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。     

小波包能量熵的高压转子装配性能特征的提取方法研究

航空发动机结构装配性能对于保证发动机安全稳定的工作具有极其重要的意义。以航空发动机高压转子为研究对象,围绕转子装配性能进行检测试验、特征提取、规律分析等方面的研究。在分析小波包分解原理以及能量熵原理的基础上,提出了基于小波包能量熵的信号特征提取方法。通过对不同状态下的航空发动机高压转子装配性能进行检测试验对该方法的准确性加以验证。实验结果表明,所提出的特征提取方法能够准确描述转子装配状态变化规律。     

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。     

基于状态信息的航空发动机运行可靠性评估

航空发动机是飞机的"心脏",其运行可靠性评估对保障飞行安全具有重要意义。受不同运行状况的影响,航空发动机退化程度和失效时间具有较大的离散性。针对单台航空发动机运行可靠性评估难以运用基于大样本统计的传统可靠性方法的问题,提出基于状态信息的航空发动机运行可靠性评估方法。该方法利用核主成分分析建立状态子空间,描述航空发动机状态性能的变化;计算正常状态与当前状态子空间基矢量的主夹角,利用映射函数将主夹角转化为运行可靠度。采用美国国家航空航天局提供的航空发动机全寿命仿真数据和某维修厂现场实测数据对所提出的方法进行验证,结果表明该方法能够合理地评估单台航空发动机的运行可靠性,为小样本条件下航空发动机运行可靠性评估提供有效手段。     

基于主成分分析和线性判别的航空发动机状态监视

利用航空发动机传感器数据对发动机状态进行监视,采用主成分分析（PCA）方法和线性判别法（LDA）对发动机传感器数据进行二次特征提取,按照最优近邻思想进行分类。将2008年IEEE PHM数据作为实验数据,将基于PCA和LDA的分类结果与基于PCA的分类方法以及深度信念网（DBN）分类方法的结果进行了对比分析,结果表明,基于PCA和LDA方法的识别率综合最优且结构简单,对于工程应用该方法有效可行。     

面向大样本飞参数据的航空发动机性能监控方法

针对基于大样本飞参数据开展航空发动机性能监控时缺乏有效技术手段的问题,提出一种面向大样本飞参数据的航空发动机性能监控方法。首先建立了一种发动机稳定巡航态参数提取模型,用以从飞参数据中提取出监控需要的状态参数;然后提出一种基于支持向量合并的在线支持向量数据描述(SVDD)算法,用以提升发动机性能监控的效率;最后基于稳定巡航态参数提取模型和在线SVDD算法建立了发动机性能监控模型,并使用多台发动机历史飞参数据进行了性能监控实验。结果表明,该方法能够快速准确地判断出发动机的性能状况(异常识别率在80%左右),可以为地勤维护提供辅助决策。     

基于动态PCA与改进SVM的航空发动机故障诊断

为了对航空发动机进行高效地故障诊断,确保飞机的飞行安全,提出了一种基于动态主元分析和改进支持向量机的航空发动机智能故障诊断方法。该方法结合了动态主元分析(principal component analysis,简称PCA)在特征提取方面和改进支持向量机（support vector machine,简称SVM）在故障诊断方面的优势。动态PCA方法对所涉及的过程变量进行去噪、降维、消除相关性等预处理和特征提取,采用改进SVM方法将所得的特征向量进行故障诊断诊断。所提出的方法可解决航空发动机模型精度和传感器测量参数有限情况下的滑油系统故障诊断精度差、效率低和易误诊、漏诊等问题。以某型真实航空发动机滑油系统为例,对提出方法的有效性进行试验验证。结果表明,采用的动态PCA和改进SVM故障诊断方法能有效提高故障诊断正确率,实现航空发动机滑油系统故障诊断的效能,具有较好的应用价值与前景。     

基于动态PCA与改进SVM的航空发动机故障诊断

为了对航空发动机进行高效地故障诊断,确保飞机的飞行安全,提出了一种基于动态主元分析和改进支持向量机的航空发动机智能故障诊断方法。该方法结合了动态主元分析(principal component analysis,简称PCA)在特征提取方面和改进支持向量机(support vector machine,简称SVM)在故障诊断方面的优势。动态PCA方法对所涉及的过程变量进行去噪、降维、消除相关性等预处理和特征提取,采用改进SVM方法将所得的特征向量进行故障诊断诊断。所提出的方法可解决航空发动机模型精度和传感器测量参数有限情况下的滑油系统故障诊断精度差、效率低和易误诊、漏诊等问题。以某型真实航空发动机滑油系统为例,对提出方法的有效性进行试验验证。结果表明,采用的动态PCA和改进SVM故障诊断方法能有效提高故障诊断正确率,实现航空发动机滑油系统故障诊断的效能,具有较好的应用价值与前景。     

基于改进模糊综合评判的航空发动机状态评估

针对传统依靠单一参数对发动机性能状态进行评判的不足,基于航空发动机性能状态监测的模糊评判方法,建立融合12个性能指标的航空发动机性能评价指标体系;通过对多台发动机历史数据的分析,利用粗糙集确定某型涡扇发动机各个性能指标的权重值;利用加权求和广义模糊算子等相关知识对某台缺乏历史数据的发动机的性能状态进行最终评判。结果表明:该改进的模糊综合评判法能够监测航空发动机性能所处的状态,提前预报故障,在航空发动机性能评判中具有较高的实用价值。     

面向航空公司的发动机维修数据管理模型

为了对航空发动机维修数据进行有效管理,根据航空发动机维修数据具有多维性和演化性的特点,将其分为构型数据、对象相关数据和类相关数据。在引入航空发动机物理状态和单元体物理状态概念的基础上,给出了航空发动机构型数据管理模型,解决了数据冗余问题。针对航空发动机服务通告状态难以控制的问题,提出了以主要件为中心的服务通告状态控制模型。为了将航空发动机维修数据有机地组织在一起,在分析航空发动机生命周期的基础上,建立了航空发动机维修数据组织模型。将提出的模型应用于基于Web的航空发动机维修数据管理原型系统,并在某家大型航空公司进行了试用。结果表明提出的模型是有效的,能够满足航空公司的需求。     

航空发动机性能监测系统设计与验证

航空发动机结构日益复杂,对发动机的可靠性和维修性提出了更高的要求。性能监测系统的研究是保证航空发动机安全、稳定、高效运行的重要手段,是开展航空发动机视情维修的基础。结合开放式体系结构OSA-CBM (Open System Architecture for Condition Based Maintenance),提出了性能监测系统结构,完成了软件设计,实现了具有通用型和可扩展性监测系统,并在某型发动机上完成了试验验证,试验结果表明机载性能监测系统能够有效监测发动机异常状态。     

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。     

基于模糊神经网络的航空发动机故障诊断研究

提出了一种基于模糊神经网络的航空发动机故障诊断方法 ,介绍了该方法的原理及实现算法 ,并利用某型发动机地面定检状态实测的数据作为样本数据 ,建立了基于模糊神经网络的航空发动机的故障诊断模型。通过该模型对起飞状态实测的发动机参数进行了辨识 ,结果表明该方法具有学习速度快、诊断精度高等优点。可用于航空发动机及其它装备的故障诊断。     

基于HE-SVDD的航空发动机工作状态识别*

针对人工识别航空发动机工作状态的复杂性和耗时性,提出一种基于超椭球分类面支持向量数据描述(HESVDD)的快速识别方法。首先构建了一个根据训练样本分布特征可调的HE-SVDD分类器,使之具有从大规模飞行数据中快速识别发动机工作状态的能力;然后研究了航空发动机状态识别的参数选取和样本生成问题;最后采用HE-SVDD对两个飞行架次的发动机工作状态进行了识别。结果表明,该方法能快速准确地识别出发动机的工作状态,可应用于发动机状态的在线或离线监控。     

基于粒子群极限学习机的排气温度裕度预测

排气温度是表征发动机工作状态的主要参数之一,通过对多个飞行架次的排气温度裕度(Exhaust Gas Temperature Margin,EGTM)进行预测分析,能够在一定程度上反映发动机工作性能,为后续故障检测工作提供理论依据。针对EGTM数据的非线性、非平稳特征,提出了基于粒子群优化算法(Particle Swarm Optimization,PSO)的极限学习机(Extreme Learning Machine,ELM)预测方法。通过ELM构建EGTM的预测模型,并利用PSO算法对其参数进行优化以保证模型的精确性;以某航空发动机EGTM数据作为验证,结果表明,相比于传统的预测方法,RMSE与MAE分别降低至1.889 8、1.0,有效提高了预测精度。     

基于EMD-SVR的排气温度裕度预测

排气温度是发动机运行状态的重要性能表征参数之一,通过对多个飞行架次的排气温度裕度(Exhaust Gas Temperature Margin,EGTM)进行预测分析,能够有效表达发动机的工作性能,从而为后续故障预防及检测提供理论依据。针对EGTM数据的非线性、非平稳特征,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)与支持向量回归(Support Vector Regression,SVR)相结合的预测方法。通过EMD方法对EGTM数据进行分解以降低时间序列的复杂程度;然后根据EMD得到的各本征模态函数及趋势序列,构建基于SVR的预测模型;最后将所得的各分量的预测结果综合以得到EGTM的预测结果。以某航空发动机EGTM数据作为验证,结果表明,相比于传统的预测方法,RMSE与MAE分别降低了77.76%、80.62%,有效提高了回归精度。     

基于KPCA的航空发动机滑油滤磨屑图像识别

针对目前航空发动机滑油滤的检查仍处于目视定性检查水平,检查结果依赖人员的经验,既主观又无定量依据的现状,研究了基于图像识别的航空发动机滑油滤磨屑检测技术。首先构造了油滤图像检测硬件系统;然后提出了利用核主成分分析(kernel principle component analysis,KP-CA)对滑油滤图像进行特征提取的方法;最后,利用实际采集的滑油滤图像进行了实例分析,并与普通的主成分分析(principle component analysis,PCA)方法进行比较。结果表明,KPCA方法可以更为有效地提取出滑油滤图像的磨损状态特征,能够有效地提高发动机磨损故障预报的准确率。     

基于支持向量回归机的航空发动机异常检测研究

准确判断发动机的工作状态,预知发动机的性能变化,为预防和排除故障提供充足的时间和决策依据。开发出利用(quick access recorder,QAR)数据的发动机异常检测系统,该系统基于发动机的QAR数据,采用支持向量回归机(support vector regression,SVR)算法,建立监控参数与相关参数的回归模型。利用健康回归模型,监控后续航班参数是否出现异常,从而实现发动机故障检测。采用该系统监控航空发动机低压转子转速N1及高压转子转速N2,及时发现发动机运行异常,证明了系统的可行性和有效性。     

航空发动机油样光谱分析的PSO-LSSVM组合预测方法

油样光谱分析是航空发动机磨损状态监测与故障诊断的重要技术,基于光谱数据的航空发动机状态预测有利于发现航空发动机的早期磨损故障。根据光谱数据特征,选取AR模型、BP神经网络模型以及GM(1,1)预测模型作为基础模型,建立了基于最小二乘支持向量机的组合预测模型,同时,用粒子群算法对LSSVM的正则化参数以及核函数参数进行了优化。最后利用两组实际的航空发动机光谱分析数据对模型进行了验证,与基础模型的对比结果充分表明,提出的带粒子群优化的最小二乘支持向量机(the Least Squares Support Vector Machines with Particle SwarmOptimization-PSO-LSSVM)的非线性变权重组合预测模型具有更好的预测精度。     

基于后验概率SVM的航空发动机滚动轴承状态评估

为了准确地进行航空发动机滚动轴承状态评估,提出了一种基于后验概率支持向量机的航空发动机滚动轴承状态评估方法。首先利用仿真数据建立了后验支持向量机模型,进行了分类试验和后验概率预测验证,然后利用航空轴承失效监控试验系统进行了滚动轴承性能退化试验,得到轴承不同工作状态的振动数据,最后利用获取的试验数据进行了滚动轴承状态评估,充分验证了该评估方法的正确性。