基于深度学习的航空发动机磨损部位识别方法

针对航空发动机润滑系统中摩擦副部件复杂、磨损颗粒能谱监测元素众多,靠人工经验难于进行磨损部位精确识别的问题,提出一种基于深度学习的航空发动机润滑系统磨损部位识别方法。该方法应用一维卷积核为计算单元,搭建一维卷积残差网络模型。以航空发动机润滑油中磨损颗粒能谱分析数据为输入,采用所搭建的一维卷积残差网络模型实现对能谱数据的特征提取以及航空发动机磨损部位的定位识别;以某型航空发动机润滑油中磨损颗粒实测能谱数据验证该方法的有效性,并和Resnet18、Resnet34、CNN等网络模型进行对比验证。结果表明,所提方法对航空发动机磨损部位的识别精度达到95%以上。为了验证模型的鲁棒性和泛化能力,在真实的某型航空发动机能谱数据基础上,对含氧数据和噪声数据分别进行测试,进一步说明该模型用于对磨损定位识别的有效性,具备实际应用的可行性。     

基于能量耗损的发动机故障诊断方法研究

针对发动机在发生故障时都伴随能量耗损变化,提出一种基于能量耗损的发动机故障诊断方法.基于发动机系统输入输出的能量分析,建立发动机系统的能量监测模型;根据输入的流量与输出的功率,建立发动机系统的能量耗损模型;根据能量耗损机制,分析发动机运动副的摩擦与振动能量耗损诊断方法,建立摩擦和振动信息与能量耗损模型.以发动机活塞磨损故障为例,从振动耗能的角度,通过对测振信号的小波分析,得到能量耗损变化,诊断出活塞的磨损状态,验证了基于能量耗损的发动机故障诊断方法是可行的.     

Logistic回归模型在机床刀具可靠性评估中的应用

刀具系统作为数控装备的一个重要部件,其可靠性必然会影响到整个装备系统的加工效率和稳定性。为有效地识别刀具磨损状态,降低生产成本,保证加工质量,提出一种基于Logistic回归模型的可靠性评估方法。通过试验在线测取车刀加工过程中的振动信号和刀具磨损数据,利用小波包分解、时域统计和相关分析,提取刀具磨损的特征频带和显著能量、时域特征指标,结合刀具状态信息,建立Logistic可靠性评估模型,准确地估计出实际使用刀具的可靠度指标和失效时间,对于变化的失效阈值,评估模型同样有效。该方法将设备运行状态信息引入到性能评估和可靠性分析当中,更能反映设备的时间动态特性,且不需要对设备失效过程和分布函数作过多假设。     

基于VMD和AR模型的转子裂纹故障诊断方法

针对裂纹转子振动位移信号不平稳、非线性,故障特征难提取,且在故障初期缺少对样本的收集和整理等问题,提出了一种基于VMD(Variational Mode Decomposition-变分模态分解)和AR(Auto Regressive-自回归)模型的转子裂纹故障诊断方法。采用VMD方法对转子位移信号处理,得到若干个平稳的本征模态函数(Intrinsic Mode Function),再分别对每个IMF分量建立AR模型,利用最小二乘法计算模型参数和残差的方差,将模型参数和残差的方差作为系统状态特征向量,建立马氏距离(Mahalanobis distance)判别函数,通过设置相应加权参数得到综合距离来实现裂纹故障诊断。最后采用VMD和AR方法进行了转子裂纹故障的诊断实验,实验结果表明,基于VMD和AR模型诊断转子裂纹故障是可行和有效的,克服了AR模型在诊断转子裂纹故障的不足。     

基于结构自适应径向基神经网络的油样光谱数据建模

基于光谱分析数据的机械磨损状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测，与传统预测模型相比具有明显的优势，将神经网络预测方法运用于光谱分析，提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了在函数逼近、分类能力和学习速度均优于BP网络的径向基函数（RBF）神经网络模型，针对RBF网络的结构对于信号预测或模型辨识的精度具有影响很大的问题，提出了结构自适应RBF网络预测模型。利用遗传算法，对神经网络输入节点数、径向基函数分布系数及网络训练误差进行了优化，得到了最优的RBF网络预测模型。最后，对某航空发动机实际的光谱分析数据进行了预测和分析，并与ARMA模型进行了比较，结果充分表明了文中方法的有效性和优越性。     

基于EMD-AR谱和GA-BP的滚动轴承故障诊断研究

为了提高滚动轴承振动信号的故障特征提取能力,快速有效地诊断出轴承的故障类型,提出了一种基于EMD-AR谱和GA-BP神经网络的滚动轴承故障诊断模型,以美国凯斯西储大学轴承数据中心的轴承振动加速度数据为例,对滚动轴承各种状态进行了理论分析和实验测试研究。首先,通过经验模态分解,将采集到的轴承振动信号进行了分解,获得了不同阶次的固有模态函数分量;然后,通过自回归模型对这些分量进行了故障特征提取,并由AR模型的参数和残差的方差组成了故障特征向量矩阵;最后,将故障特征作为遗传算法优化BP神经网络的输入数据和输出数据,分别对该故障诊断模型进行了训练和测试。研究结果表明:基于EMD-AR谱和GA-BP的滚动轴承故障诊断方法可以有效识别不同类型的故障特征;相较于传统的基于BP神经网络、GA-BP神经网络诊断方法,其诊断的效率更高,并且诊断准确率可达到95%。     

润滑油光谱数据关联度分析在发动机状态监测中的应用研究

按照传统光谱分析方法,不能对发动机长时间运行后的状况进行有效分析监测,可能会导致监测结果不准确,影响发动机运行状态评估;而利用光谱分析数据趋势关联度分析方法,可以对稳定磨损期内元素间的关联度以及长时间运行后各元素之间关联度进行有效分析,保证发动机运行状态监测结果准确性和合理性。在利用润滑油光谱数据关联度分析法对发动机状态进行监测时,关键是寻找各分析元素之间关联度。基于此,以发动机磨损铁元素与其他磨损元素之间存在的关系为突破口,利用关联度函数关系确定发动机金属磨损元素关联度,确定发动机运行状态具体情况,根据监测结果对发动机进行维修和保养,确保发动机正常运行状态与安全性。     

基于时域模型相对熵的塔架结构非线性损伤检测研究

疲劳裂纹和螺栓松动是转播塔、输电塔等钢结构塔架的主要损伤形式,在时域荷载作用下,这些损伤具有变刚度等时域非线性特征。为了解决该类时域非线性损伤的检测问题,提出了基于自回归时域模型相对熵的损伤检测方法。首先描述了自回归模型及其模型定阶和参数估计的基本理论;然后介绍了结构损伤的时域非线性特征,给出了结构未损伤基本状态和损伤状态下所形成的3种自回归残差,并分析了残差序列概率分布的相对熵,在此基础上推导出自回归时域模型相对熵的损伤检测指标;最后进行了八层剪切结构的数值仿真和转播塔结构模型的损伤检测试验研究。结果表明：对于转播塔的杆件非线性损伤,在损伤位置处的自回归时域模型相对熵指标值比传统的二阶方差指标值高22.9%以上;对于螺栓松动非线性损伤,在损伤位置处的自回归时域模型相对熵指标值比传统的二阶方差指标值高12.7%以上。     

一种基于油液分析数据挖掘的航空发动机磨损故障诊断知识获取方法

针对航空发动机磨损故障诊断自动化及智能化程度不高的问题,提出一种基于油液数据挖掘的航空发动机磨损故障诊断知识获取方法。该方法利用自组织神经网络对原始多维特征数据进行特征融合,得到融合值;利用Parzen窗法制定融合值的界限值,将样本划分为正常、警告和异常3种状态;利用Weka软件对油液数据进行规则提取。该方法能够从油液光谱数据中识别出不同磨损状态信息,并提取出知识规则用于构建航空发动机磨损诊断系统的知识库,实现了基于润滑油光谱磨损数据的航空发动机故障诊断的自动化与智能化。应用某型飞机发动机实际油液光谱数据对提出的磨损故障诊断知识获取方法进行验证,结果表明:经特征融合得到的融合值能够准确反映航空发动机的劣化趋势;利用融合值的界限值划分样本状态,再进行规则提取时具有很高的识别率。     

基于红外热像分析的刀具磨损及失效诊断

为了实现切削加工过程中刀具磨损程度及失效状态的精确监测与诊断,采用红外热像仪测试、提取刀具加工过程中的红外特征,分析刀具不同磨损程度状态下的温度场及闪温特征,建立刀具磨损及失效的红外信号特征数据库,基于最小模糊度的隶属度函数优化模型诊断刀具磨损及失效状态。实验结果表明,刀具识别误差较小,表明此方法可以实现对刀具磨损及失效状态的实时、精确诊断,对提高机床的工作效率及加工精度具有重要意义。     

基于稳健回归分析的转子系统不平衡量识别

不平衡是造成转子系统振动过大、影响其安全运行的重要因素。传统的最小二乘算法(least squares,简称LS)在不平衡量识别过程中存在对外界干扰或异常值敏感的问题,改进的加权最小二乘算法(weighted least squares,简称WLS)虽然能够降低异常值的影响,但需要经验积累并对振动数据进行深入分析。提出一种基于稳健回归分析的转子系统不平衡量识别方法,通过构建优化的目标函数自动消除异常值的影响,得到正常状态下转子系统不平衡量的最佳估值。实验结果表明,该方法能够有效消除外界干扰和异常值的影响,准确识别出转子系统不平衡量。     

基于试验数据的魔术轮胎模型参数估计

为了准确估计魔术轮胎模型参数并构建可信的轮胎动力学模型,基于某型轮胎的纵向力及侧向力试验数据,以测试数据和模型拟合数据残差加权平方和最小为目标函数,采用麦夸尔特法（Levenberg-Marquardt）与全局优化法相结合的混合优化算法,分别对8个轮胎纵向力及10个轮胎侧向力模型参数进行估计.拟合优度统计检验结果表明魔术轮胎模型回归效果非常显著,拟合精度较高.纵向力及侧向力模型拟合曲线与试验测点拟合较好,纵向刚度及侧偏刚度测试结果与计算结果的最大相对误差分别只有8.48％和9.96％,具有很好的一致性,验证了参数估计的准确性.     

激光透射法磁珠浓度测量系统

磁珠广泛应用于免疫检测、细胞分离等生物实验中,磁珠浓度的检测对于评价实验效果具有重要意义。本文提出了基于激光透射法的双光路磁珠浓度测量系统,通过测量入射激光强度与透射激光强度的比值来确定磁珠浓度。利用该系统对多个浓度的磁珠悬浊液进行了实验测量,每个浓度下测量多组实验数据,共采集了8 000组数据。通过拟合测量数据,建立了磁珠浓度与测量值的关系函数,二者呈现指数函数关系,拟合残差平方和为0.000 088 89,确定系数可达0.997 1,说明函数具有良好的拟合性能。实验结果表明,相对测量误差在2.5%以内,输出值相对波动范围在2.5%以内,测量系统具有较高的测量精度和良好的重复性。     

基于遗传算法工具箱的插铣切削力的预测模型

根据插铣核电材料A508-3钢各向最大切削力的正交实验数据,建立插铣过程的切削参数(切削速度、每齿进给量和径向切削宽度)各向最大切削力预测模型。把切削力预测值与实验值的残差平方和为适合度函数,采用谢菲尔大学研究的遗传算法工具箱实现各向最大切削力预测模型的各项参数。结果表明切削力预测模型与实验值吻合较好。本文目的是在特定插铣切削参数条件下预测切削力。     

基于VMD和LSTM模型的航空液压管路卡箍故障诊断

航空发动机液压管路-卡箍系统中卡箍振动信号具有非线性和非平稳性的特点,难以从卡箍故障信号中准确识别出其故障类型。针对该问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)-长短时记忆(Long Short-Term Memory,LSTM)神经网络模型的智能故障诊断方法。首先,利用遗传算法对VMD的模态分量k值和惩罚因子α进行参数优化;然后,将优化后的VMD对卡箍故障振动信号进行分解处理;最后,将分解后的模态分量输入LSTM网络中进行特征学习,从而实现卡箍故障的识别。实验表明:该方法实现了对卡箍螺栓松动状态、根部断裂状态、衬垫磨损等3种典型故障的精准识别,故障总体识别准确率能够达到98.5%以上,有效地提高了航空液压管路卡箍故障识别的准确率。     

基于粒子群优化算法的直线拟合及应用

将粒子群优化算法和传统最小二乘法相结合,采用残差平方和准则、绝对残差绝对值和准则、相对残差绝对值和准则建立了一种基于粒子群优化算法的直线拟合方法,获得了比传统最小二乘法拟合要好得多的估计结果,实验证明了该方法的有效性及高精度性。     

航空发动机油样光谱分析的PSO-LSSVM组合预测方法

油样光谱分析是航空发动机磨损状态监测与故障诊断的重要技术,基于光谱数据的航空发动机状态预测有利于发现航空发动机的早期磨损故障。根据光谱数据特征,选取AR模型、BP神经网络模型以及GM(1,1)预测模型作为基础模型,建立了基于最小二乘支持向量机的组合预测模型,同时,用粒子群算法对LSSVM的正则化参数以及核函数参数进行了优化。最后利用两组实际的航空发动机光谱分析数据对模型进行了验证,与基础模型的对比结果充分表明,提出的带粒子群优化的最小二乘支持向量机(the Least Squares Support Vector Machines with Particle SwarmOptimization-PSO-LSSVM)的非线性变权重组合预测模型具有更好的预测精度。     

基于多翼型特征的非奇异变形感知方法研究

针对传统变形感知方法在复杂翼型结构中常见的病态、奇异等问题，提出了一种基于多翼型特征的非奇异变形重构模型。依据Timoshenko梁变形理论，采用依存插值技术离散单元位移场，建立理论截面应变与测量应变的最小二乘变分函数，推导单元节点变形与测量应变的积分重构模型。该模型的位置无关性有效消除评估截面选取不当引起的奇异，增强重构模型在复杂翼型结构中的适用性。同时，针对应变传感器服役期间常见的环境扰动，以重构精度与鲁棒性为评估指标，建立自适应多目标粒子群优化模型。实验结果表明，提出的重构模型整体测量精度较高，在机翼变形量小于20 mm范围内最大绝对误差为0.26 mm,最大相对均方根误差为0.42%;当变形量增大时，绝对误差随之增大，但相对均方根误差不超过3.5%。因此基于多翼型特征的非奇异变形重构模型能够满足机翼实时重构需求，有效扩展变形感知方法在复杂结构中的应用价值。     

基于ASRCKF算法的锂电池SOC估算

针对平方根容积卡尔曼滤波(SRCKF)估算SOC时需要准确获得系统状态及测量噪声协方差这一缺陷,将基于电池模型输出电压残差序列的协方差匹配思想引入平方根容积卡尔曼滤波,提出了自适应平方根容积卡尔曼滤波算法(ASRCKF)。以18650型锂电池为实验对象,建立了戴维南等效电路模型,采用递推最小二乘法辨识电池模型参数,最后,利用UDDS电池实验数据对ASRCFK算法进行了仿真。实验结果表明,传统的SRCKF算法估算SOC产生的均方根误差为3.41%;而提出的ASRCKF算法估算SOC产生的均方根误差仅为0.97%,与传统算法相比具有更高的精度,对噪声的适应能力更强。     

基于支持向量机的综合传动装置磨损状态研究

结合光谱油液分析技术,运用支持向量机对某履带车辆综合传动装置磨损状态进行研究。建立了一种多输出最小二乘支持向量回归算法,并将其应用到综合传动装置的光谱油液分析数据的预测研究中。采用交叉验证方法,讨论了回归算法中参数的选取问题,并将磨损元素预测值与试验值进行了对比分析。结果表明,该方法在较短里程(4000km以内)具有较高的准确率,可以用于综合传动装置磨损状态的预测研究。