双阈值单类支持矢量机在线故障检测算法及应用

为了将单类支持矢量机应用于机械系统的在线故障检测,提出一种双阈值单类支持矢量机在线检测算法.该算法引入序贯最小优化算法以提高计算效率,使用两层决策边界以区分故障样本和非边界支持矢量,并对检测模型进行在线自适应地更新,同时剔除故障样本对检测模型自适应更新的贡献,使得该算法能够有效剔除单类支持矢量机的原理性误差和因工况变化引起的误差,提高了检测精度.将该算法应用于某型液体火箭发动机涡轮泵振动信号的故障检测,结果表明,该算法可以在无虚警的情况下快速有效地检测涡轮泵故障.     

涡轮泵实时故障检测的快速支持向量机算法

提出了一种基于边界样本的快速支持向量机(support vector machine,SVM)算法用于液体火箭发动机涡轮泵实时故障检测。算法按一定步长将涡轮泵振动信号分段,再将每个步长信号平分为多段且计算每段信号的均方根、裕度因子和峭度,并将之组合为3维向量作为故障特征,以每个步长信号中的故障样本点数目作为判断故障的依据;算法采用条件正定核函数计算原始样本集中正常样本与故障样本之间的距离,选择边界样本作为新的训练样本集,并以此计算支持向量并构造决策函数。用某型号涡轮泵振动加速度信号对算法进行验证,结果表明对包含5 600个故障样本和5 600个正常样本的原始训练样本集,算法的训练时间为0.68 s。对时长20.80 s的待检信号,算法检出故障时刻为20.43 s,比故障真实出现时刻晚0.42 s(在0.5 s之内)。该算法大幅度提高了训练速度与分类速度,具备良好的精确性与实时性。     

单类支持向量机在涡轮泵试车数据分析中的应用

针对在火箭发动机涡轮泵的故障检测过程中缺乏故障样本的问题，应用单类支持向量机，为高速涡轮泵试车数据分析建立了一种新异类检测超球模型。该模型在仅对正常数据进行训练的基础上便可以进行分类工作，且为了提高训练效率，提出了一种分层式的快速训练方法。对火箭发动机涡轮泵试车数据分析的应用结果表明，该算法具有很高的训练效率，检测结果良好。     

浅谈发动机涡轮泵动静压轴承研究状况

以液体火箭发动机涡轮泵为典型应用背景,讨论了液体动静压滑动轴承的技术特点及其用于液体火箭发动机涡轮泵转子支撑的研究进展情况;得出了液体动静压滑动轴承可用于液体火箭发动机涡轮泵转子支撑的结论,同时提出了待解决的关键技术。     

柱塞泵故障的阈值自适应诊断方法研究

为准确诊断轴向柱塞泵故障,避免因负载工况变化导致的虚警误判,提出多特征参量阈值自适应故障诊断方法。研究了该方法特征参量的选取、阈值区间的确定及变载工况下阈值自适应计算,定性地分析了该型柱塞泵的振动特性及故障机理,揭示了柱塞泵主要故障模式下的振动信号特征规律,实验结果表明,阈值自适应故障诊断方法能准确检测变负载工况下的柱塞泵配流盘磨损故障,为开展轴向柱塞泵可靠性评估及故障诊断研究提供了重要的理论依据。     

涡轮盘结构模态分析

某火箭发动机涡轮盘在热试车中出现严重的裂纹故障,为确定故障原因,分析涡轮盘在高温及高转速下的模态特性.对比热试车涡轮泵试验数据,分析结果表明,改进前结构存在与转速6倍频耦合的涡轮盘模态,而改进后结构明显避开了耦合模态.同时,分析结果为后续结构动态响应研究提供准确的输入数据.     

无泄漏磁传动涡轮泵的研究

针对于液体火箭发动机，研究一种新型磁传动密封涡轮泵的原理，利用磁超距特性，化动密封为静密封，可以实现零泄漏，有望解决涡轮泵最常见和极其危险的泄漏故障，从而提高火箭发射的可靠性。     

动密封环研磨中材料去除率建模及仿真研究

液体火箭的寿命主要受发动机影响,涡轮泵又是发动机的心脏,所以涡轮泵性能至关重要,其平稳运行对火箭发动机的安全运行意义重大。影响涡轮泵稳定运行的核心问题包括轴承和密封的磨损、变形及失效等。文中围绕涡轮泵密封性中的重要组成部件——动密封环的研磨工艺进行研究。对动密封环研磨中材料去除率进行模型构建,研究其去除机理。对材料去除模型工艺参数进行仿真计算,对照研磨试验结果,把研磨加工压力、研磨转速、研磨时间工艺参数作为要素核心。所得的仿真结果可对研磨试验起到预测作用,以提高动密封环加工研磨效率。     

多重结构神经网络在液体火箭发动机故障诊断中的应用研究

根据液体火箭发动机的结构特点和故障诊断过程的特性 ,分析了复杂设备诊断过程的层次性 ,建立了复杂设备故障诊断的多重神经网络模型结构 ,并将其应用于液体火箭发动机涡轮泵的故障诊断 ,结果表明 ,该方法可有效地降解复杂系统故障诊断问题的复杂性、具有快速诊断能力     

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。     

A novel method for real time gear fault detection based on pulse shape analysis

Early identification of faults in gearboxes is a challenging task, especially when the time is a critical factor. In this paper, a novel method for real time fault detection in gearboxes is proposed using adaptive features extraction algorithm to deal with non-stationary faulty signals. Moreover, integration of different techniques is presented in order to detect faults in a real time environment. Evolutionary algorithms are commonly used in different applications and have strong ability for optimization. However, they are inherently slow and not suitable for real time applications. The proposed method is based on a combination of conventional one-dimensional and multi-dimensional search methods, which showed high performance and accurate fault detection results compared with evolutionary algorithms. The effectiveness, feasibility and robustness of the proposed method have been demonstrated on experimental data. An average speed up factor of 87% has been successfully achieved with approximately 5% quality degradation in the results as compared with evolutionary algorithms like genetic algorithms.     

基于选择性加权适配网络的多域新故障识别方法

针对深度迁移学习诊断方法要求机械设备训练数据与测试数据具有相同类别空间,同时难以有效识别新故障的问题, 提出了一种基于选择性加权适配网络的多域新故障识别方法。 所提方法利用一维卷积神经网络提取源域与目标域深度判别特 征,并集成领域判别器与多分类器结构,构建源域与目标域权重函数,自适应度量源域与目标域类别的相似程度;从而利用对抗 学习策略来有效减少源域与目标域共享类数据的分布差异;最后利用高斯分布拟合方法自动判别权重阈值,实现对目标域已知 故障和新故障的有效诊断。 在齿轮箱变工况迁移诊断任务上对所提方法进行分析与应用验证,并与现有的其它方法进行比较, 所提方法在所有任务上的调和平均值(E-score)达到 0. 8 以上,验证了所提方法的有效性与优越性。     

粗糙集-遗传算法-神经网络集成分类器及其在转子故障诊断中的应用研究

针对转子故障诊断问题,在综合粗糙集理论、遗传算法及神经网络学习算法各自优点的基础上,提出了一种新的粗糙集-遗传算法-神经网络（RS-GA-NN）集成分类器模型。在该模型中,利用粗糙集理论的离散和约简算法实现对样本数据的特征选取;利用神经网络实现样本特征向量与故障之间的非线性映射;利用遗传算法实现对神经网络的结构优化以使神经网络的泛化能力达到最优。利用转子故障实验台模拟了不平衡、不对中、碰摩及油膜涡动4种故障的127个样本,构建了多故障识别的RS-GA-NN集成分类器,进行了转子故障的智能诊断实验,获得了很好的效果。     

基于TL-LSTM的轴承故障声发射信号识别研究

针对多工况下滚动轴承故障声发射信号智能识别问题,提出了一种长短时记忆网络(LSTM)与迁移学习(TL)相结合的故障识别新方法。该方法仅以单一工况下原始声发射信号参数作为训练样本,构建LSTM模型充分挖掘出声发射信号与故障之间的深层次映射关系,以识别与训练工况具有相近分布特征的其他工况下故障;引入并结合TL来应对相异分布特征的其它工况下故障识别问题,从而可完成多种类型工况下故障特征的自适应提取与智能识别。实验结果表明,对于转速、采集位置或滚动轴承型号工况改变时内圈、外圈及保持架故障的识别均具有较高的准确率,可端对端的实现多种类型工况下故障的实时在线智能监测任务,摆脱了对先验故障数据的过分依赖,验证了该方法的可行性与优越性。     

残差卷积自编码网络无监督迁移轴承故障诊断

深度学习类轴承故障智能诊断研究中,一般会假设训练数据与测试数据同分布且典型故障样本充足,而实际工况复杂多变,难以获得大量标签数据。将残差学习引入卷积自编码,并结合迁移学习,提出了基于残差卷积自编码无监督域自适应迁移的故障诊断方法。堆叠一维卷积自编码进行特征提取,通过残差学习避免过拟合,提高学习效率;融合多层多核概率分布适配来约束网络学习域不变特征;实现了基于无监督域自适应迁移学习的故障诊断,并获得了较高准确率的识别结果。采用凯斯西储大学轴承数据集进行验证,结果证明了所提出方法的有效性,此外还对主要参数及其影响进行了探讨并给出了对比结果。     

多尺度特征自适应融合的气动控制阀故障诊断

气动控制阀作为过程工业典型的终端执行机构,由于故障发生率高、故障类型繁多,导致故障识别难度大,且故障后果 严重,因此对其进行智能的故障检测和诊断具有重要的实际意义。 本文提出了一种多尺度特征自适应融合网络用于气动控制 阀故障诊断。 首先,搭建了融合自注意力机制的多尺度特征提取网络自动提取信号的空间特征和细节特征。 然后,设计了权重 自适应特征融合网络对多尺度特征加权融合,提高模型对故障特征的表征能力。 最后,由长短时记忆神经网络和 SoftMax 函数 实现特征识别和故障分类。 实验结果表明,该模型在 DAMADICS 阀门基准实验平台上的平均检测准确率达到 96. 82% ,均高于 其他对比模型。 与最近发表文献中的检测结果对比发现,本文开发的模型在可检测的故障数量和检测准确率方面也具有一定 的优势,并且通过实验验证了模型的检测性能。     

基于转子实验台的典型故障信号模拟与分析

介绍了一种通过转子实验台模拟转子不平衡和摩擦两种故障来获取该典型故障信号的方法,并对信号的产生进行了机理分析,给出了典型信号在正常和故障两种不同情况下的时域和频域分析图。将实验结果与理论分析相结合,验证了旋转机械两种典型振动故障的识别特征,丰富了故障档案。     

基于DASP的海水马达振动分析和故障诊断研究

基于DASP虚拟仪器测试平台,依托机械振动理论和设备故障诊断技术,结合海水柱塞马达振动信号采集及分析处理手段,搭建了海水柱塞马达的故障诊断实验系统。通过对海水柱塞马达在正常和故障两种状态下振动信号的时域分析与频谱分析,得到了海水柱塞马达配流盘“气蚀”损坏典型故障的识别特征,从而对柱塞泵/马达的故障机理和故障诊断有了更深入的了解。将基于DASP的测试技术应用于海水柱塞马达的振动测试,不仅能够获得海水柱塞马达振动的实时测试信号和振动特性图谱,还可获得振动机理分析所需的更高的测试精度和效率,在工程实践中具有较好的推广价值。