量测数据自校准融合方法

提出了一种量测数据自校准融合方法,给出量测数据系统误差(未知输入)的自识别自校准公式与计算步骤,能够自动对量测数据中事先无法校准的系统误差进行识别、估计、补偿和修正,从而减小系统误差的影响。建立多传感器的数据融合公式与计算步骤,进而降低偶然误差的影响。分别对线性系统和非线性系统进行了详细讨论,并进行了大量实例计算和仿真模拟验证。从两个算例计算结果可以看出:该方法的相对误差至少要比传统方法减小45%,且计算简单,便于工程应用。      

基于自适应双稳态随机共振的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微弱,故障特征提取困难的问题,提出了基于容忍遗传算法（TAGA）的自适应双稳态随机共振（BSR）的中介轴承故障诊断方法。在传统自适应遗传算法中引入容忍度思想,建立一种容忍遗传算法,采用容忍遗传算法对双稳态随机共振系统的结构参数a,b进行优化,建立自适应双稳态随机共振系统对故障信号进行处理。为验证该方法的有效性,搭建了中介轴承故障模拟实验系统,开展中介轴承内圈和外圈故障模拟实验。采用该方法分别对仿真信号和实验信号进行处理。结果表明:该方法能够对故障信号进行增强,提升了故障特征频率提取能力。自适应优化结构参数后,提取的特征频率与故障频率理论值的误差小于0.1%。      

基于旋转滤波矩阵束的异步电机转子断条故障诊断

现有异步电机故障诊断技术存在短时数据分辨率低、硬件开销大等缺点。针对这一问题,提出一种基于短时数据的旋转滤波矩阵束的异步电机转子断条故障诊断新方法。利用矩阵束算法抗噪性能强的优点,准确求出定子电流基频成分,并通过逆、正同步旋转变换,剔除了定子电流中的基频成分。利用矩阵束算法准确估算定子电流故障信号的频率和幅值,突破传统基于快速傅里叶变换(FFT)分析算法分辨率不足的限制。仿真和电机试验共同表明:旋转滤波矩阵束算法可以在短时数据的基础上准确辨识转子断条故障。     

PowerPC8641处理器模块的自检测设计

机内自检测对嵌入式系统中的处理器模块具有重要意义。为保证系统能够安全、可靠地工作,需要对硬件资源进行自检测试,并基于测试需求,选取了PowerPC8641处理器模块为硬件平台,以CPU、RAM存储器及FLASH存储器为例,根据其不同的硬件特性分别分析了故障特征,给出相应的测试方法,形成一整套测试方案,并结合测试结果,进行了测试性验证与分析,验证了测试方案的可行性。     

五相双转子永磁容错电机故障运行能力仿真分析

提出了一种新型五相双转子永磁容错电机, 它包括两个转子和一个定子, 其中内外转子永磁体均采用径向充磁且充磁方向相同,定子铁心内外开槽,可以安放两 套绕组,这两套绕组可以串联连接, 也可以并联连接。针对这两种连接方式, 对开路 （一相开路、两相邻相开路和两不相邻相开路）和短路故障进行仿真,有限元仿真结果 证明： 绕组并联连接优于串联连接。为了提高绕组串联连接时电机的故障运行能力, 采取了电流优化控制策略,仿真结果表明该方法在一定程度上可以改善电机的力矩性能。     

基于深度森林的卫星ACS执行机构与传感器故障识别

针对卫星姿态控制系统（ACS）闭环回路的故障难以辨识的问题,引入深度森林算法,实现执行机构与传感器故障识别。首先针对可获取的少量卫星姿态控制系统遥测数据,结合系统动力学特性,研究合适的特征选择和特征提取方法,再结合深度森林算法进行故障信息学习与辨识,建立故障预测模型,实现执行机构故障与传感器故障的识别。半物理仿真结果表明：在存在气浮台干扰力矩、卫星转动惯量未知、飞轮非线性特性、闭环故障传播等多种不利因素情况下,深度森林算法对于执行机构和传感器故障具有高效的识别能力。     

基于VMD-CWT和改进CNN的直升机轴承故障诊断

由于直升机自动倾斜器滚动轴承振动信号具有非平稳、非线性特点,并夹杂非敏感故障特征信息,导致网络模型对周期信号过于敏感,不能充分利用故障信息的问题;针对此问题,提出一种变分模态分解(VMD)与连续小波变换(CWT)联合提取敏感故障特征的方法.研究表明:在相同模型训练下,该方法相对其他方法最高可提升模型准确率20.8％.为...     

基于GSP仿真和SDAE的航空发动机故障诊断

为了深入研究航空发动机故障机理,提出基于航空燃气涡轮发动机性能仿真软件(GSP)和堆栈降噪自编码器(SDAE)的航空发动机故障诊断方法。通过GSP性能仿真方法模拟发动机在不同设计参数下的部件故障,并得到对应的运行状态参数;从每种故障类型下的长时间序列的状态参数中提取出向量化的曲线特征,构成故障样本;将故障样本带入SDAE模型中进行深度特征提取,经过前向传播和反向微调得到训练好的模型用于发动机故障诊断。结果表明:GSP能够通过参数更改来模拟微弱故障下的状态参数,从而构建多故障样本集;SDAE的重构误差和反向传播误差能够快速收敛到较小值,SDAE的故障诊断正确率为99.5%;与深度信念网络(DBN)、人工神经网络(ANN)以及经典机器学习方法支持向量机(SVM)相比,SDAE的故障分类正确率分别提高了0.8%、6.9%和10.1%。     

涡扇发动机故障诊断中粒子滤波改进方法

针对标准粒子滤波算法诊断步数多且诊断结果噪声水平高的问题,提出伪协方差和自适应似然分布结合的改进粒子滤波算法。该算法通过使用伪协方差代替了粒子集协方差,保证采样得到的粒子能够更真实地反映突变情况,减少诊断步数;通过对似然分布自适应调整,增加其与先验分布的重叠区域,提高抽样率,增加有效粒子数,降低诊断结果噪声水平。发动机健康参数估计仿真结果表明:与标准粒子滤波算法相比,改进的粒子滤波算法能使诊断速度提高约27%,诊断精度提高约38%,有效地减少了突变故障的诊断步数,并显著降低了诊断结果的噪声水平。     

基于RS-CART决策树的航空发动机小样本故障诊断

针对CART(classification and regression tree)分类决策树构建过程中由于小样本集特征维数高及噪声等造成的过拟合问题,在CART决策树算法训练过程中引入基于互信息的粗糙集(rough sets,RS)属性约简,考虑信息熵与基尼(GINI)系数刻画样本集“纯净度”的相似关系,对历史故障数据进行属性约简,降低属性维度以优化训练集,在此基础上构建分类决策树,可视化输出规则。实验结果表明:将改进的CART决策树算法应用于某型航空发动机油液故障诊断,提取的规则可解释性强,能够减小冗余属性及噪声对决策的影响,与常用故障诊断算法相比,该模型的诊断准确率提升20%左右,AUC(area under curve)值高达92%,可以有效处理高维离散型航空发动机小样本故障问题。