基于ARIMA⁃LSTM的飞机液压泵性能趋势预测方法

针对飞机液压泵工作强度高、工作环境复杂而导致传统性能预测方法对飞机液压泵性能变化趋势预测精度不高的问题,提出了一种基于自回归积分滑动平均-长短期记忆(autoregressive integrated moving average-long shortterm memory,简称ARIMA-LSTM)网络的飞机液压泵性能趋势预测方法。首先,将获取的飞机液压泵性能表征参数回油流量数据进行线性分解,得到趋势项数据和细节项数据;其次,采用自回归积分滑动平均(autoregressive integrated moving average,简称ARIMA)方法对趋势项数据进行预测,同时采用长短期记忆(long short term memory,简称LSTM)网络方法对归一化处理后的细节项数据进行预测;最后,将两部分预测结果进行叠加,得到最终的性能趋势预测结果。研究结果表明,采用ARIMA-LSTM的联合预测方法对飞机液压泵性能变化趋势的预测效果明显优于单一的ARIMA与LSTM预测方法,为飞机液压泵性能变化趋势预测的工程应用提供了一种新方法。     

基于深度自编码网络的航空发动机故障诊断

为有效解决航空发动机的故障诊断难题,提出了基于深度自编码网络的航空发动机故障诊断方法,对发动机进行故障诊断技术研究。首先,对监测数据进行预处理,根据数据特征构建深度自编码网络的基本结构,采用无标签数据样本集对深度自编码网络进行预先训练,得到网络参数的初始值;其次,利用有标签的数据样本集对该网络进行训练,对网络参数进行微量调整,创建基于深度自编码神经网络的航空发动机故障诊断模型;最后,采用含有标签的测试样本集对创建的故障诊断模型进行诊断测试。为了表明所提出方法的优越性,将本研究方法与其他几种常用故障诊断方法的故障诊断结果进行了对比。结果表明,与反向传播神经网络、径向基神经网络等常用的故障诊断方法相比,所提出方法的诊断正确率更高,诊断效果更好。     

基于ICA与深度学习的发动机气路系统状态监测

为提升航空发动机气路系统状态监测的有效性，提出一种采用深度学习并结合独立分量分析（independent component analysis,简称ICA）的新方法，对航空发动机气路系统的健康状态进行了监测技术研究。首先，对实际采集的航空发动机气路系统健康监测参数进行预处理，对预处理后的参数数据采用独立分量分析方法进行处理，提取代表当前状态的特征系数矩阵；其次，由提取的特征矩阵创建深度学习状态监测模型；最后，由创建的状态监测模型对航空发动机气路系统健康状态进行监测。为验证所提方法的有效性，采用典型神经网络与支持向量机分别对由主成分分析（principal components analysis,简称PCA)和ICA构建的特征矩阵进行了状态监测研究。结果表明，采用ICA和深度学习相结合的状态监测方法，可以更好地实现对航空发动机气路系统的状态监测，有良好的应用与推广前景。     

飞机机电系统PHM技术方案研究

针对目前飞机PHM系统难以精确设计的技术瓶颈,并为了满足提高飞机故障诊断与健康管理技术能力的目标要求,文章在大量调研并参考国内外飞机PHM系统设计经验的基础上,结合国内针对PHM设计的特殊背景,通过对飞机机电系统进行了深入分析与研究,提出了一种针对飞机机电系统PHM总体方案架构思想;文章给出了机电系统PHM区域管理器结构的设计思路及机电系统PHM区域管理器设计,开展机电系统aFMECA分析,明确了该系统设计的指导思想、功能和组成,并着重论述了各主要功能模块的设计方案,最后形成了飞机机电系统PHM技术方案,对于促进国内PHM技术的发展具有重要作用,同时也为其他武器装备的PHM技术的研究具有一定的指导作用。     

基于多分类SVM的航空逆变器故障诊断

航空逆变器的可靠性对飞机供电系统的安全性和稳定性尤为重要,但当前对于航空供电器的故障诊断的研究较少,无法为航空逆变器提供有效保障。因此,提出基于多分类支持向量机的故障诊断方法,对航空逆变器的多种故障模式进行诊断。针对故障特征耦合性高的问题,采用主成分分析方法提取故障特征,获取低维度的关键特征。由于逆变器具有多种故障模式,且具有非线性的特点,故采用多分类支持向量机算法进行故障诊断。该算法具有极强的分类能力,是处理小样本、非线性问题的有力工具。实验结果表明,该算法模型可对航空逆变器多种工况条件下的15种故障模式进行有效诊断,并且方法诊断速度快,提高了航空供电系统的安全性。     

燃气蒸汽联合循环机组运行优化调控系统

针对电厂机组运行管理过程中人工调控运行参数耗时费力、效率低、准确率低等问题,设计了一种基于数据挖掘的电厂机组运行优化调控系统。首先,采用数据挖掘算法对机组历史和实时运行数据进行参数的整合和相关性分析,得到影响机组运行的关键参数,作为机组健康状态评估的指标。然后,利用长短时记忆（LSTM）神经网络模型对机组健康状态特征模块中确定的特征值进行训练,预测参数随时间的变化趋势,实现机组智能调控。最后,开发了一套燃气蒸汽联合循环发电机组运行调控系统,并应用于浙江某电厂。运行结果表明:该系统可指导机组运行优化,提高机组的运行可靠性及经济性;优化后电厂机组出功功率提升了0.412 5%,年电能产量增加4 806 MW·h,机组年收益增加约326万元。     

低信噪比下的滚动轴承早期微弱故障识别

低信噪比下的滚动轴承早期微弱故障识别是轴承故障诊断领域的一个难点问题，基于希尔伯特变换解调的包络谱分析法虽是得到广泛工程应用的轴承故障检测经典方法，但其对信噪比过低的轴承早期微弱故障诊断能力不足。针对这一问题，采用时频域高阶统计量——谱峭度开展滚动轴承早期微弱故障识别研究。利用滚动轴承从完好逐渐发展到外圈损伤失效的全寿命周期试验数据进行分析，结果表明：对于轴承出现的早期微弱故障，谱峭度法能够通过识别提取位于高信噪比共振频带的微弱故障信号，实现轴承早期微弱故障识别，相比直接采用包络谱分析法提前了200 min检测出微弱故障。