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。     

基于粗糙集理论的航空发动机滑油光谱诊断专家系统知识获取方法研究

针对航空发动机滑油光谱诊断专家系统的知识获取问题,本文建立了基于粗糙集理论的航空发动机滑油光谱诊断专家系统知识获取模型。首先建立反映光谱元素浓度及元浓度梯度与发动机磨损故障之间关系的典型故障样本集;然后运用粗糙集理论的离散、约简及规则提取等算法,从大量的故障样本中自动获取知识规则,并将知识规则存储于专家系统知识库中;最后,建立推理机,运用一定的推理策略实现发动机磨损故障诊断。本文利用航空发动机实测的油样光谱数据对所建立的粗糙集知识获取方法,进行了实例验证。     

一种滚动轴承故障知识获取的新方法

针对滚动轴承诊断中故障样本不足和故障模式复杂且难以辨识的特点,提出了一种基于Weka软件数据挖掘平台的滚动轴承故障知识获取的新方法。该方法综合运用滚动轴承时域参数和小波包络谱特征参数,并选取与其运行状态密切相关的多个振动参数作为原始特征模式,然后借助Weka平台的C4.5决策树提取了滚动轴承故障知识规则,并加以解释。最后将该方法应用于现场采集到的大量轴承数据,结果表明该方法正确有效。     

基于信息融合技术的多模型磨粒智能识别方法

磨粒能够直接反映发动机的磨损过程和磨损状态,对磨粒的准确识别是实现发动机故障诊断和状态监测的关键环节.针对单一的智能方法在磨粒识别中的局限性,提出了一种基于信息融合技术的多模型磨粒智能识别方法.首先利用灰色关联度、模糊优选和神经网络模型对磨粒进行识别,得到3组初始识别结果,归一化后作为3组基本概率分配函数,利用D-S证据理论对其融合得到最终识别结果.实例计算表明,与单一智能模型相比,提出的识别方法提高了磨粒识别的区分度和准确率,并具有良好的通用性、适应性和容错性,为发动机磨损磨粒识别提供了一种新的有效的方法.     

发动机典型磨损磨粒识别的SCE模型

针对发动机润滑油中典型磨损磨粒的智能识别,引入了信息论中对称交互熵的新概念,结合模糊相对权重对其计算方法进行改进,使其转换为一种相似度的测量,提出了一种基于对称交互熵的磨粒智能识别模型,并将其应用到发动机典型磨损磨粒智能识别中.实例计算表明,提出的模型具有很好的识别效果,为发动机典型磨损磨粒智能识别提供了一种新的有效的方法.     

基于PCA-BP神经网络的磨粒自动识别

以航空发动机润滑油液中的磨损微粒为研究对象,提出一种采用PCA-BP分类器对磨粒类型进行自动识别的方法。该方法通过对磨粒图像进行预处理并提取一些特征参数,采用PCA对所提取的特征参数进行优选,采用BP网络分类器对磨粒类型进行计算机自动识别。结果表明,相对于传统型BP分类器的识别准确率,此分类器的识别准确率更高。     

基于图像分析和野点检测的航空发动机磨损状态识别

研究了基于发动机滑油滤磨屑图像的磨损状态自动识别技术。首先采用最大熵法和数学形态学方法,提取滑油滤磨屑图像中反映磨损状态的特征量;然后采集反映正常状态的航空发动机滑油滤图像,通过图像分析与特征提取,构造出仅包含正常样本的训练样本集,最后用野点检测方法对训练样本进行学习,并使用遗传算法对野点检测参数进行优化,得到了滑油滤磨屑图像的正常域,并以此来识别航空发动机磨损状态的严重程度。开发了发动机滑油滤监控系统(engine oil filter monitoring system,EOFMS),实现了基于野点检测的磨屑图像识别功能,并利用实际航空发动机滑油滤磨屑图像进行了实验分析,结果验证了该方法的有效性。     

基于yolov5在线可视铁谱图像磨粒多目标识别方法研究

鉴于在线图像可视铁谱获取的磨粒谱片图像分辨率低,磨粒种类复杂多变,磨粒图像背景复杂等问题,使得磨粒在线智能识别面临挑战。为了实现在线可视铁谱图像磨粒多目标实时检测与识别,提出基于yolov5在线可视铁谱图像磨粒多目标识别方法。以正常磨损磨粒、疲劳磨损磨粒、滑动磨损磨粒、球形磨粒、氧化磨损磨粒、切削磨损磨粒6种磨粒作为研究对象,基于yolov5深度神经网络模型对复杂油液环境下的异常磨损磨粒进行分割与识别。结果表明：基于yolov5算法的磨粒智能识别模型能够实现复杂环境下多目标、多类型磨粒在线实时识别,其识别速度和准确率基本满足油液在线监测需求,为装备在线图像可视铁谱技术工业化应用提供了技术支撑。     

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。     

基于磨粒特征的矿用减速器磨损状态在线监测方法研究

为实现在线磨损状态监测技术在矿用减速器的工程应用,进行了在线铁谱磨粒特征与减速器磨损状态的映射关系的研究。首先,利用在线铁谱图像自动采集系统获取磨粒图像。进而利用数字图像处理技术获取磨损颗粒信息,主要包括:采用Otsu's自动阈值分割法将目标磨粒从图像背景中分离出来;通过像素扫描和边缘检测等方法提取磨粒的相对浓度和最大宽度尺寸信息。最后,获取设备运行过程中磨粒的统计学特征在时间序列上的变化趋势,实现矿用减速器的磨损状态在线分析。所提出的方法通过在线磨损的工程试验结果进行了有效性验证,为矿用设备的自动化监测与智能维护提供了新的技术手段。