一种航空发动机传感器故障诊断方法

为了对航空发动机传感器故障作出准确快速的诊断,在Simulink中设计了基于卡尔曼滤波器的残差检验的故障诊断模块,实现发动机传感器恒偏差、恒增益、卡死故障等硬故障的诊断。针对传统卡尔曼滤波器残差检验法检测缓变故障时存在较大延时的缺点,采用改进卡尔曼滤波器的残差检验法来检测故障,并与传统卡尔曼滤波器法进行比较。仿真结果表明,传统卡尔曼滤波器的残差检验法能有效地诊断航空发动机传感器的几种典型硬故障,但对于缓变故障却不敏感。改进卡尔曼滤波器的残差检验法能在一定程度上加快检测速度,取得较好的效果。     

转子系统早期碰摩故障特征提取方法研究

航空发动机转子系统是发动机的核心部件,针对发动机转子系统早期碰摩故障难以检测的特点,通过对碰摩机理分析及早期故障特征的研究,提出了基于小波变换对原始信号降噪和虚拟仪器对转子系统振动数据采集相结合的方法,对转子系统早期碰摩故障特征进行提取,并在转子试验台上进行了实验验证。结果表明,采用LabVIEW程序采集转子系统振动数据并存储,然后应用小波变换进行数据分析和处理,能够对转子早期碰摩故障特征进行有效地提取。     

发动机气路故障模拟试验台碰摩故障实验研究

航空发动机气路故障是重要且频发的发动机故障.其中,叶片-机匣碰摩故障是一种重要且频发的航空发动机气路故障.为了对其进行高效深入的研究,必须建立专门的气路故障模拟试验系统.基于静电监测技术设计了一种用于研究航空发动机气路故障的模拟试验台,实现了对航空发动机叶片-机匣碰摩故障模式的模拟.故障模拟实验结果表明:碰摩故障模拟实验感应信号具有周期性的特点,据此特征,可以在静电监测系统软件中实现对模拟碰摩故障的在线监测与识别.本研究验证了航空发动机气路故障模拟试验台模拟碰摩故障的有效性,为航空发动机故障监测和健康管理提供技术支撑.     

基于DHMM的航空发动机故障诊断方法研究

在航空发动机的各式故障中,由振动引发的故障占有很大的比重。航空发动机的振动信号中蕴藏了大量的状态及故障信息,因此有必要寻找一种有效的特征提取和故障诊断方法。基于ICA和DHMM的理论方法,形成了ICA-DHMM故障诊断方法。其中ICA用于源信号分离以及特征提取;DHMM作为模式识别工具。通过与ICA-SVM故障诊断方法和传统的DHMM故障诊断方法进行比较,表明本方法有更好的识别效果。     

航空发动机油液故障诊断专家系统研究

针对航空发动机的特点,运用多种技术对油液进行综合监控,设计了油液故障诊断专家系统.介绍了系统的总体结构与应用的监控技术,分析了系统各组成部分的功能.结合实际情况,研究了该系统的实现途径.介绍了在该系统在航空发动机维修保障中的应用经验,系统总结了研制的创新点.实践表明,该系统对于确保飞行安全,提高军机的战斗力具有重要意义.同时为其他机型和设备的专家系统研制提供了有益的参考.     

航空发动机气路故障诊断

介绍了航空发动机气路故障诊断基准参数的选取和监测参数偏差的产生方法,探讨了采用故障相似系数进行气路故障隔离和辨识的方法,并用某型涡扇发动机实测数据验证了该方法的有效性.相似系数不仅具有明确的物理意义,而且使得故障诊断系统构造简便,故障模式扩展容易.采用相似系数进行故障模式隔离不必要求监测参数的个数大于故障模式个数.在隔离故障模式的基础上,进一步辨识发动机部件性能衰退程度,对气路故障的诊断更为深入.     

基于FBP神经网络的航空发动机故障诊断

通过对人工神经网络（ANN）的深入研究,尤其是在改进算法方面作了大量的尝试,设计出了一种FBP神经网络。在采集了大量的飞机发动机故障信息后,并结合专家的经验数据,提出了适用于民航飞机发动机,特别是波音767和波音747所装配的JT9D发动机和PW4000型发动机的故障诊断系统。使在不对发动机进行解体的情况下能早期检测到故障隐患。     

基于极限学习机的航空发动机传感器故障诊断

针对当前应用于航空发动机传感器故障诊断中的基于梯度的传统学习算法多存在参数选择困难、容易陷入局部最小化、过拟合等问题,提出了基于极限学习机(ELM)的航空发动机传感器故障诊断方法。算法只需设置隐含层神经元的个数,能够较好地避免上述问题,缩短故障诊断时间、提升诊断精度。通过仿真试验表明:基于ELM算法所建的航空发动机传感器故障诊断模型要比基于BP神经网络算法所建的模型耗时短且精度高。     

航空发动机故障诊断多Agent模型

介绍了人工智能领域的多Agent技术的主要概念,提出了结合传统故障诊断方法基于多Agent技术的航空发动机故障诊断的模型,并对模型的各个主要模块功能作出了详细的介绍和分析。     

航空发动机传感器故障诊断

研究航空发动机传感器故障诊断问题,由于发动机传感器故障样本有限、小样本、非线性变化特点,传统大样本传统故障方法故障诊断准确率低。为提高传感器故障诊断准确率,提出一种混沌粒子群算法(CPSO)和最小二乘支持向量机(LSS-VM)相结合的传感器故障诊断算法(CPSO-LSSVM)。首先将发动机传感器信号输入到LSSVM进行学习,并采用CPSO进行优化,找到最优LSSVM参数,从而建立传感器故障诊断模型,最后采用已建立模型对传感器故障进行仿真测试。仿真结果表明,CPSO-LSSVM提高了航空发动机传感器故障诊断的准确率,能准确地对空发动机传感器故障进行诊断,提供民飞行安全性能保障。     

基于支撑向量机的航空发动机故障诊断研究进展

支撑向量机因其适用于多参数、小样本的非线形问题,是一种极具潜力的航空发动机故障诊断方法。在分析基于支撑向量机的航空发动机故障诊断研究进展的基础上,对若干需要进一步研究的问题,如核函数的参数选择、核函数的选择、多类故障的分类策略以及SVM算法的优化进行探讨。     

航空发动机MIMO系统的闭环辨识与故障诊断算法

针对航空发动机结构复杂、易发生故障的特点以及机理分析建模方法存在过程繁琐、运算效率低下等问题,提出了一种基于数据的航空发动机燃油机构MIMO(multiple-input multiple-output)闭环系统的参数辨识和故障诊断算法.算法先通过估计辅助模型系统的阶次间接求得时延参数,再通过多阶段最小二乘算法辨识得到前向通道和反馈通道的参数.以某型双轴涡扇航空发动机为例进行验证.结果表明,在应用中辨识结果与系统真值基本吻合,当遗忘因子取值随辨识结果的收敛程度变化时,算法可以有效地应用于气路故障的诊断当中,及时辨识出故障参数值.最后,对算法的两方面特点进行了说明:一是遗忘因子选取的重要性及选取的原则,二是算法可以有效排除噪声对辨识结果带来的干扰.     

基于CNN-Seq2Seq的航空发动机喘振诊断模型的研究

喘振是航空发动机在运行过程中一种危害性极大的气动失稳现象,严重时会导致飞行事故,引起人员和财产的巨大损失,因此寻求一种快速准确的发动机喘振故障的诊断方法对于保障航空发动机飞行安全具有重要的现实意义和价值。当前针对航空发动机喘振故障诊断的模型存在诊断时间长、诊断准确率不高的特点。为了解决这些问题,在序列到序列(Seq2Seq)模型的基础上,使用卷积神经网络(CNN)代替Seq2Seq中编码器-解码器结构上的长短时记忆网络(LSTM)构建得到基于CNN-Seq2Seq的航空发动机喘振诊断模型。该模型利用CNN局部连接以及权值共享的特点实现并行计算,从而大幅提高计算效率并降低诊断耗时。使用某型发动机上的多传感器试验数据对模型进行实验,实验结果表明该模型在显著降低模型大小和计算量的同时,在精确率、召回率及F1 Score上仍然获得了94.3%、92.1%、93.2%的表现,同时单次预测耗时仅需2 ms。     

非线性模拟电路的故障诊断方法

为了诊断非线性模拟电路中的故障,提出了一种基于节点电压增量线性相关性原理的诊断方法.通过对非线性元件的分段线性建模,说明故障造成的节点电压增量满足分段线性相关性.以节点电压平面上的折线作为故障特征构造故障字典,以实测工作点到故障特征折线的距离来衡量电路状态与故障特征的符合程度,可以诊断非线性电路中元件参数的软故障和硬故障.实例验证表明,该方法是一种易于计算机实现的实用化方法.     

某型飞机发动机故障诊断专家系统设计

针对某型飞机发动机故障诊断困难以及视情维修对维修技术提出的更高要求,利用专家系统人工智能技术设计了该型飞机发动机故障诊断专家系统;该系统利用自动检测技术获得发动机状态参数,通过智能诊断实现故障定位;系统利用模块化设计思想进行了人机交互界面设计、故障知识数据库建立、推理机制设计、获取知识程序设计及解释程序设计,实现了发动机故障的快速定位,提高了发动机诊断维修的时效性,保证了发动机的完好率。     

Aero-Engine Surge Fault Diagnosis Using Deep Neural Network

Deep learning techniques have outstanding performance in feature extraction and model fitting. In the field of aero-engine fault diagnosis, the introduction of deep learning technology is of great significance. The aero-engine is the heart of the aircraft, and its stable operation is the primary guarantee of the aircraft. In order to ensure the normal operation of the aircraft, it is necessary to study and diagnose the faults of the aero-engine. Among the many engine failures, the one that occurs more frequently and is more hazardous is the wheeze, which often poses a great threat to flight safety. On the basis of analyzing the mechanism of aero-engine surge, an aero-engine surge fault diagnosis method based on deep learning technology is proposed. In this paper, key sensor data are obtained by analyzing different engine sensor data. An aero-engine surge dataset acquisition algorithm (ASDA) is proposed to sample the fault and normal points to generate the training set, validation set and test set. Based on neural network models such as one-dimensional convolutional neural network (1D-CNN), convolutional neural network (RNN), and long-short memory neural network (LSTM), different neural network optimization algorithms are selected to achieve fault diagnosis and classification. The experimental results show that the deep learning technique has good effect in aero-engine surge fault diagnosis. The aero-engine surge fault diagnosis network (ASFDN) proposed in this paper achieves better results. Through training, the network achieves more than 99% classification accuracy for the test set.     

基于案例推理的故障诊断方法

针对传统故障诊断方法的缺陷,将基于案例的推理技术引入到故障诊断系统中,介绍了基于案例推理的故障诊断方法的机理,阐述了案例的表示、检索和案例库的建立,实例诊断表明,该方法相比传统的故障诊断方法来说具有简单、诊断精度高的优点,是有效可行的.     

轴承故障融合诊断方法

针对传统人工神经网络在故障诊断中应用的局限性 ,提出一种基于小波变换、遗传算法与神经网络的融合故障诊断方法。该方法先用小波变换对原始采样信号进行特征提取 ,再用遗传算法优化选择最为重要的特征作为神经网络的输入参数。最后 ,由神经网络进行状态识别和特征分类。这样不仅减少网络训练时间 ,降低网络计算量 ,而且有效提高分类的准确性及故障诊断的可靠性。轴承故障诊断实验结果表明 ,该方法是有效的。     

一种网络环境中故障诊断与维修决策方法

本文将贝叶斯网络引入到大型网络故障管理系统中,从贝叶斯网络推理模型与故障诊断和维修决策问题的一致性出发,提出了基于故障假设、观测和维修操作节点结构的DBN模型,并详细阐述了模型的内涵和故障诊断知识构成要素