基于胶囊神经网络的涡扇发动机故障诊断方法

针对航空涡扇发动机数据集故障分类准确率较低的问题,提出一种基于胶囊神经网络的涡扇发动机故障诊断方法。首先确定故障类型和关键变量,然后构建卷积胶囊神经网络模型,将分割的训练集数据输入模型进行训练,最后利用诊断模型诊断测试集数据并计算分类识别准确率。将所提算法在NASA涡扇发动机数据集上进行测试,证明了该模型的分类识别准确率有所提高,可为涡扇发动机的故障诊断提供帮助。     

支持向量机的涡扇发动机试车故障诊断

针对涡扇发动机在试车过程中缺少有效诊断气路故障方法的问题,为某型涡扇发动机建立了基于支持向量机的气路故障诊断系统.支持向量机算法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力.该系统建立了发动机非线性稳态模型,生成包含八种典型气路故障的故障样本库,采用支持向量机对故障特征和故障模式进行关联,并用训练好的向量机网络对故障分类.利用该型涡扇发动机试车数据对该系统进行的验证,诊断正确率在80%以上.研究表明该方法能基本满足该涡扇发动机地面试车故障诊断的要求,具有较好的工程应用前景.     

基于主元分析法的航空发动机传感器故障诊断研究

主要研究了主元分析方法在航空发动机传感器故障诊断中的应用,并提出了主元分析法故障诊断算法。假设只有传感器故障情况下,将传感器测量值所组成的测量空间分解为主元和残差两个子空间,并通过传感器实际测量数据与正常数据矩阵在残差空间上的投影做比较,对传感器故障进行故障诊断;针对航空发动机的压力温度转速等传感器常见的故障,通过运行故障仿真平台绘制了其多元统计特征图;分析仿真结果表明,主元分析法对航空发动机传感器具有很好的故障检测和故障诊断能力。     

基于元胞自动机的小样本集分类算法

样本集中的数据数量过少会影响最后的分类精度。为此,提出基于元胞自动机模型的小样本集分类算法,利用元胞自动机的状态转换规则和分类规则,通过元胞空间的演化实现对数据集的分类。对标准数据集的测试结果表明,在小样本集和样本集中数据分布不均匀的情况下,该算法具有较高的分类精度。     

模型未知的离散事件系统故障诊断方法

针对离散事件系统模型难以建立的大型实际系统,无法对其进行有效故障诊断的问题,提出一种基于主动学习的故障诊断方法。首先,为获取到的系统事件日志添加正常/故障标签,并将日志集划分为训练集和测试集,提出一种基于抽象技术的迭代算法提取训练集中日志的故障特征样本。然后,通过故障特征样本构造初始故障识别器,并利用测试集中的日志检验识别器的准确性。仿真结果表明,该故障诊断算法使得模型未知下诊断精度更高。最后,实例说明系统模型未知下故障诊断算法的应用。与现有研究相比,提出的方法可以在系统模型未知下进行故障诊断且算法复杂度为多项式,诊断精度更高,应用范围更加广泛。     

基于LVQ网络的航空发动机气路故障特征提取方法研究

针对航空发动机预测与健康管理系统对其状态判断和故障诊断的需求,结合LVQ网络具有处理分类问题时能够识别信息内含有的重要聚类特征信息的优点,提出了基于LVQ神经网络的航空发动机故障特征提取方法。分析研究了LVQ神经网络的结构和学习算法,以及某型航空发动机的测量参数、数据预处理和故障样本选取方法。并以其设计点为例进行了系统仿真。通过与BP网络的分类器对比试验,表明了该算法的可行性和有效性。     

航空发动机整机振动故障智能诊断技术研究

针对BP神经网络和支持向量机对整机振动故障诊断时的低效问题,提出了一种基于多类协同训练的航空发动机整机振动故障诊断方法.引入逻辑回归算法构建初始故障分类器,设计了一种新的属性划分算法来迭代优化故障分类器,基于优化后的故障分类器进行故障类别预测,并使用多数投票机制进行故障仿真识别.实验采用某航空发动机整机振动数据作为样本数据集,并从中选择80％的数据用于训练,20％的数据用于测试,同时验证了在噪声信号的干扰下该方法对故障数据的诊断准确性.结果表明,该方法可有效降低噪声信号对故障诊断结果的影响,且诊断准确性高,具有重要的工程实用价值.     

基于可拓物元模型的故障诊断研究与应用

制冷系统由于内部物质形态的多样性以及系统参数间的高度耦合,增加了故障检测及诊断的难度,为解决此问题,提出了一种基于主元分析（PCA）和可拓物元模型的诊断算法,利用主元分析法提取故障特征参数;建立以可拓物元模型算法为基础的故障诊断模型;该模型借助主元分析方法获取属性互不相关的训练集,通过建立其物元模型,利用关联函数定量计算待测对象对于每一种故障模式的关联程度,进而判断可能的故障模式;同时利用实验数据加以验证,结果表明：该模型有效地提高了故障诊断率,同时优于单纯的可拓物元模型,且该模型对小样本的处理能力优于BP神经网络模型,其诊断正确率更高,训练耗时较少。     

基于离散小波变换的某型航空发动机故障诊断研究

主要研究了离散小波变换极值点的方法在航空发动机传感器故障诊断中的应用;对输入信号输出信号进行离散小波高、低频系数分解重构,利用该系数求出输入输出信号的奇异值,然后去除由于输入突变所引起的极值点,其余的极值点对应于传感器的故障;在MATLAB平台下,仿真结果表明,该故障诊断方法可以及时、有效地检测出航空发动机传感器出现的各类故障。     

可远程支持的航空活塞发动机故障诊断专家系统研究

通用航空存在布局分散、企业机队小及维修技术力量薄弱等特点.使通用航空飞机排故困难;为解决这种情况,对基于故障树和神经网络的航空活塞发动机故障诊断技术进行了研究,构建了基于故障树和神经网络结合,辅以远程专家视频会诊的航空活塞发动机故障诊断专家系统,并给出了故障知识库的构建和管理方法,三种故障诊断模型的推理机制和融合方法;利用收集的航空活塞发动机故障数据对神经网络故障诊断方法进行了验证.有效地诊断出航空活塞发动机的故障.     

航空发动机传感器故障诊断

研究航空发动机传感器故障诊断问题,由于发动机传感器故障样本有限、小样本、非线性变化特点,传统大样本传统故障方法故障诊断准确率低。为提高传感器故障诊断准确率,提出一种混沌粒子群算法(CPSO)和最小二乘支持向量机(LSS-VM)相结合的传感器故障诊断算法(CPSO-LSSVM)。首先将发动机传感器信号输入到LSSVM进行学习,并采用CPSO进行优化,找到最优LSSVM参数,从而建立传感器故障诊断模型,最后采用已建立模型对传感器故障进行仿真测试。仿真结果表明,CPSO-LSSVM提高了航空发动机传感器故障诊断的准确率,能准确地对空发动机传感器故障进行诊断,提供民飞行安全性能保障。     

一种航空发动机燃油调节系统仿真方法

由于传统建模技术有高成本、高复杂性的缺点,计算机仿真技术随之兴起,正逐渐取代传统建模技术.AMEsim仿真平台由于其完备的模型库,在建模中发挥了越来越重要的作用.论文在AMEsim建立的航空发动机燃油调节系统模型的基础上,人为设置故障,得到系统的故障数据,并在Matlab上对故障数据用主元分析法进行降维,得到特征数据,采取支持向量机法对特征数据进行训练,最后用测试数据验证结果的准确性.实验结果完全分辨出测试数据代表的故障,这验证了支持向量机法用于航空发动机燃油调节系统故障诊断的优越性和可靠性,可用于航空发动机燃油调节系统的故障诊断.     

基于LabVIEW的航空发动机气路故障分析系统设计

针对在航空发动机气路中带电粒子的电荷信号微弱,传感器工作环境恶劣的条件下,监测航空发动机气路故障的问题,设计了一种能适应高温、高噪声等恶劣工作环境并对电荷信号灵敏监测模型,使用LabVIEW软件建立了航空发动机气路不同工况中静电信号的子V1,对信号进行采集和分析.通过对航空发动机多种工况的模拟和试验,建立了航空发动机气路故障分析系统.结果表明:该监测模型分辨率高、信噪比高、稳定性好,可稳定地监测航空发动机的多种工况,为航空发动机气路故障诊断提供可靠的依据.     

航空发动机被动容错控制系统鲁棒性设计

针对航空发动机发生故障时系统的容错能力问题,设计了基于特征结构配置方法的容错控制系统。首先分析了被动容错控制的特点和优点,然后采用特征结构配置的方法,在配置系统极点的同时,还配置系统的特征向量,并对系统进行重新调节以获得整个系统在故障发生后的稳定性与可靠性,给出了特征结构配置方法的具体设计步骤。最后,针对某型航空发动机的设计工况点模拟系统发生故障,即参数发生摄动时,对所设计的容错系统鲁棒性进行了分析计算。仿真算例结果表明,所设计的容错系统具有较好的抗干扰能力,即较好的鲁棒性。     

基于PCA-KFCM的船舶柴油机故障诊断

为提高船舶柴油机故障诊断的准确率和深刻反映船舶柴油机的运行状况,结合主元分析(PCA)的特征提取优势和模糊核聚类(KFCM)具有较好聚类效果的特点,提出了一种新的船舶柴油机故障诊断方法。该方法首先利用主元分析对船舶柴油机故障的训练和测试数据集进行特征提取,消除了故障征兆之间的相关性;然后对经特征提取后的训练样本进行模糊核聚类,并用网格法确定其中的参数,得到聚类中心。最后通过计算测试样本集中各样本与聚类中心在高维特征空间中的欧氏距离,得出最终的故障诊断结果。对MAN B&W 10L90MC型船用柴油机的故障诊断结果验证了该方法的有效性。因此,应用提出的方法对船舶柴油机进行故障诊断具有重要的实际意义。     

基于粗糙集与支持向量机的故障智能分类方法

结合粗糙集的属性约简与支持向量机的分类功能,提出一种应用粗糙集与支持向量机的故障分类方法。该方法应用粗糙集理论属性约简作为诊断数据预处理器,可将冗余属性从诊断决策表中删除,而不损失有效信息,然后基于支持向量机进行故障分类建模和预测。谊方法可降低故障诊断数据维数及支持向量机在故障分类过程中的复杂度,但不会降低分类性能。将方法应用于某柴油机故障诊断数据的测试分类,结果表明该方法可快速正确的从数据获得故障类剐。     

基于PCA-KFCM的船舶柴油机故障诊断

为提高船舶柴油机故障诊断的准确率和深刻反映船舶柴油机的运行状况,结合主元分析(PCA)的特征提取优势和模糊核聚类(KFCM)具有较好聚类效果的特点,提出了一种新的船舶柴油机故障诊断方法。该方法首先利用主元分析对船舶柴油机故障的训练和测试数据集进行特征提取,消除了故障征兆之间的相关性;然后对经特征提取后的训练样本进行模糊核聚类,并用网格法确定其中的参数,得到聚类中心。通过计算测试样本集中各样本与聚类中心在高维特征空间中的欧氏距离,得出最终的故障诊断结果。对MAN B&W 10L90MC型船用柴油机的故障诊断结果验证了该方法的有效性。因此,应用提出的方法对船舶柴油机进行故障诊断具有重要的实际意义。     

延迟计时滞回比较器在发动机故障检测中的应用研究

在试飞中利用发动机状态实时智能监视软件对发动机故障进行实时自动检测时,比较器是不可缺少的元件。但是鉴于试飞中遥测数据有时会同时受到毛刺和跳点干扰,因此,单门限比较器和滞回比较器不能满足使用要求。延迟计时滞回比较器在滞回比较器的基础上增加了一个延迟计时器,具有与滞回比较器一样的抗毛刺干扰能力。此外,延迟计时滞回比较器对跳点干扰同样是免疫的,具有很好的鲁棒性。     

基于局部密度的加权一类支持向量机算法及其在涡轴发动机故障检测中的应用

针对基于数据的涡轴发动机故障检测算法的分类性能较差、鲁棒性不强的问题,提出一种改进的加权一类支持向量机（WOCSVM）算法——基于局部密度的WOCSVM （LD-WOCSVM）算法。首先,对于每个训练样本,选取以该样本为中心,以全体训练样本中心到距离最远样本之间马氏距离的百分之二为半径的球体内所包含的k个近邻样本;其次,以该样本到选定的k个训练样本的中心的距离大小来评估该样本为故障样本的可能性,并以此为依据,使用经过归一化的距离来计算对应样本的权重。针对目前算法不能很好地反映样本分布特点的问题,提出了一种基于快速聚类的权重计算方法并将其命名为FCLD-WOCSVM。该算法通过求取每个训练样本的局部密度和该样本到高局部密度的距离两个参数,来确定该样本的分布位置,并利用求得的两个参数来计算该样本的权重。两种算法都是通过对可能的故障样本分配较小的权重来增强算法的分类性能。为了验证算法的有效性,分别在4个UCI数据集和T700涡轴发动机上进行仿真实验。实验结果表明,与自适应WOCSVM （A-WOCSVM）算法相比,LD-WOCSVM算法在AUC值上提高了0.5%,FCLD-WOCSVM算法在G-mean上提高了12.1%,两种算法可以作为涡轴发动机故障检测候选算法。