基于神经网络的汽车发动机机械设备故障定位

为提升发动机故障定位方法的定位性能,提出基于神经网络的汽车发动机机械设备故障定位。该方法首先依据汽车发动机具体结构,分析汽车发动机的各项故障类型,结合小波原理分析发动机振动信号,获取发动机故障特征向量值;再依据获取的特征向量,建立基于人工神经网络的汽车发动机故障定位模型;最后通过遗传算法更新模型参数,计算模型输出值,实现发动机的故障定位。结果表明,运用该方法对汽车发动机实施故障定位时,故障定位精度高、定位效果好以及定位性能优秀。     

发动机转子振动信号分析

针对航空发动机故障类型难以识别和转子振动信号复杂、难以分离的问题,提出运用盲源分离中的Fast ICA算法建立振动信号的分离模型,从采集信号中准确分离出独立的故障信号,快速识别转子中的故障类型。通过搭建发动机转子振动平台采集转子的振动信号,同时计算出不同故障状态下的故障频率。对比分析得出振动信号经过Fast ICA算法处理后具有更高的辨识性,由分离后的信号可以判断出转子振动的故障类型为转子通过外环。分析结果表明:基于Fast ICA算法的分离模型可以快速、有效地分离出此类发动机转子振动信号。     

振动趋势判别云模型的故障诊断方法

在汽轮机故障诊断领域，序列数据的变化趋势能够反映振动过程中的运行状态和发展态势，是专家在诊断时经常使用的特征依据。由于汽轮机组本体因结构、工况等导致的故障样本多样性和稀缺性以及专家经验和定性描述相对丰富的诊断现状，提出了一种基于云模型的汽轮机振动时间序列趋势判别方法。通过总结专家经验和故障案例，结合不确定性云模型生成定性趋势的云参数评估模型；利用样本数据通过逆向云得到的云参数生成大量云滴，代入云参数评估模型计算趋势等级确定度；引入趋势判别决策树得到序列数据的定性描述。最后以某亚临界双排汽凝气式汽轮机为研究对象，验证了该方法的可行性和有效性。     

基于LMD云模型与PSO-KELM的齿轮箱故障诊断

由于齿轮箱故障振动信号具有非平稳性与不确定性的特点，导致齿轮箱故障诊断精度较低。针对该问题提出一种基于局部均值分解（LMD）云模型特征提取结合粒子群优化（PSO）核极限学习机（KELM）的齿轮箱故障诊断方法。首先，将故障振动信号用LMD分解得到若干PF分量，并利用相关系数原则筛选出相关性较高的PF分量；其次，在云模型中输入筛选后的PF分量，采用逆向云发生器对特征向量进行提取并输入到PSO-KELM中进行故障诊断；最后，利用QPZZ-Ⅱ实验台齿轮箱实测数据对该方法进行了性能分析。结果表明，该方法识别精度为97.65%，与多种方法进行对比，该方法具备最佳识别性能。     

发动机曲轴主轴承磨损对机体表面振动特性影响的仿真分析

发动机曲轴轴承承受复杂交变载荷作用,长时间运行难免产生机械磨损,使发动机出现异常振动和噪声。在AVL EXCITE平台下建立发动机多体动力学仿真分析模型,通过改变ENHD扩展液力滑动轴承模型的相关参数,模拟曲轴主轴承磨损状态。经模型仿真计算,获取发动机不同轴承间隙下的轴承载荷和对应机体表面振动信号变化情况,从而可从激励力变化角度解析轴承磨损故障对机体表面振动的影响,为基于振动信号的轴承磨损故障特征提取提供良好分析依据。     

基于层次分析-云模型的大型LNG高压泵自停故障智能诊断方法

为诊断大型LNG高压泵自停状态是正常保护动作，还是高压泵自身故障所致，提出基于层次分析-云模型的大型LNG高压泵自停故障智能诊断方法。采用层次分析-云模型的高压泵运行状态识别方法，由层次分析模型构建高压泵运行状态评价指标体系后，由云模型的正向云发生器，分析高压泵运行状态的评价指标隶属度，识别处于自停状态的高压泵；使用基于卷积神经网络的自停故障智能诊断方法，由小波包方法提取自停高压泵的振动信号特征后，输入卷积神经网络，实现自停故障诊断。实验结果显示：此方法对大型LNG接收站中6个高压泵自停状态识别后，自停的6号高压泵属于3级故障，为非正常保护动作，诊断结果准确。     

基于自适应神经模糊推理系统的柴油机故障诊断与探析

随着科学技术的发展,对机器故障的诊断和治理的方法也不断推新。在解决柴油机故障问题的过程中,采用ANFIS(自适应神经模糊推理系统)作为诊断分析系统是十分有效的,还可以根据其构建起有效的诊断模型;但是,故障的实际诊断值与模型的既定识别值存在一定的误差,影响了故障诊断效果。本文主要结合ANFIS理论,对柴油机故障诊断进行了详细探究与讨论。     

基于VMD和LSTM模型的航空液压管路卡箍故障诊断

航空发动机液压管路-卡箍系统中卡箍振动信号具有非线性和非平稳性的特点,难以从卡箍故障信号中准确识别出其故障类型。针对该问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)-长短时记忆(Long Short-Term Memory,LSTM)神经网络模型的智能故障诊断方法。首先,利用遗传算法对VMD的模态分量k值和惩罚因子α进行参数优化;然后,将优化后的VMD对卡箍故障振动信号进行分解处理;最后,将分解后的模态分量输入LSTM网络中进行特征学习,从而实现卡箍故障的识别。实验表明:该方法实现了对卡箍螺栓松动状态、根部断裂状态、衬垫磨损等3种典型故障的精准识别,故障总体识别准确率能够达到98.5%以上,有效地提高了航空液压管路卡箍故障识别的准确率。     

基于深度学习理论的发动机气门机构故障识别

为了正确诊断和识别发动机气门机构故障,提出一种基于经验模态分解和堆栈式稀疏自编码器深度学习模型的发动机气门机构故障识别算法。以发动机缸盖振动信号为信号源,对振动信号做经验模态分解,提取各个本征模态分量的时域和频域特征构成故障特征向量集,作为故障识别的样本变量。通过稀疏自编码非监督学习网络对输入向量进行特征学习,并将单层网络堆栈成深度网络,最后采用少量有标签数据对整个深度学习模型进行微调训练,建立气门机构故障识别模型。试验结果表明,EMD-SSAE混合深度学习模型能够有效的识别气门机构的故障状态,并且比EMD-SVM和EMD-BPNN模型获得更高的识别准确率。     

基于贝叶斯推断贡献的机械设备故障诊断方法

现有机械设备故障诊断方法大多针对已知故障建立,不具备识别新故障的能力,针对该问题提出一种基于贝叶斯推断贡献(Bayesian Inference Contribution,BIC)的故障诊断方法.该方法基于BIC理论对各已知故障建立状态模型,并自学习振动数据与各状态模型的允许最大距离,当振动数据与各已知故障状态模型间距离均大于允许最大距离时识别为新故障,反之为已知故障,并在此基础上设计了状态模型更新方法,使其能够利用新故障数据和误诊数据对模型进行更新.采用往复压缩机的真实故障数据进行测试,结果表明,该方法对新故障的识别准确率为100％,采用误诊数据对状态模型更新后整体诊断准确率得到明显提升.