基于相似性传播聚类的航空发动机突发故障诊断

针对航空发动机突发故障,构建了一种基于相似性传播聚类的突发故障诊断方法。首先利用突发故障历史监测数据建立突发故障数据库,通过相似性传播聚类找到数据库中所有突发故障数据的中心,当诊断新采集数据的突发故障类型时,通过相似性传播聚类找到当前新采集数据的中心,经过与突发故障数据库中的数据中心进行匹配判断该新采集数据所对应的突发故障类型。将该突发故障诊断方法应用到发动机转子实验台的突发故障诊断中,仿真和实验结果表明该方法的可行性,并通过与其他方法比较,表明该方法具有诊断时间短和误差小的优点。     

航空发动机振动故障模式的量化方法研究

为快速、高效地排除复杂系统的振动故障,本文提出了振动故障模式的量化方法,可基于量化结果进行振动故障模式的重点验证。分析了振动故障树的技术特点,指出其不适用于复杂系统的振动故障分析;从故障模式的发生概率、故障模式的可验证性等维度对振动故障模式进行量化;结合某航空发动机核心机的振动故障,给出了振动故障模式量化方法的具体应用。实践证明振动故障模式的量化方法是可行、有效的,且具有较高的工程应用价值。     

基于数据相似度和引力理论的密度峰聚类算法

本文针对密度峰聚类算法(DPC)中存在的参数敏感、算法不连续和聚类分块化问题,提出一种基于数据相似度和引力理论的密度峰聚类算法(SLDPC)。该算法基于数据相似度确定局部密度,采用引力理论扩大簇心与非簇心数据点之间的差异,通过设定阈值自动确定簇心,通过基于边缘分布的合并策略对聚类分块化进行合并。实验共采用16个数据集,并与DPC、K-means、基于密度的噪声应用空间聚类算法(DBSCAN)及DPC改进算法进行了对比。实验结果表明,本方法具有优异的聚类准确性和良好的稳定性。     

基于视觉原理的密度聚类算法

在模式识别、图像处理、聚类分析等领域,人的眼睛具有快速有效地组织并发现物体内部结构的自然能力,本文就是在模拟人类视觉系统这一功能的基础上,结合基于密度的聚类方法提出了一种新的聚类算法,该算法具有对初始化参数不敏感、能发现任意形状的聚类及能找到最优聚类等优点。     

基于飞参数据的航空发动机综合性能评估方法

根据航空发动机综合性能分析的需要,建立了某型航空发动机的综合性能评估模型。首先依据发动机工作状态的不同,分别选取了合适的飞参数据作为性能评估指标,然后分别采用层次分析法和模糊隶属函数法计算了各性能评估指标的权重值和归一化值,并在此基础上采用线性加权和法计算了发动机综合性能评估值。实例分析表明,该模型得出的发动机综合性能评估值能够较好地反映发动机综合性能的好坏,对发动机的状态监控及故障诊断有着重要指导意义。     

基于复杂结构数据聚类的推荐系统

针对目前推荐系统存在的不能处理结构复杂、语义丰富领域的推荐问题以及对项目空间和用户空间本质特征理解的狭窄性和简单性、稀疏性问题、可扩展性问题,研究了基于复杂结构数据聚类的推荐方法,提出了一个新颖、有效、具有高可扩展性的基于复杂结构数据聚类的混合型推荐系统HRSCCSD.该系统能同时融合用户语义、项目语义和项目协同多方面...     

航空发动机转子早期裂纹故障振动特征的维谱分析

针对航空发动机转子早期裂纹故障难以检测的特点首先,根据转子裂纹扩展机理,建立早期裂纹转子振动分析理论模型,提出利用112维谱对早期裂纹振动信号进行分析。然后,利用112维谱分析法对早期裂纹转子理论模型和早期裂纹转子故障实验数据进行了具体分析。理论模型和实验数据分析结果都表明:应用112维谱对实际发动机转子早期裂纹故障信号进行分析,不仅能够得到一般频谱分析法难以获得的故障特征频率,还能对混叠噪声信号进行降噪。因此,112维谱能够有效的诊断航空发动机转子裂纹故障,在航空发动机故障诊断中具有一定的应用价值。     

航空发动机转子在冲击载荷下的振动响应分析与试验

考虑挤压油膜阻尼器(squeeze film damper, SFD)非线性油膜力建立了转子的运动微分方程,将转子在冲击载荷下的振动响应分解为谐响应和冲击响应,分别建立了谐响应、冲击响应的有限元模型,并开展了振动响应计算分析。在振动台上开展了航空发动机转子在不同脉宽的垂向冲击载荷下的振动特性试验研究,获取了转子在冲击瞬时的振动响应,并与计算结果进行对比分析。研究结果表明：在一定范围内,转子的振动响应随冲击脉宽变大而变小;与试验结果相比,振动响应计算误差在10.44%～20.00%。研究为冲击载荷下航空发动机转子振动响应分析和试验提供了方法,具有重要的工程应用价值。     

基于改进蝙蝠优化自确定的模糊C-均值聚类算法

针对模糊C-均值聚类算法敏感于初始聚类中心及聚类收敛慢、聚类数目手动设定等缺陷,提出了基于改进蝙蝠优化自确定的模糊C-均值聚类算法。该算法是基于密度峰值综合衡量聚类中心外围数据密集程度和聚类中心间距离,自动确定聚类中心和聚类数目,以此作为改进蝙蝠算法的初始中心;在原始蝙蝠算法中引入Levy飞行特征加强算法跳出局部最优能力;使用Powell局部搜索加快算法的收敛,利用改进的蝙蝠种群进行种群寻优,并将最优蝙蝠位置作为聚类C-均值新聚类中心,进行模糊聚类,以此循环交叉迭代多次最终获得聚类结果。将基于改进蝙蝠优化自确定的模糊C-均值聚类算法与其它两种聚类算法在标准数据集上进行仿真对比,实验结果表明:与其它两种算法相比,该算法收敛速度快、误差率低。     

基于贝叶斯优化的SWDAE-LSTM滚动轴承早期故障预测方法研究

针对滚动轴承的早期故障特征较弱,在强噪声背景下难以有效提取以致生命周期很难准确预测的问题,提出了一种基于贝叶斯优化(BO)的滑动窗堆叠去噪自编码器(SWDAE)和长短期记忆(LSTM)网络的早期故障预测模型.使用滑动窗算法保留具有非线性特征和时序特征的历史正常数据,输入到模型中进行训练,使模型学习滚动轴承的正常运行状态...     

基于PSO改进深度置信网络的滚动轴承故障诊断

针对深度置信网络(Deep Belief Network,DBN)用于轴承故障诊断时,网络层结构调试比较费时等问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)的DBN算法,以及基于该算法的轴承故障诊断模型。该模型利用PSO算法优选DBN网络结构,并通过自适应时刻估计法微调模型参数,随后运用具有最优结构的DBN模型直接从原始振动信号中提取低维故障特征,并将其输入到Soft-max分类器中识别轴承的故障模式。该算法与支持向量机、BP神经网络、DBN、堆叠降噪自编码等方法进行对比分析,实验结果表明,PSO改进的DBN算法具有更高的准确率以及更好的鲁棒性。     

基于失衡样本特性过采样算法与SVM的滚动轴承故障诊断

针对传统支持向量机(SVM)算法在滚动轴承故障诊断领域中,对失衡数据集效果不佳、对噪声敏感以及对本身参数依赖较大等缺点,提出一种基于样本特性的过采样算法(OABSC)。该算法利用改进凝聚层次聚类将故障样本分成多个簇;在每个簇中综合考虑样本距离、近邻域密度对"疑似噪声点"进行识别、剔除,并将剩余样本按信息量进行排序;紧接着,在每个簇中采用K^*-信息量近邻域(K^*INN)过采样算法合成新样本,以使得数据集平衡;模拟3种不同失衡比下的轴承故障情况,并采用粒子群算法优化了SVM分类器的参数。经试验证明:相比已有算法,OABSC算法能更好地适用于数据呈多簇分布且失衡的轴承故障诊断领域,拥有更高的G-mean值与AUC值以及更强的算法鲁棒性。     

Wind turbine fault detection based on SCADA data analysis using ANN

Wind energy is one of the fast growing sources of power production currently, and there is a great demand to reduce the cost of operation and maintenance. Most wind farms have installed supervisory control and data acquisition(SCADA) systems for system control and logging data. However, the collected data are not used effectively. This paper proposes a fault detection method for main bearing wind turbine based on existing SCADA data using an artificial neural network(ANN). The ANN model for the normal behavior is established, and the difference between theoretical and actual values of the parameters is then calculated. Thus the early stage of main bearing fault can be identified to let the operator have sufficient time to make more informed decisions for maintenance.     

一种基于改进MCMC算法的模型修正方法

标准马尔可夫链蒙特卡罗(MCMC)算法不易收敛、拒绝率高,使其应用受到限制。在贝叶斯方法中引入最大熵值法来估计参数的后验概率密度函数最大值,进而将布谷鸟算法中新鸟巢更新的思想融入Metropolis-Hasting(MH)抽样算法得到改进的MH抽样算法,同时使用支持向量机(SVM)建立待修正参数与有限元模型输出之间的代理模型,以提高模型修正的计算效率。分别使用三自由度线性系统和平面桁架模型来验证本文方法的有效性,结果表明:修正后样本的马尔可夫链混合性能好,停滞概率低,修正后参数相对误差均小于2%。     

基于改进蚁群算法的高精度水声定位航路规划

精确的水声定位是进行海洋资源勘探、海底管道敷设、海洋地形测绘等海洋开发活动的前提。其中一类典型的定位目标是可发射周期声信号的固定信标。文章利用单个自主式水下航行器(Autonomous Underwater Vehicle,AUV)对该类目标进行定位,其中一个关键问题是 AUV 的航路规划。传统的航路规划方法通常研究避障和路径长度最优化,未考虑定位问题的特殊性,而最终的定位精度是与航路息息相关的。因此,传统的航路规划方法容易导致所规划航路的定位精度较差。针对这一问题,文章在传统蚁群算法的基础上,首先引入 Bresenham 画圆算法规划圆形航路,保持定位目标处于 AUV 舷侧声呐视野范围内,避免信号缺失;同时在信息素设计中加入了定位精度因子,使得所规划的航路能充分考虑到定位精度。仿真实验表明,文中所提出的方法可以在传统航路规划避障能力、路径长度优化能力的基础上兼顾定位任务,提高针对声信标类目标的定位精度及定位鲁棒性。     

基于EMD小波阈值去噪和时频分析的齿轮故障模式识别与诊断

建立了齿轮故障系统试验装置,对齿轮传动系统在各种转速与故障状态下进行测试分析,获取了有关振动信号,对齿轮系统的无故障、齿根裂纹、分度圆裂纹、齿面磨损四种状态信号进行特征提取,并对提取的信号进行基于经验模态EMD分解的小波阈值去噪处理,然后对预处理后的信号进行时频分析与诊断。结果表明,采用基于EMD的小波阈值去噪方法比单纯采用小波阈值去噪对测试信号进行预处理,能提高信噪比,并更加有效的提取出故障特征,而在EMD的小波阈值去噪的基础上,再与时频分析方法相结合能够较好的识别不同运转状况下不同种类的故障,如齿根裂纹、分度圆裂纹、齿面磨损等,可用于对实际工程工作的齿轮系统进行故障诊断。