基于模型的故障诊断在飞机电源系统中的应用

传统故障诊断方法越来越难以应付更加复杂和智能化的现代飞机电源系统,基于模型诊断方法是为了克服传统诊断方法的缺点而兴起的一项新型的智能故障诊断技术。运用基于模型的故障诊断原理,建立飞机电源系统的定性仿真模型,对飞机电源系统负载故障进行模拟故障诊断,分析电源系统关键部件的故障对关键负载的影响,验证飞机电源系统的可靠性。     

基于谐波小波包和SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断问题开展研究,设计了基于谐波小波包和支持向量机（SVM）的新型诊断方法.与传统的时频特征提取方法相比,谐波小波包具有盒状频谱和无限细分的优势.首先对滚动轴承的振动数据进行谐波小波包分解,利用各频段的小波分解系数计算特征能量,归一化之后作为特征向量,为设计的多类SVM模型提供训练样本和测试样本.利用SVM的非线性映射能力,将三个二分类器相组合设计了基于二叉树的多类SVM模型,实现了对滚动轴承的故障诊断.最后,利用Case Western Reserve University电气工程实验室的滚动轴承试验台的振动数据对设计的诊断方法进行了验证.结果表明,设计的诊断方法比传统的方法具有更高的准确率.     

民机故障智能诊断领域信息融合技术应用要点

<正>民机设备故障诊断技术是振动工程的一个分支,在民机设备维护中发挥着重大作用。现代民机被设计为具备主动故障检测和诊断的能力,其功能主要包括三个方面任务管理、健康管理和有效负荷操作。其中健康管理又包括故障预防和故障诊断。故障诊断是民机的重要功能组成,有效的诊断工作是保障运行安全水平与飞行任务的基本要素。随着人工智能技术在故障诊断上的应用,基于人类专家经验的设备故障诊断技术被实现,将故障诊断技术提高到一个新的水平。先进民机制造国都致力于此项技术的研究和开发工作。从20世纪80年代开始,基于专家经验和专家库的故障诊断系统开始研发和使用,时至今日,波音与空客等行业巨擘     

基于DE-RLSSVM算法的航空发动机传感器故障诊断

为了使约简最小二乘支持向量机(RLSSVM)具有更好的稀疏性和泛化能力,利用微分进化(DE)算法选择RLSSVM的支持向量,提出了DE-RLSSVM算法.在benchmark回归数据集上的仿真试验表明该算法具有很好的稀疏性和泛化能力.然后将该算法用于航空发动机传感器故障的诊断,提出了基于DE-RLSSVM算法的航空发动机传感器故障诊断方法.该方法利用DE-RLSSVM算法对传感器故障进行监测,然后进行定位和隔离.数字仿真结果表明该传感器故障诊断系统能够实现对航空发动机传感器硬故障的检测与隔离.      

基于改进时频谱分析方法的滚动轴承复合故障诊断

将基于循环平稳理论及2阶循环统计量的谱相关或谱相关密度分析方法加以改进,提出一种时频分析方法并将其用于滚动轴承发生复合故障时调制现象循环调制频率即故障特征频率的提取。通过对滚动轴承复合故障的仿真及实际实验振动数据进行分析,结果表明:与同时提取出调制频率和载频的传统包络解调谱分析方法不同,改进的谱分析方法可以只提取出调制频率,提取的谱结构分布具有更清晰的表达效果,从而为滚动轴承的复合故障特征提取提供一种方法。      

基于本体和FMECA的飞行操纵系统故障诊断方法

现代民航客机越来越多地采用电传操纵系统,其维护方法和故障诊断知识的缺乏成为航空公司机务系统的一大难题。为满足飞行操纵系统的维护需要,提出一种智能故障诊断方法,以B777飞机为例,将其飞行操纵系统的FMECA分析作为本体建模的知识源,通过JESS规则推理机,维护人员可迅速进行故障定位,并选择相应的处理措施。这种诊断方法实现了知识在飞机制造商与飞机使用者之间的共享,可为飞行操纵系统故障诊断提供良好的支持。     

局域网故障诊断与排除

就局域网常见故障分析及排除的策略和方法进行了简要的探讨和研究。     

状态诊断知识描述语言的设计与实现

卫星状态诊断知识描述语言(SSDKDL)是针对卫星状态诊断专家系统(SSDES)的要求而设计的一种专用语言,该语言主要用于卫星状态诊断原始知识的描述,它的设计与实现为卫星管理领域专家提供一个知识规则表述的语言基础。本文就该语言的设计原理及实现方法进行系统阐述。     

机场自动观测系统设备状态监控与设备管理自动化

本文针对传统设备管理模式下存在的问题，阐述了现代设备状态监控和智能化设备管理的必要性．分析了机场自动观测系统故障的特征，并就建立故障监测与故障预测，智能诊断的方法、实现步骤、相关技术等进行了探讨．     

基于遗传规划和线性鉴别分析的故障特征提取模型及其应用

1引言航空发动机故障诊断需要从原始监测数据中获取合理的特征参数,如果依靠专家经验手工从众多的监测参数中选取特征参数,将是十分烦琐和低效的。因此,构造优质的特征参数是提高故障诊断效率及其准确性的关键。许多机器学习方法被应用到特征参数的自动选取中,例如神经网络[1],