基于间接健康指标与回声状态网络的航空锂电池剩余使用寿命预测

航空锂电池是飞机的重要组成部分,对其进行剩余使用寿命(RUL)预测至关重要。目前,一般采用锂电池容量作为RUL指标,但在飞机实际运行中,锂电池容量难以准确测量,同时面临长期寿命预测精度的问题。因此,提出一种基于间接健康指标和回声状态网络(ESN)的锂电池RUL预测方法,基于一阶偏相关系数分析方法提取最能代表电池寿命的间接健康指标来代替容量指标,建立间接健康指标预测模型。同时基于深度学习中的ESN,结合粒子群优化算法(PSO)对网络参数进行优化,建立退化预测模型,实现锂电池RUL预测,解决长期预测精度问题。使用NASA电池数据进行实验验证说明,该方法相较于其他方法具有更高的精度、稳定性以及良好的泛化能力。     

多工况直升机附件齿轮箱振动故障诊断

针对直升机附件齿轮箱在有限多工况条件下故障特征提取难度大、识别准确率低等问题,提出一种结合变分模态分解（variationalmodedecomposition,简称VMD）与多尺度卷积神经网络（multi-scaleconvolutionalneural netwo,简称MCNN）的故障诊断方法。首先,对直升机附件齿轮箱进行地面实验和信号采集,对原始信号进行滤波、降噪等预处理;其次,利用VMD将信号分解为若干个固有模态（intrinsic mode functions,简称IMF）,依据齿轮副频率特性对分解模态进行重构与归一化,增强微弱的高频故障特征;最后,将重构信号的每个分量视作不同尺度,经多尺度卷积神经网络进行多尺度特征提取并融合,由指数归一化分类器给出识别的故障类别。实验结果表明,所提方法能够有效增强信号故障特征,挖掘多工况条件下信号的差异性与同一性,在直升机附件齿轮箱振动故障诊断中平均准确率为97.25%。     

基于多传感器融合卷积神经网络的航空发动机轴承故障诊断

航空发动机作为航空飞行器关键的动力组成部分,在内外多激励干扰情况下产生的机械故障采取传统的基于物理机理和信号分析的方法难以准确识别且耗时耗力。为此,该文提出基于多传感器信息融合的轴承故障诊断模型,对航空发动机轴承进行故障诊断。该模型采用一维卷积神经网络(one dimensional convolutional neural network,1D-CNN)对实验获取的某航空发动机的轴承故障振动数据进行特征提取与分类,直接将不同传感器采集的波形信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,舍弃传统的基于信号分析故障诊断的繁琐步骤。实验验证表明,采用4个加速度传感器输入该模型对轴承故障进行分类与识别,其准确率可达100%,相较于采用支持向量机(support vector machine,SVM)和前馈神经网络对故障进行分类识别相比,该方法准确率分别提高了36.92%和18.9%,为航空发动机轴承故障诊断提供一种可行方法。     

基于多尺度空间的直升机滚动轴承故障诊断

针对直升机系统与传递路径复杂,采集信号中成分多样,传统方式提取的特征难以有效反映信号健康状态,影响滚动轴承诊断精度等问题,在传统时域指标的基础上,结合多尺度空间对特征空间重叠和信号跨尺度复杂性问题上的优势,构建多尺度指标作为故障分类的依据。根据ReliefF算法对原始高维多尺度特征迭代计算得到权重,利用权重值进行特征选择,同时减轻计算成本。权重最大的一部分特征将作为随机森林模型的输入,利用其多分类器集成学习的优势,进行滚动轴承故障分类诊断。通过滚动轴承公开数据集来说明所提方法的优势和可行性。数据处理结果表明,多尺度特征较原始时域特征具有更好的分类性能,并且随机森林在该算法中较其他分类模型分类效果更好。     

基于LMM和NARNN的车轮踏面退化状态预测

作为列车的关键走行部件,车轮的退化状态对列车的安全具有重要影响。以车轮踏面磨耗量为研究对象,将历史车轮踏面磨耗数据作为输入,分别采用线性混合模型(LMM)和非线性自回归神经网络(NARNN)对车轮踏面磨耗进行建模。首先,对比不同随机效应的LMM,选择随机系数相关的LMM,进而预测车轮踏面磨耗量;其次,使用随机搜索算法优化NARNN中的参数。结果显示,基于LMM的踏面磨耗值的预测精度更高。     

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。     

光纤光栅传感网络的冲击定位方法

针对航空航天层合板结构冲击与振动监测的需求,提出一种基于小波包分解方法和分布式光纤光栅传感网络的板状结构低速冲击辨识方法。根据四边固支板结构的承载形式与光纤光栅传感器的感知特性,设计合理的传感器网络布局,再利用快速傅里叶变换(fast Fourier transformation,简称FFT)与小波包分解对光纤光栅传感网络监测到的冲击响应信号进行时频域分析,获取能表征冲击特性的时域特征分解信号。在此基础上,分别计算出每一个特征分解信号与其对应的时域原始信号之间的互相关系数,并将其做为相似度分配权值,分解出所有样本冲击点对应冲击响应信号的特征分解信号,构建样本信息库。利用Haudorff距离计算测试信号与样本信息库各个信号之间的相似度,并根据相似度来确定冲击点的位置坐标。研究表明,该方法能够实现对航空航天层合板结构低速冲击位置的辨识。     

基于阈值的直升机飞行状态划分

针对某型号直升机的37种飞行状态进行划分.首先,对直升机自转、单发飞行进行划分.其次,对其余采样点进行初步状态划分,得到参数极值序列.对参数极值序列进行差分处理,以差分值10为限定条件,小于10的对应参数原始数据段被划分为非转弯、平飞与稳速状态;大于10的则划分为转弯、非稳速与非平飞状态.在划分的非稳速与非平飞状态中,以各状态对应参数差分处理后的差分值大小O为限定条件,大于0将数据段划分为上升、增速,小于0的对应划分为下降、减速.最后,根据高度阈值分为近地面与非近地面,在直升机初步状态划分的基础上,结合参数阈值对直升机其余35个飞行状态进行具体划分.对划分结果进行准确率分析,结果表明,此方法具有通用性,可对飞行复杂程度不同的直升机进行快速划分,且具有很高的准确性.