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。     

基于CNN-Seq2Seq的航空发动机喘振诊断模型的研究

喘振是航空发动机在运行过程中一种危害性极大的气动失稳现象,严重时会导致飞行事故,引起人员和财产的巨大损失,因此寻求一种快速准确的发动机喘振故障的诊断方法对于保障航空发动机飞行安全具有重要的现实意义和价值。当前针对航空发动机喘振故障诊断的模型存在诊断时间长、诊断准确率不高的特点。为了解决这些问题,在序列到序列(Seq2Seq)模型的基础上,使用卷积神经网络(CNN)代替Seq2Seq中编码器-解码器结构上的长短时记忆网络(LSTM)构建得到基于CNN-Seq2Seq的航空发动机喘振诊断模型。该模型利用CNN局部连接以及权值共享的特点实现并行计算,从而大幅提高计算效率并降低诊断耗时。使用某型发动机上的多传感器试验数据对模型进行实验,实验结果表明该模型在显著降低模型大小和计算量的同时,在精确率、召回率及F1 Score上仍然获得了94.3%、92.1%、93.2%的表现,同时单次预测耗时仅需2 ms。     

基于变精度粗集的神经网络故障诊断模型研究

为处理航空发动机故障信息系统,提出了一种基于变精度粗集和神经网络相结合的故障诊断模型.利用上(下)分布约简理论,剔除目标信息系统中的冗余属性.通过选取主要影响发动机状态的因素,应用BP神经网络建立诊断模型并对网络进行训练和测试.实验结果表明,该模型具有一定的实用性,为航空发动机的故障诊断提供了一种有效的判断方法.     

基于BO-DKELM的滚动轴承故障诊断

滚动轴承作为旋转机械中的必需元件,其任何故障都可能导致机器乃至整个系统发生故障,从而导致巨大的经济损失和时间的浪费,因此必须要及时准确地诊断滚动轴承故障。针对传统极限学习机中模型参数对滚动轴承故障诊断精度影响较大的问题,提出了一种基于贝叶斯优化的深度核极限学习机的滚动轴承故障诊断方法。首先,将自动编码器与核极限学习机相结合,构建了深度核极限学习机(Deep kernel extreme learning machine, DKELM)模型。其次,利用贝叶斯优化(Bayesian optimization, BO)算法对DKELM中的超参数进行寻优,使得训练数据集和验证数据集在DKELM模型中的分类错误率之和最低。然后,将测试数据集输入到训练好的BO-DKELM中进行故障诊断。最后,采用凯斯西储大学轴承故障数据集对所提方法进行验证,最终故障诊断精度为99.6%,与深度置信网络和卷积神经网络等传统智能算法进行对比,所提方法具有更高的故障诊断精度。     

航空发动机状态监控和预测性维护应用研究

为了深化飞参数据的应用价值,通过研究发动机转动件故障预测、剩余寿命预测以及气路健康等,为发动机保障决策和预测性维护提供参考。采用经验模态分解(EMD)结合相对向量机(RVM)、灰度模型(GM)用于发动机转动件、气路监测的状态监控和故障预测,选取波音某型飞机故障数据验证了模型的准确性,平均绝对百分比误差(MAPE)能达到8.46%;采用卡尔曼滤波(KF)结合梯度提升决策树(GBDT)的方法对数据进行降噪并预测剩余寿命,通过美国国家航空航天局(NASA)的航空发动机仿真数据集验证了模型能达到91.3%的准确率;采用核主成分分析(KPCA)结合深度置信网络(DBN)的方法建立发动机气路健康监控模型,经过大量QAR数据验证和测试,预测相对误差为0.43%。针对基于数据挖掘的航空发动机故障诊断算法开展研究,设计了相应的算法,开展了实验验证,通过有效的数据预处理和模型参数调节,使得故障诊断性能达到较高水准,为航空发动机的预测性维护提供了重要参考。     

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.     

不平衡训练数据下的基于生成对抗网络的轴承故障诊断

近年来,随着深度学习模型及其衍生模型在故障诊断领域中的成功应用,基于深度学习的故障诊断方法开始成为研究主流.但是当训练数据不均衡时,通过深度学习从不平衡的数据中提取的故障特征是不准确的,训练得到的神经网络模型的分类结果往往倾向多数类,极大影响了分类效果.针对这种情况,本文结合卷积神经网络设计了一种新的生成对抗网络模型(Convolutional Wasserstein Generative Adversarial Network,CWGAN).首先卷积神经网络从故障样本中提取故障特征,并将其作为对抗网络的输入,然后由解码器网络解码来自生成器的故障特征向量来生成故障样本,同时将提取的故障特征和训练过程中的故障诊断误差添加至生成器训练的损失函数中.实验表明本文提出的方法相比于基线模型(GAN-CNN)的平均F1值提高4%,较好地解决数据不平衡的分类问题.     

基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.     

基于一种改进的云神经网络涡扇发动机故障诊断

在基于数据驱动的涡扇发动机地面定检系统中,为了提高航空发动机的故障诊断性能,提出一种改进的基于云神经网络的航空发动机故障诊断方法;首先,把云模型和BP神经网络相结合,得到进行故障诊断与检测的模型结构,然后用余弦式改进自适应遗传算法并对网络模型进行优化,得到改进后的云神经网络模型;通过对实际数据的实例仿真表明,该方法对于航空发动机地面稳态的故障诊断是可行的,并且提高了故障诊断系统的诊断精度。     

基于遗传算法选优的集成手段与时序卷积网络的涡扇发动机剩余寿命预测

涡扇发动机作为航空航天领域的核心设备之一，其健康状况决定了航空器能否稳定可靠地运行。而对涡扇发动机的剩余寿命（RUL）进行判断，是设备监测与维护的重要一环。针对涡扇发动机监测过程中存在的工况复杂、监测数据多样、时间跨度长等特点，提出了一种遗传算法优选时序卷积网络（TCN）基模型的集成方法（GASEN-TCN）的涡扇发动机剩余寿命预测模型。首先，利用TCN捕获长跨度下的数据内在关系，从而对RUL作出预测；然后，应用GASEN集成多个独立的TCN，以增强模型的泛化性能；最后，在通用的商用模块化航空推进系统模拟模型（C-MAPSS）数据集上，对所提模型与当下流行的机器学习方法和其他的深度神经网络进行了比较。实验结果表明，在多种不同的运行模式和故障条件下，与流行的双向长短期记忆（Bi-LSTM）网络相比，所提模型都有着更高的预测准确率与更低的预测误差。以FD001数据集为例，在该数据集上所提模型的均方根误差（RMSE）相较Bi-LSTM低17.08%，相对准确率（Accuracy）相较Bi-LSTM高12.16%。所提模型在设备的智能检修与维护方面有着较好的应用前景。     

基于小样本的胶囊网络轴承故障诊断方法

针对滚动轴承故障样本稀疏、卷积神经网络(convolutional neural network, CNN)池化层效率低的问题，提出一种基于胶囊网络的小样本学习方法模型。基于孪生神经网络，通过相同或者不同类别的样本对进行特征学习，根据特征之间的差异进行故障分类。在标准的凯斯西储大学(Case Western Reserve University, CWRU)轴承故障数据集进行的实验结果表明，该模型在有限数据样本下对故障诊断更为有效。通过添加不同幅值能量的高斯白噪声开展实验，其结果表明，所提方法在抗噪性方面具有优势。     

航空发动机气路改进神经网络故障诊断研究

针对航空发动机气路故障,建立了基于改进BP神经网络的航空发动机气路故障诊断模型。采用该模型寻找发动机状态参数与不同故障模式之间的映射关系,并利用收集的JT9D发动机的气路故障样本数据对诊断模型进行训练与检验。试验结果表明,改进的BP神经网络故障诊断模型对JT9D发动机气路部件故障模式的识别具有较高的准确率,能够为基于状态的维修决策提供有效的指导与建议,进而提高航空发动机的可靠性。     

多工况下航空发动机的故障模式分类

航空发动机在多个操作条件下具有不同的故障模式.针对现有航空发动机数据集的故障模式和数据特点,本文在多工况下提出了一种基于一维卷积神经网络的航空发动机故障模式分类方法.该方法无需其他特征提取算法,可直接用于原始数据.首先通过一维卷积神经网络从原始数据中提取局部特征.然后全连接层通过学习这些特征表示来分类故障类别.最后,将其他分类模型与本文模型进行对比.实验结果表明,一维卷积神经网络具有较好的分类精度,降低了网络模型的训练时间,对提高航空发动机运行可靠性有一定的实用价值.     

基于遗传算法选优的集成手段与时序卷积网络的涡扇发动机剩余寿命预测

涡扇发动机作为航空航天领域的核心设备之一,其健康状况决定了航空器能否稳定可靠地运行。而对涡扇发动机的剩余寿命（RUL）进行判断,是设备监测与维护的重要一环。针对涡扇发动机监测过程中存在的工况复杂、监测数据多样、时间跨度长等特点,提出了一种遗传算法优选时序卷积网络（TCN）基模型的集成方法（GASEN-TCN）的涡扇发动机剩余寿命预测模型。首先,利用TCN捕获长跨度下的数据内在关系,从而对RUL作出预测;然后,应用GASEN集成多个独立的TCN,以增强模型的泛化性能;最后,在通用的商用模块化航空推进系统模拟模型（C-MAPSS）数据集上,对所提模型与当下流行的机器学习方法和其他的深度神经网络进行了比较。实验结果表明,在多种不同的运行模式和故障条件下,与流行的双向长短期记忆（Bi-LSTM）网络相比,所提模型都有着更高的预测准确率与更低的预测误差。以FD001数据集为例,在该数据集上所提模型的均方根误差（RMSE）相较Bi-LSTM低17.08%,相对准确率（Accuracy）相较Bi-LSTM高12.16%。所提模型在设备的智能检修与维护方面有着较好的应用前景。     

基于BP神经网络的发动机故障诊断研究

汽车发动机故障占整车的百分之四十以上,所以研究故障诊断系统实现对发动机故障的准确、快速诊断对整个汽车行业具有重要的意义.针对目前国内电控发动机故障诊断所存在的问题,BP网络能够很好地运用于发动机的故障诊断,利用发动机故障诊断的专家经验做出故障-原因样本训练集训练BP网络(BP网络的函数逼近的运用),再把故障数值输入到已经训练好的神经网络实现故障的诊断(BP网络分类的运用).     

基于1D-CNN-LSTM注意力网络的抽油机井故障诊断

针对传统基于示功图的抽油机井故障诊断方法存在特征提取复杂、模型参数量大、诊断效率低的问题，提出一种基于1D-CNN-LSTM注意力网络的故障诊断方法。将示功图转化为载荷位移序列作为网络输入，使用一维卷积神经网络（1D-CNN）在提取序列局部特征的同时减小序列长度；考虑到序列的时序特性，进一步使用长短时记忆网络（LSTM）提取序列的时序特征；为突出关键特征影响，引入Attention机制，对故障类型相关的时序特征赋予更高的注意力权重；最后将加权特征输入全连接层，利用Softmax分类器实现故障诊断。实验结果表明，所提方法的平均准确率、精确率、召回率和F1值分别达到99.13%、99.35%、99.17%和99.25%，模型大小仅为98 kB。相比基于特征工程的方法具有更高的诊断精度和泛化能力，相比基于二维卷积神经网络（2D-CNN）模型的诊断方法，显著减少了模型参数量和训练时间，提高了故障诊断效率。     

基于滑模观测器和神经网络的传感器故障诊断方法比较研究

针对航空发动机传感器故障诊断中各种方法的优势和劣势,选择滑模观测器和神经网络这两种故障诊断方法分别对航空发动机转速传感器进行故障诊断研究,采用实验室搭建的发动机实验台DGEN380的实验数据,选择对航空发动机控制系统影响较大的偏置故障、漂移故障、脉冲故障、周期性干扰故障这四类传感器故障进行诊断。研究结果表明,滑模观测器和IPSO-BP神经网络都能实现航空发动机传感器的故障诊断;滑模观测器方法可以诊断出偏置故障、脉冲故障和周期性干扰故障,但不能诊断出传感器发生的漂移故障;IPSO-BP神经网络方法可以诊断出偏置故障、漂移故障、脉冲故障和周期性干扰故障。因此,滑模观测器在故障诊断中可能会出现漏诊的现象,IPSO-BP神经网络相对滑模观测器而言不会出现漏诊的现象。     

电静压伺服机构小样本数据故障诊断方法研究

为解决电静压伺服机构(Electro-Hydrostatic Actuator, EHA)小样本故障诊断准确率低的问题,提出了一种基于迁移学习与生成对抗网络相结合的故障诊断方法（Transfer-WDCGAN）。首先用GAN生成与EHA试验数据相似的数据集作为源域,利用迁移学习提取源域和试验数据的共同特征并得到预训练模型;然后将预训练模型与WDCGAN结合进行微调,对电静压伺服机构试验数据进行数据增强;最后分别采用MMD距离和3种故障诊断结果评价指标对文章所提故障诊断方法进行评价。结果表明：相比于WDCGAN数据增强模型,文章所提模型生成样本特征更逼近于真实数据,其中最优故障诊断模型SDAE故障诊断结果准确率由79%提高到了90%。有效解决了基于WDCGAN故障诊断模型过拟合、准确率低的问题。     

基于SOM和协同学的航空发动机气路故障诊断研究

为了区分航空发动机气路故障诊断过程中出现的相似故障,提高诊断准确率,提出了一种基于SOM神经网络和协同学理论的故障诊断方法;首先对测量数据进行归一化处理,建立自组织神经网路初步诊断系统,对于难以区分的相似故障引入协同学理论,进一步判断对应的故障类型,最后根据实际数据对此故障模型进行实例仿真;仿真结果显示,基于SOM和协同学的发动机气路故障诊断方法具有较高的诊断准确率和抗噪能力。     

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。