航空发动机的IGWO-KELM故障诊断方法

为提高航空发动机滑油系统的故障诊断有效性，提出了一种改进的灰狼算法优化核极限学习机（IGWO-KELM）的航空发动机故障诊断方法，对航空发动机进行了故障诊断技术研究。首先对航空发动机滑油系统的参数数据进行预处理，利用核独立分量分析（KICA）将数据映射到核空间，消除原始特征向量间的相关性，并提取特征系数矩阵；其次，由提取的特征矩阵创建KELM故障模型，为减少人为调节网络参数的随机性对诊断结果造成的影响，采用IGWO算法优化KELM的网络参数，并创建IGWO-KELM故障诊断模型；最后，对所创建的IGWO-KELM故障诊断模型进行了试验验证。结果表明，所提出的IGWO优化KELM的故障诊断方法能有效提高航空发动机故障诊断准确率，诊断准确率达96%，具有很好的应用前景。     

航空发动机振动信号ICA分离方法的研究

研究了基于独立分量分析(independent component analysis,ICA)的发动机转子振动信号分离方法,目的是对转子振动的混叠信号进行分离。首先,研究独立分量分析方法中Infomax方法和Fast ICA方法对混叠信号的分离效果;然后利用LABVIEW信号采集系统采集转子的振动信号,实现从混叠信号中分离源信号,并分别对转子的不对中和碰摩两种工作状态的转子振动信号进行分离测试,验证了该方法的适用性和有效性。     

基于动态标准彩色图谱的航空发动机健康状态监控EI北大核心CSCD

针对航空发动机性能数据的高耦合性、高维性、非线性和非等效性,为从宏观层面动态化、直观化、精细化地快速把握航空发动机的健康状态,提出一种基于动态标准彩色图谱监控航空发动机健康状态的方法。根据航空发动机的实时运行数据,建立时空分布矩阵,通过归一化方法,将时空分布矩阵转化为标准矩阵,进而经过动态化处理,将标准矩阵转变为动态标准化矩阵;将动态标准化矩阵映射至一个由二维欧氏空间和三维彩色空间联合构成的彩色相空间,从而生成反映航空发动机健康状态的彩色图谱。设计并开发了某型发动机彩色图谱健康状态监控分析系统。结合应用实例,证明了该方法的有效性和实用性。     

双树复小波包和ICA用于滚动轴承复合故障诊断

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波包变换和独立分量分析(independent component analysis,简称ICA)结合的方法应用到滚动轴承复合故障诊断中。首先,利用双树复小波包变换将复杂的、非平稳的复合故障信号分解为若干不同频带的分量;其次,引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后,对从混合信号中分离出来的独立信号分量进行希尔伯特解调,即可实现对复合故障特征信息的分离和故障识别。试验结果表明,该方法可以有效地分离和提取轴承复合故障的特征频率,验证了方法的可行性和有效性。     

基于改进灰靶理论的航空发动机健康监测方法

为实现航空发动机状态等级的划分与识别、可靠性和剩余寿命的分析以及典型故障的诊断,基于灰靶决策理论、层次分析法和熵理论提出一种航空发动机健康监测方法。首先,以新航空发动机状态监测值作为靶心,用经层次分析法和熵理论综合算法优化权重系数后的灰靶模型计算靶心度;然后,结合故障严酷度和发生概率制定各健康状态等级的划分标准,并将靶心度转化为可靠度,在此基础上结合发动机性能退化曲线计算剩余寿命;最后,计算典型故障数据的靶心度作为参照实现故障类型的诊断。用某型航空发动机气路性能参数监测数据进行验证,结果表明笔者提出的算法可有效实现航空发动机健康监测,该算法具有较好的实用性和准确性。     

基于MAF-ICA的工业过程故障诊断

针对复杂工业数据存在自相关的特点,提出一种基于最小/最大自相关因子分析(MAF)结合独立元分析(ICA)的故障诊断方法。首先利用自相关因子分析得到监测量的最大自相关矩阵,该矩阵包含数据信息的空间特征,并且去除了噪声;然后对其进行独立元分析,根据高阶统计信息,提取出独立元;并依据I2和SPE统计量值来判断系统的工作状态;最后采用变量贡献图对故障进行定位。将该方法应用到TE过程,验证了其可行性以及与ICA和MAF相比时的优越性。     

设备噪声监测中主分量的特征表示

研究了设备噪声监测中主分量特征表示的提取及应用。在设备噪声时域和频域统计模式特征基础上,通过主分量分析探讨了设备噪声模式的主分量特征表示方法,引入相关度的概念分析了主分量特征表示对设备状态的表征能力,提出了选择有效维数的主分量特征表示进行设备噪声监测的方案。通过在EQ6100 型发动机上预先模拟四种连杆轴承磨损故障,测取噪声信号,实例分析显示了低维主分量特征表示可以有效表征设备状态。实验最后对测试集样本进行状态监测得到了100%的准确率,表明了主分量特征表示用于设备噪声监测的有效性。     

基于独立分量分析和相关向量机的轴承故障诊断研究

提出了将独立分量分析(ICA)与相关向量机(RVM)两者结合进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对轴承振动测试信号进行预处理,以使其能较好地满足ICA的前提条件,再应用独立分量快速算法(Fast ICA)分离轴承状态信号并提取特征向量,然后,应用相关向量机做为故障分类器实现轴承故障状态识别。对6206普通球轴承在正常状态和内圈、外圈、滚动体故障状态所进行的故障诊断实验表明,该方法能够准确、有效地对滚动轴承故障进行识别。     

基于ICA相关系数和VPMCD的滚动轴承故障诊断

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)、独立分量分析(independent component analysis,简称ICA)和相关系数分析方法相结合,提出了基于ICA相关系数和VPMCD的滚动轴承故障诊断方法。首先,对不同工况下的滚动轴承振动信号分别进行独立分量分析,获得各工况信号的独立分量;然后,提取样本与不同工况信号独立分量之间的相关系数,并以相关系数绝对值的和作为该样本的特征值;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明,该方法能够有效应用于滚动轴承故障诊断。     

基于遗传过程神经网络算法的航空发动机健康状态图谱化预测方法

为直观、快速、系统地预测航空发动机的健康状态,提出一种基于遗传过程神经网络算法的发动机健康状态图谱化预测方法。针对过程神经网络结构难以设计以及训练中易陷入极小值的缺陷,采用相空间重构理论构造训练样本集,并结合遗传算法优化设计过程神经网络及其初始权值和阈值,生成由多个预测参数组成的预测性能矩阵;针对预测性能矩阵中各参数之间存在的高维性、耦合性和非线性等特性导致其中隐含的健康信息难以有效识别的问题,对预测性能矩阵中的元素加以着色,构造代表发动机性能的预测图谱,进而实现从系统层面快速预测发动机健康状态的目的。结合应用实例验证了所提方法的有效性和实用性。     

[数字孪生驱动的智能制造]数字孪生与深度学习融合驱动的采煤机健康状态预测

针对处于恶劣工作环境的采煤机状态预测与维护困难的问题，结合数字孪生高逼真度行为仿真特性和深度学习强大的数据挖掘能力，提出数字孪生与深度学习融合驱动的采煤机健康状态预测方法。基于物理空间多物理参数构建采煤机数字孪生体，通过在虚拟空间的可视化展示与分析实现健康状态预判；建立基于深度学习的采煤机关键零件剩余寿命预测模型，实现实时监测数据驱动下的零件剩余寿命的在线预测；综合数字孪生体状态和剩余寿命值,实现采煤机健康状态预测。通过试验验证了该方法的有效性，为采煤机健康状态预测与管理提供新思路。     

独立分量分析基网络应用于旋转机械故障特征抽取与分类

提出了一种新颖的、基于独立分量分析(ICA)的多层神经网络,用于旋转机械不同模式(如正常及轴承故障等)的特征抽取,随后利用多层感知器(MLP)实施最终的模式分类。借助独立分量分析方法,隐藏于多通道振动观测中的不变特征得到有效提取,从而建立起稳定的MLP分类器。试验所获得的成功分类结果表明,所建议的新的旋转机械健康状况监测方法具有较大的应用潜力。     

基于CEEMDAN-ICA的干气密封振动信号降噪方法*

干气密封运行过程中的振动信号特征信息微弱并受外界强噪声干扰,其振动信号难以真实反映干气密封摩擦学特性。针对上述问题以及振动信号难以从噪声中分离的问题,提出一种基于CEEMDAN（自适应噪声的完全集合经验模态分析）与ICA（独立成分分析）相结合的信号降噪方法。首先对试验采集的干气密封运行时的加速度信号进行CEEMDAN分解得到IMF分量,然后通过ICA变换得到对应独立成分分量并计算其模糊熵值,将模糊熵值不符合条件的分量进行置零,并把符合条件的分量进行重构得到降噪后信号。利用干气密封加速度实验信号进行算法分析验证,证实了该方法相较于其他传统降噪方法更加有效,为干气密封故障诊断提供了一种新的途径。     

经母体腹部提取胎儿心率信号的系统设计

通过电极直接从孕妇腹部检测胎儿心率信号是一种理想的无创检测方法,本文采用TI公司的TMS320C6713和专用心电检测的SOC芯片ADS1298为核心完成孕妇腹部混合心电信号检测系统的设计,使用独立分量分析方法从孕妇腹部提取的三路心电信号中分离出胎儿心率信号。实验结果表明,该系统能可靠地检测孕妇混合心电信号,并能准确提取胎儿心率。该系统具有便携、低功耗特性,适合长程动态对胎儿进行监护,为围产期孕妇子宫内胎儿的健康状况提供可靠依据,提高围产期母婴保健水平。     

基于多状态MOG-HMM和Viterbi的航空发动机突发故障预测

针对航空发动机的突发故障,提出了一种基于多状态混合高斯隐马尔科夫模型(mixture of Gaussian hidden Markov model,简称MOG-HMM)和Viterbi算法相结合的预测方法。首先,根据航空发动机突发故障的历史监测数据建立多状态MOG HMM模型,确定状态数、状态转移矩阵、观察值概率分布以及最终的突发故障状态;然后,对新采集的观测数据,通过Viterbi算法解码出该观测数据对应的当前状态;最后,计算该状态到达突发故障状态的时间间隔,从而可以对突发故障进行预测。仿真和实验结果表明,该方法能够实现对突发故障的预测,并且符合标准预测指标的要求。     

基于改进S变换和ICA的相关源分离方法

含有同频成分的机械振源信号不满足统计独立条件,无法直接采用传统盲源分离方法进行分离与识别,为解决该问题,提出了一种基于改进S变换(modified S-transform,简称MST)和独立成分分析(independent component analysis,简称ICA)的相关源分离方法。首先,通过改进S变换对观测信号进行时频化处理,利用相关成分在时频域中实部和虚部的向量夹角,识别并剔除混合信号中的相关项,保证新的观测信号满足独立性条件;其次,以负熵为独立性测度,基于快速固定点独立成分分析进行分离矩阵估计;最后,将该矩阵用于最初的观测信号,从而分离出振源信号,定量计算各个振源的贡献比。通过仿真和实例分析验证了该方法在相关性振源分离中的有效性。     

面向传感器突发故障的监测模型自适应快速调整技术研究

针对多传感器监测场景中传感器突发故障导致监测模型失效的问题,本文提出了一种堆叠自编码器深度学习模型的自适应快速调整方法。根据传感器故障时采集数据的分布特点自适应调整原始数据集,采用调整后的数据集正向传播和监测误差反向传播微调模型更新模型的权重和偏置,实现监测模型自适应快速调整。以机械加工过程中刀具磨损状态监测为例,采用加州大学伯克利分校的BEST实验室提供的刀具数据集验证了自适应调整方法的有效性。结果表明,该方法可解决当传感器突发故障时,在实时监测不中断的情况下,自适应调整后的监测模型可以准确地对刀具状态进行监测。     

The combined use of vibration, acoustic emission and oil debris on-line monitoring towards a more effective condition monitoring of rotating machinery

The monitoring of progressive wear in gears using various non-destructive technologies as well as the use of advanced signal processing techniques upon the acquired recordings to the direction of more effective diagnostic schemes, is the scope of the present work. For this reason multi-hour tests were performed in healthy gears in a single-stage lab scale gearbox until they were seriously damaged. Three on-line monitoring techniques are implemented in the tests. Vibration and acoustic emission recordings in combination with data coming from oil debris monitoring (ODM) of the lubricating oil are utilized in order to assess the condition of the gears. A plethora of parameters/features were extracted from the acquired waveforms via conventional (in time and frequency domain) and non-conventional (wavelet-based) signal processing techniques. Data fusion was accomplished in the level of integration of the most representative among the extracted features from all three measurement technologies in a single data matrix. Principal component analysis (PCA) was utilized to reduce the dimensionality of the data matrix whereas independent component analysis (ICA) was further applied to identify the independent components among the data and correlate them to different damage modes of the gearbox. Finally heuristic rules based on characteristic values of the resulted independent components were set, realizing thus a health monitoring scheme for gearboxes.The integration of vibration, AE and ODM data increases the diagnostic capacity and reliability of the condition monitoring scheme concluding to very interesting results. The present work summarizes the joint efforts of two research groups towards a more reliable condition monitoring of rotating machinery and gearboxes specifically.     

Characteristics analysis and experiment verification of electrostatic sensor for aero-engine exhaust gas monitoring

An electrostatic sensor is a critical component of the electrostatic monitoring system for an aero-engine gas path. In this paper, the basic principles of the electrostatic sensor are described and the materials selection process for sensor electrodes and an isolation medium is introduced. The finite element method was adopted to calculate the sensitivity distribution, and the influence of relevant structural parameters on the sensitivity distribution characteristic is analyzed. The data fitting method was employed to acquire the unified spatial sensitivity distribution functions for a given structure sensor, which provides a useful reference for the sensor’s installation location. Based on the unified function, the sensitivity distribution function along the particle moving direction and the frequency characteristic of the electrostatic sensor were acquired. Then the corresponding influence factors of the frequency properties were analyzed. An experiment platform was established to verify the model and the theoretical analysis results. Then, simulated experiments were applied to verify the feasibility and validity of the electrostatic sensor, and the experiment results provided a useful reference for the identification of abnormal particles as a characteristic of aero-engine faults.