基于BP神经网络的航空发动机整机振动故障诊断技术研究

本文提出了一种基于BP神经网络的航空发动机整机振动故障诊断方法,详细阐述了该方法的数学原理及其实现算法,并利用某型航空发动机整机振动数据作为数据样本,建立了基于人工神经网络的发动机故障诊断模型。应用MATLAB语言编程计算,结果表明,该方法具有学习速度快、噪声抑制力强等特点,而且诊断准确,大大降低了虚警率,对于航空发动机的整机振动故障诊断研究有重要意义。     

基于SVM的航空发动机滚动轴承故障诊断技术研究

滚动轴承是航空发动机中应用非常广泛的一种通用机械部件,本文提出了基于支持向量机的航空发动机轴承故障诊断模型,并且通过实证研究,证明了该方法在航空发动机故障诊断的优越性。     

基于模糊神经网络的航空发动机故障诊断研究

提出了一种基于模糊神经网络的航空发动机故障诊断方法 ,介绍了该方法的原理及实现算法 ,并利用某型发动机地面定检状态实测的数据作为样本数据 ,建立了基于模糊神经网络的航空发动机的故障诊断模型。通过该模型对起飞状态实测的发动机参数进行了辨识 ,结果表明该方法具有学习速度快、诊断精度高等优点。可用于航空发动机及其它装备的故障诊断。     

航空发动机故障诊断方法及测试流程分析

航空发动机设备是我国现代航空运输事业在运作发展过程中不可或缺的技术设备类型,积极选择运用适当种类的诊断技术方法,并且制定科学合理的测试流程,做好针对航空发动机设备的故障诊断与测试分析工作,对于及时发现和解决航空发动机设备在运行过程中出现的各类技术问题,确保航空发动机设备长期具备优质且稳定的技术运行状态具备重要意义。本文围绕航空发动机故障诊断方法及测试流程论题,择取两个具体方面展开了简要阐释。     

探析航空发动机常见故障诊断技术

航空发动机在运行过程中难免会发生故障,想要第一时间迅速了解故障起因,进行维修,掌握航空发动机常见的故障诊断技术是维持发动机正常运行的重要一环。航空发动机故障诊断技术是实现航空发动机视情维修的重要一环,它是航空发动机设计、生产、使用和维护过程中的"指挥先锋"。本文将在航空发动机故障诊断的必要性、航空发动机的故障类型、以及航空发动机在发生故障时如何进行诊断进行深入探讨。在以上几点的基础上,创新航空发动机的诊断技术,展望航空发动机诊断技术在未来的使用中的重要发展前景。     

基于集成神经网络的航空发动机故障诊断研究

针对航空发动机单一信息源故障诊断存在诊断效率低和准确率不高的问题,研究了基于油液和振动信息融合的集成神经网络的故障诊断方法,并将其应用到航空发动机的故障诊断中。以某型航空发动机为例,采用振动信息和油液信息融合诊断的思路,研究了集成神经网络故障诊断法在该发动机轴承故障中的应用,并结合具体数据对此诊断方法进行了验证。诊断结果表明,与传统的单一信息源故障诊断方法相比,集成神经网络故障诊断法诊断效率更高,可检测故障模式更多,误诊率更低。     

基于分形维数的转子—机匣系统故障诊断研究

基于相空间重构,在优选重构参数的基础上,将分形维数应用于航空发动机转子-机匣系统的故障诊断.建立以关联维数为特征量的故障诊断方法,实际诊断航空发动机转子-机匣系统故障;提出以Lyapunov维数为特征量的故障诊断新方法,并实际应用于航空发动机转子-机匣系统的故障诊断,弥补关联维数等分形维数计算中无标度区难以精确确定、限制分形维数在故障诊断中的实际应用的不足.     

基于深度信念网络的航空发动机气路故障诊断技术研究

针对传统的航空发动机故障诊断方法正确率较低,并且对异常数据不敏感的问题,将智能诊断算法引入航空发动机气路故障诊断领域。以涡轴发动机为例,分析了常见气路部件故障类型的成因和表现,并在Tensorflow上建立基于深度信念网络的故障诊断模型。与传统的故障诊断方法相比,具有更高的故障诊断正确率。     

基于模糊粗糙集和SVM的航空发动机故障诊断

随着航空产业的发展,航空发动机故障诊断逐渐向智能化、精确化方向发展,针对这一趋势结合模糊聚类、粗糙集以及支持向量机理论,提出了一种航空发动机故障诊断方法。首先,运用模糊C-均值聚类算法将连续数据离散化;然后,运用粗糙集的知识发现理论,在保持决策表的决策属性和条件属性之间的依赖关系不发生变化的前提下对决策表进行约简;最后,利用支持向量机适用于小样本数据处理的特性对样本进行学习得到最优超平面决策函数从而进行故障诊断。对航空发动机性能参数实例的验证结果表明,该方法对航空发动机故障具有较强的诊断能力,在不影响诊断率的基础上大大缩短了运算时间。因此,提出的算法具有较好的实用性和准确性。     

基于动态PCA与改进SVM的航空发动机故障诊断

为了对航空发动机进行高效地故障诊断,确保飞机的飞行安全,提出了一种基于动态主元分析和改进支持向量机的航空发动机智能故障诊断方法。该方法结合了动态主元分析(principal component analysis,简称PCA)在特征提取方面和改进支持向量机(support vector machine,简称SVM)在故障诊断方面的优势。动态PCA方法对所涉及的过程变量进行去噪、降维、消除相关性等预处理和特征提取,采用改进SVM方法将所得的特征向量进行故障诊断诊断。所提出的方法可解决航空发动机模型精度和传感器测量参数有限情况下的滑油系统故障诊断精度差、效率低和易误诊、漏诊等问题。以某型真实航空发动机滑油系统为例,对提出方法的有效性进行试验验证。结果表明,采用的动态PCA和改进SVM故障诊断方法能有效提高故障诊断正确率,实现航空发动机滑油系统故障诊断的效能,具有较好的应用价值与前景。     

基于网格支持矢量机的涡轮泵多故障诊断

支持矢量机是一种基于结构风险最小化原则的机器学习方法,对小样本决策具有较好的学习推广性.由于常规支持矢量机算法是从二类分类问题推导得出的,在解决故障诊断这种典型的多类分类问题时存在困难,为此提出一种网络支持矢量机多类分类算法,用每个类别和其他两个至四个类别构造二类支持矢量机分类器.这些二类支持矢量机分类器组合而成的网格式结构多类分类器,具有容易扩展、重复训练样本少、速度快和识别正确率高的优点.将网格式结构多类分类器应用于涡轮泵试验台多故障诊断获得了令人满意的效果.     

基于支持向量机的气敏传感器阵列信号处理方法

提出一种基于支持向量机(SVM)的气敏传感器阵列信号处理新方法。SVM作为一种新的机器学习方法,由于其建立在结构风险最小化准则之上,从而使得支持向量分类器具有良好的推广能力。该文首先讨论了SVM的基本原理,然后将其作为识别气体种类的分类器。该方法可以得到较高的识别率,能够识别复杂的模式。     

基于支持向量机的矿井提升机制动系统的故障诊断

故障样本缺乏是制约智能故障诊断发展的重要原因,支持向量机是近年来提出的一种基于小样本的统计学习方法.将支持向量机分类算法应用到提升机制动系统的多类故障分类,并与BP神经网络进行对比研究,实验表明,支持向量机算法比BP神经网络具有更好的分类性能,且 "一对多"支持向量机的分类效果是最好的,更适合于提升机制动系统的故障诊断.     

Support vector machines-based fault diagnosis for turbo-pump rotor

Most artificial intelligence methods used in fault diagnosis are based on empirical risk minimisation principle and have poor generalisation when fault samples are few. Support vector machines (SVM) is a new general machine-learning tool based on structural risk minimisation principle that exhibits good generalisation even when fault samples are few. Fault diagnosis based on SVM is discussed. Since basic SVM is originally designed for two-class classification, while most of fault diagnosis problems are multi-class cases, a new multi-class classification of SVM named ‘one to others’ algorithm is presented to solve the multi-class recognition problems. It is a binary tree classifier composed of several two-class classifiers organised by fault priority, which is simple, and has little repeated training amount, and the rate of training and recognition is expedited. The effectiveness of the method is verified by the application to the fault diagnosis for turbo pump rotor.     

设备状态趋势的SVM预示技术研究

SVM采用结构风险最优化准则,预示推广能力强并有很好的鲁棒性。分析了SVM技术的理论,推导了SVM进行机电设备趋势预测的理论算法,给出了进行预测的步骤,建立了SVM用于故障趋势预示的模型。将该模型用于某机组振动烈度的预示,进行了不同核函数和不同C值和ε值的比较,证明采用径向基函数和适当的损失函数,取得了较好的预测效果。并将SVM与AR模型的提前20步预测结果进行了比较。结果证明该算法对设备状态的趋势具有较好的预示能力。     

基于HMM-SVM的故障诊断模型及应用

针对直升机减速器故障诊断中机器学习方法存在的问题，根据隐马尔可夫模型（HMM）适合于处理连续动态信号与支持向量机（SVM）适合于模式分类的长处，提出了基于HMMSVM串联结构的故障诊断模型。通过从减速箱振动信号中有效提取AR特征，利用HMM汁算未知信号与减速器各状态的匹配程度，形成特征向量提供给SVM最后判别，实验结果表明该方法优于单纯的HMM或SVM诊断方法，能利用少量训练样本有效地完成直升机减速器的故障诊断。     

基于GMKL-SVM的模拟电路故障诊断方法

提出了一种新颖的基于广义多核支持向量机(GMKL-SVM)的模拟电路故障诊断方法。首先,应用Haar小波分析提取被测电路时域响应信号的小波系数作为特征参量,并生成样本数据;然后,基于样本数据,应用量子粒子群算法对GMKL-SVM的参数进行优化,并以此建立基于GMKL-SVM的故障诊断模型,用于区分模拟电路的各个故障。实例电路的单故障和双故障诊断实验结果表明,所提出的GMKL-SVM方法能较好地实现模拟电路故障诊断,与传统的GMKL-SVM方法相比,表现出了更好的性能,获得了更高的故障诊断正确率。     

基于MCSA和SVM的异步电机转子故障诊断

本文提出一种基于电机电流信号频谱分析和支持向量机的异步电机转子故障诊断方法，该方法可以利用支持向量机对电机电流频谱信号的特征信息和故障模式进行关联。对电机定子电流采样后，其信号经FFT变换后提取故障特征量作为支持向量机的输入，基于1对1算法构造了感应电机转子故障多类分类器。实验结果表明，该方法具有很好的分类和泛化能力，可以提高电机故障诊断的准确性。     

基于CS-BBO优化SVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的准确率和识别效率,提出了一种基于混沌的生物地理学优化算法(biogeography-based optimization with chaos,简称CS-BBO)和支持向量机(support vector machine,简称SVM)相结合的故障诊断方法。首先,将混沌理论引入到生物地理学优化算法(biogeography-based optimization,简称BBO)中,得到CS-BBO算法;其次,通过CS-BBO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,通过ZT-3转子试验台模拟汽轮机转子故障,利用得到的4种状态下的试验数据验证优化模型的有效性。结果表明:CS-BBO算法优化SVM的模型可以准确、高效地对汽轮机转子进行故障诊断;与BBO算法优化SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

Support vector machine in machine condition monitoring and fault diagnosis

Recently, the issue of machine condition monitoring and fault diagnosis as a part of maintenance system became global due to the potential advantages to be gained from reduced maintenance costs, improved productivity and increased machine availability. This paper presents a survey of machine condition monitoring and fault diagnosis using support vector machine (SVM). It attempts to summarize and review the recent research and developments of SVM in machine condition monitoring and diagnosis. Numerous methods have been developed based on intelligent systems such as artificial neural network, fuzzy expert system, condition-based reasoning, random forest, etc. However, the use of SVM for machine condition monitoring and fault diagnosis is still rare. SVM has excellent performance in generalization so it can produce high accuracy in classification for machine condition monitoring and diagnosis. Until 2006, the use of SVM in machine condition monitoring and fault diagnosis is tending to develop towards expertise orientation and problem-oriented domain. Finally, the ability to continually change and obtain a novel idea for machine condition monitoring and fault diagnosis using SVM will be future works.