基于集成神经网络的航空发动机故障诊断研究

针对航空发动机单一信息源故障诊断存在诊断效率低和准确率不高的问题,研究了基于油液和振动信息融合的集成神经网络的故障诊断方法,并将其应用到航空发动机的故障诊断中。以某型航空发动机为例,采用振动信息和油液信息融合诊断的思路,研究了集成神经网络故障诊断法在该发动机轴承故障中的应用,并结合具体数据对此诊断方法进行了验证。诊断结果表明,与传统的单一信息源故障诊断方法相比,集成神经网络故障诊断法诊断效率更高,可检测故障模式更多,误诊率更低。     

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。     

基于粗糙集－集成神经网络的航空发动机磨损故障诊断方法

将粗糙集理论和神经网络相结合并应用到航空发动机磨损故障诊断中,依据属性的重要性和决策表的相容性,用自组织神经网络完成连续数据离散处理这一关键环节,采用粗糙集理论对征兆信息进行属性约简,获取征兆的主要特征,为神经网络结构简化和子神经网络的构成等奠定了基础,通过基于D-S证据理论的方法得到最终的融合结果。将该方法用于某型航空发动机的磨损故障诊断专家系统中,实验证明了该方法的有效性。     

基于神经网络的发动机异响故障诊断方法

针对汽车发动机异响故障诊断的特征，研究了基于神经网络的异响故障诊断专家系统的理论和方法及实现过程，并将此方法应用于具体JL368Q发动机异响故障诊断，结果表明其方法具有通用性和高效性。     

基于概率神经网络的发动机故障诊断方法研究

传统的故障模式诊断方法很难对复杂系统的故障进行诊断,概率神经网络作为一种自适应的模式识别技术,以其结构简单、学习速度快、具有非线性处理和抗干扰能力强等优点广泛应用在模式分类和故障诊断领域。利用概率神经网络对发动机的故障进行诊断,仿真结果表明,该网络诊断准确率高、泛化能力强,可以对系统进行实时监测和诊断。     

基于BP神经网络的航空发动机整机振动故障诊断技术研究

本文提出了一种基于BP神经网络的航空发动机整机振动故障诊断方法,详细阐述了该方法的数学原理及其实现算法,并利用某型航空发动机整机振动数据作为数据样本,建立了基于人工神经网络的发动机故障诊断模型。应用MATLAB语言编程计算,结果表明,该方法具有学习速度快、噪声抑制力强等特点,而且诊断准确,大大降低了虚警率,对于航空发动机的整机振动故障诊断研究有重要意义。     

基于高密度小波变换的航空发动机滚动轴承故障诊断方法

基于高密度小波变换对原始信号尺度划分更加精细的优势,将高密度小波变换、软阈值降噪和频谱分析相结合,提出了基于高密度小波变换的航空发动机滚动轴承故障诊断方法。该方法通过设定分解层数对信号进行高密度小波变换,得到每一尺度上的低频、中频、高频分量;对各分量软阈值降噪处理后进行频谱分析,进而实现故障特征频率的识别。利用仿真信号验证了高密度小波变换的有效性,通过航空发动机滚动轴承内圈故障和滚子故障工况下的试验信号进一步验证了该方法提取故障特征的能力,与传统小波变换方法的对比证明了该方法在抑制噪声干扰和故障特征频率识别方面的优势。     

基于傅里叶分解方法的航空发动机转子故障诊断

针对传统时频分析法无法提取转子故障特征信息的问题,提出了基于傅里叶分解方法(FDM)的转子碰摩故障诊断方法。构造了调频调幅仿真信号,对比FDM、集合经验模态分解(EEMD)、变分模态分解(VMD)的分解结果发现,FDM能够实现仿真信号的完备性分解,且时频分辨率高。利用FDM对采集到的转子试验器机匣单点-转子全周碰摩试验故障数据进行诊断,不同算法故障信号分解结果的周期功率谱密度估计和故障特征提取结果表明,该方法具有更高的诊断可靠性,可有效地解决转子故障诊断问题。     

基于特征提取的航空发动机滚动轴承故障诊断

航空发动机振动信号复杂,数据量大,其机械系统滚动轴承故障诊断困难重重。在振动信号处理及故障检测领域,利用机器学习强大的自主学习能力在旋转机械故障的诊断方面得到了越来越多的应用。本文提出一种基于特征提取的滚动轴承故障诊断方法,通过特征提取获得更全面数据信息,再将深度信念网络模型用于信号识别,全方位反映航空发动机滚动轴承的运行状态。经实验验证,DBN模型在噪声环境下的平均准确率可达99%以上,具有较强的抗噪能力。     

基于神经网络的电喷发动机故障诊断专家系统

针对汽车电喷发动机故障诊断的特点,本文对基于神经网络理论的发动机故障诊断方法进行了初步的研究,并在Windows环境下,将神经网络技术与计算机多媒体技术相结合,探讨了发动机故障诊断知识表示、知识获取及知识库的开发.对发动机故障诊断提供了智能诊断方法.     

基于小波神经网络的车辆发动机故障诊断

为有效诊断车辆发动机的柴油系统故障,本文将小波变换与BP神经网络相结合,用小波变换来抽取故障的特征向量,以此作为BP神经网络的输入参数,从而构建了小波神经网络。该方法依据小波变换模极大值来研究油管中柴油压力信号的奇异性来抽取故障特征向量,首先利用故障采集数据来获得学习样本,然后根据网络训练来构建起BP神经网络输出与输入间的非线性映射,从而依据特征向量输入进BP神经网络进行诊断故障。通过实验我们发现该方法有较好的的诊断效果。     

基于支持向量机的航空发动机故障诊断

支持向量机学习方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在有限样本的学习中显示出优异的性能。本文将这一新的统计学习方法应用到航空发动机故障诊断的研究中,并通过某型航空发动机故障诊断的实验结果表明了本文方法的有效性。     

基于小波分析的航空发动机轴承故障诊断

针对常规方法难以准确分析非平稳信号的局限性,采用小波变换快速有效地对滚动轴承振动信号进行带通滤波.通过选用多尺度的小波变换,能较好地分离出所要分析的高频固有振动信号,然后对高频振动信号进行包络分析,从包络谱图中提取故障特征频率分量,准确诊断出滚动轴承发生故障的元件.     

基于信息熵属性约简的航空发动机故障诊断

针对不协调信息条件下的航空发动机故障诊断问题,研究了基于信息熵属性约简的故障诊断方法。首先定义了故障诊断信息系统来描述不协调故障样本数据,针对基本粗糙集模型分类能力不足的问题,引入变精度粗糙集模型处理不协调诊断信息系统;然后针对现有条件熵不能区分不确定性规则的缺陷,提出了变精度条件熵作为属性重要度的度量标准,设计了启发式属性约简算法,提取故障诊断规则。将该方法用于航空发动机故障诊断,验证了该方法可有效处理不协调信息,显著提高了航空发动机故障诊断的准确率。     

基于深度学习的航空发动机齿轮故障诊断

传统的机械故障诊断方法需要将采集的故障波信号进行信号处理,再结合神经网络进行特征提取与分类,不仅流程复杂、耗费时间,而且识别准确率不高。针对此问题,采用一维卷积神经网络（one dimensional convolutional neural network,简称1D?CNN）对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类,建立齿轮故障一维卷积神经网络模型,对航空发动机轴承进行故障诊断。试验与分析结果表明：采用该神经网络模型对齿轮进行分类,其准确率可达80%,相较于采用传统的前馈神经网络63.9%的识别准确率,提高了15.07%;与采用支持向量机（support vector machine ,简称SVM）对故障进行分类识别相比,该方法准确率提高了15.89%。本方法能够直接将波形振动信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,简化了传统方法先进行信号处理再通过机器学习诊断的步骤,为航空发动机故障诊断提供一种可行方法。     

一种航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承振动信号故障微弱,故障特征难提取的问题,提出了基于固有时间尺度分解(ITD)和近似熵(AE)结合随机森林(RF)的航空发动机中介轴承故障诊断方法。首先,利用航空发动机中介轴承试验台模拟并采集轴承在正常、外圈故障、滚动体故障三种状态下的振动信号;然后通过ITD方法将非平稳、非线性的中介轴承振动信号分解成一组固有旋转分量(PR),计算其近似熵;最后,将不同尺度的近似熵值作为特征向量,输入到随机森林分类器模型中进行分类识别与故障诊断。研究表明,该方法能有效提取出机匣表面振动信号中微弱的中介轴承振动故障信号特征,故障诊断准确率高,具有工程实用性。     

航空发动机故障诊断方法及测试流程分析

航空发动机设备是我国现代航空运输事业在运作发展过程中不可或缺的技术设备类型,积极选择运用适当种类的诊断技术方法,并且制定科学合理的测试流程,做好针对航空发动机设备的故障诊断与测试分析工作,对于及时发现和解决航空发动机设备在运行过程中出现的各类技术问题,确保航空发动机设备长期具备优质且稳定的技术运行状态具备重要意义。本文围绕航空发动机故障诊断方法及测试流程论题,择取两个具体方面展开了简要阐释。     

基于过程神经网络的航空发动机性能参数预测

针对传统方法难以对性能参数进行有效预测的问题,提出一种基于过程神经网络的性能参数预测方法。为解决反向传播学习算法收敛速度慢、易陷于局部极小点等问题,开发了一种基于正交基函数展开的Leven-berg-Marquardt学习算法。为提高过程神经网络的泛化能力,从提高训练样本的质量和规模入手,研究了实际测量数据的预处理方法,并提出一种基于样条函数拟合和相空间重构理论的训练样本集构造方法。最后,将该方法用于某型航空发动机性能参数的预测,获得了满意的结果。     

基于神经网络专家系统的燃料电池发动机故障诊断系统设计

文章在分析了传统故障诊断方法在燃料电池故障诊断中的局限性的基础上,结合燃料电池发动机的特点,提出了基于神经网络专家系统的智能故障诊断方法,成功开发出一套基于VC++平台的燃料电池故障诊断专家系统软件,实现了燃料电池的状态检测和故障诊断,对保证燃料电池发动机的安全运行有重要的意义。     

基于RBF神经网络的电喷发动机故障诊断研究

研究了RBF神经网络用于电喷发动机故障诊断的方法,并建立了神经网络故障诊断模型.最后,以桑塔纳2000型(GSI)轿车AJR型发动机怠速不稳故障为例,通过V.A.G1552汽车故障诊断仪测量出所需的数据流,在Matlab环境下,对电喷发动机怠速不稳的2种故障原因进行故障模式识别和诊断.