批次定检设备故障诊断的贝叶斯方法研究

针对机载设备故障诊断定位率低的问题,提出充分利用先验故障信息指导批次定检的思想.通过研究批次定检机载无线电设备的失效规律,运用贝叶斯方法对小子样情况下的故障概率进行估计,建立了以各模块的故障概率来指导下一步故障检测的机制.针对不同情况提出3种指导方法并进行了仿真计算,结果表明可显著提高故障的一次定位准确率,减少故障查找时间,具有较高的工程应用价值.      

基于关联分析的机载电子设备SRU级故障诊断方法

针对机载设备二类检测设备将故障隔离到SRU的要求,对LRU的内部结构进行了分析,提出了点、底项、组底项的概念,用关联值表示点与点之间、点与SRU之间及组底项之间的关联关系;针对多SRU结构UUT,提出逐级排除法故障诊断方法.     

智能诊断的定量推理机制和最优推理环境

描述和分析了一种新的基于智能信息处理的故障检诊方法,可以处理复杂动态系统故障检诊面临的复杂故障组合模式和时间特性。从推理机制的量化和推理环境的优选两方面完善了该理论,使其诊断能力、实时性和适用范围都得到提高。推理机制的量化是通过引入概率信息实现的。考虑到诊断过程中可能出现新的故障。又进一步引入了候选项集合扩张机制描述该现象,并提供了相关的概率计算公式。推理机制定量化使得诊断结果可以精确度量,检诊过程也可精确控制。推理环境优选则是通过引入熵信息实现的,由此提高了诊断效率。     

试建立基于检测振动加速度信号的设备故障部位诊断模型

往复式压缩机、内燃机等复杂设备,一旦出现故障,诊断的首要任务是要判断它们的故障部位。以检测振动加速度信号取代传统的耳听手摸的经验方法是这类设备诊断的一个趋势。尝试着提出了基于检测振动加速度信号的设备故障部位诊断模型--单特征模型和多特征集成模型。通过在往复式压缩机和内燃机上的实例验证表明,提出的单特征模型和多特征集成模型具有一定的可行性,其中多特征集成模型比单特征模型更有效。     

模糊外展故障诊断方法在飞机电源系统中的应用

讨论了一种模糊外展（ａｂｄｕｃｔｉｏｎ）故障诊断方法在电源系统应用。该方法在确定故障的种类的同时,还可得到故障的严重程度。特点是在测量信号不完整时可得到一个观测到的现象的“覆盖”集合。     

发动机试车气路故障诊断系统的设计与应用

以发动机整机试验数据为研究对象,建立了一套发动机试车气路故障诊断系统.首先阐述了该系统的设计功能和总体流程逻辑;使用故障模式法和调整模式法建立了气路部件故障诊断和优化调整模块;然后以一个双轴分排涡扇发动机为例,针对气路部件故障诊断和优化调整给出了考虑噪声的数值试验分析.最后就该系统的发展进行了讨论.      

故障树分析在某APU进气门故障诊断中的应用

首先介绍了故障树分析方法的概念和原理,然后以某辅助动力装置（APU）进气门组件为例．在对系统故障现象进行分析判断的基础上,按照任务和功能关系,建立包含各功能单元的故障树模型。随后求得系统的最小割集,并计算出底事件的重要度,并以此为依据,从大到小排序,确定故障诊断的最优程序。实验结果表明,所用方法具有较强的故障诊断能力,能进行准确的故障定位,并能给出相应的故障处理措施,为该辅助动力装置故障诊断的发展提供了较为实用的参考价值。     

基于健康蜕化的航空发动机传感器故障诊断(英文)

改进在线故障诊断算法使其能适应发动机健康蜕化是目前故障诊断所面临的困难,如果诊断算法没有自适应能力,在发动机健康蜕化后将失去其诊断功能。为了解决此问题,提出在线故障诊断算法,采用跟踪滤波器估计发动机的健康状况,机载模型根据跟踪滤波器的估计结果进行更新。更新后的机载模型能够与真实的发动机相匹配。这使得当发动机健康蜕化后在线故障诊断仍能保持其有效性。最后采用一组卡尔曼滤波器来对航空发动机传感器故障进行诊断与隔离。通过设计好的一组卡尔曼滤波器,能够诊断并隔离出故障。本文使用非线性发动机模型来验证此方法,仿真结果表明本文提出的在线诊断方法在发动机健康蜕化后仍能保持其有效性。     

航空发动机数控系统多故障识别

提出了一种基于模糊逻辑的航空发动机数控系统多故障的识别方法.首先采用Takagi-Sugeno(T-S)模糊模型描述一种涡喷发动机数控系统的非线性模型,然后应用全解耦奇偶方程进行多故障的检测和隔离,并结合卡尔曼滤波器识别出传感器和执行器故障参数.仿真结果表明,针对传感器和执行器同时发生故障的情况,此方法能有效检测故障,并能准确识别出故障参数.      

基于粗糙集和神经网络的导弹故障诊断方法

人工神经元网络（ANN）具有本质的非线性特性、并行处理能力以及自组织自学习的能力,但单独使用ANN处理问题时,往往会存在一些缺陷。文章介绍导弹驾驶仪故障智能诊断的一种新方法：首先,利用粗糙集原理约简故障特征属性数据;其次,用带动量项的批处理BP神经网络方法对故障数据进行训练并检验;最后,将故障数据处理后输入神经网络分类器,对故障实施诊断。