训练轮数T的合理选取问题。通过对基准数据库的测试及航空发动机故障样本的诊断,结果表明和其他方法相比,Diverse AdaBoost -SVM方法具有更好的泛化性能,更适合对分散程度较大、聚类性较差的航空发动机故障样本进行分类,也更适合对非对称故障样本集进行分类。