基于模糊粗糙集和SVM的航空发动机故障诊断

随着航空产业的发展,航空发动机故障诊断逐渐向智能化、精确化方向发展,针对这一趋势结合模糊聚类、粗糙集以及支持向量机理论,提出了一种航空发动机故障诊断方法。首先,运用模糊C-均值聚类算法将连续数据离散化;然后,运用粗糙集的知识发现理论,在保持决策表的决策属性和条件属性之间的依赖关系不发生变化的前提下对决策表进行约简;最后,利用支持向量机适用于小样本数据处理的特性对样本进行学习得到最优超平面决策函数从而进行故障诊断。对航空发动机性能参数实例的验证结果表明,该方法对航空发动机故障具有较强的诊断能力,在不影响诊断率的基础上大大缩短了运算时间。因此,提出的算法具有较好的实用性和准确性。     

基于双阶自适应小波聚类的复合故障诊断

有效特征向量的提取与故障诊断方法是实现航空发动机转子故障快速正确诊断的关键。首先根据航空发动机转子振动信号的非平稳及非线性的特点,应用小波变换和Hilbert-Huang变换方法提取振动信号的有效值、边际谱重心和小波变换最大能量层的功率谱重心三个特征向量,然后应用双阶自适应小波聚类方法对航空发动机转子进行多类型混合故障诊断。结果表明双阶自适应小波聚类方法能快速准确地实现故障分类与识别,尤其对于密度分布不均匀的多类型混合数据,诊断精度显著高于传统的小波聚类方法。     

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。     

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。     

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。     

相对关联距离熵在转子系统故障诊断中的应用

将相对关联距离熵应用于航空发动机转子-机匣系统状态识别和故障诊断。在相空间重构的基础上，基于实测的航空发动机机匣振动时间序列求解了转子-机匣系统不同工作状态和故障状态的相对关联距离熵，并基于相对关联距离熵，对航空发动机转子-机匣系统进行了状态识别和故障诊断。     

EMD和SOM神经网络在燃气发动机故障诊断中的应用

提出了EMD和SOM神经网络相结合的燃气发动机故障诊断方法。将燃气发动机振动信号进行EMD分解,提取前几个IMF分量的能量构成故障诊断的特征向量,输入SOM网络进行聚类,再将测试样本输入训练好的网络模型进行故障识别,网络输出结果采用U矩阵图法进行显示。对燃气发动机正常、气门间隙大、排气阀漏气3种状态的信号分析结果表明,该方法可以有效地提取非平稳信号的故障特征,网络模型结构简单,对大数据量样本的聚类与识别准确率高,输出结果清晰、直观、可视性强,该方法为燃气发动机故障诊断提供了新的途径。     

基于Lyapunov指数能谱熵的转子—机匣系统故障诊断研究

提出基于Lyapunov指数能谱熵的航空发动机转子-机匣系统状态识别和故障诊断新方法.基于Lyapunov指数谱,提出并定义系统Lyapunov指数能谱熵;在基于实测的航空发动机机匣振动时间序列求解系统不同故障状态的Lyapunov指数谱的基础上,获得系统不同故障状态下的Lyapunov指数能谱熵,并将其应用于航空发动机转子-机匣系统的故障诊断.研究结果表明,航空发动机机匣振动时间序列在不同单一故障状态下具有不同的Lyapunov指数能谱熵,此时可以Lyapunov指数能谱熵作为识别其状态的新特征量.     

航空发动机的IGWO-KELM故障诊断方法

为提高航空发动机滑油系统的故障诊断有效性，提出了一种改进的灰狼算法优化核极限学习机（IGWO-KELM）的航空发动机故障诊断方法，对航空发动机进行了故障诊断技术研究。首先对航空发动机滑油系统的参数数据进行预处理，利用核独立分量分析（KICA）将数据映射到核空间，消除原始特征向量间的相关性，并提取特征系数矩阵；其次，由提取的特征矩阵创建KELM故障模型，为减少人为调节网络参数的随机性对诊断结果造成的影响，采用IGWO算法优化KELM的网络参数，并创建IGWO-KELM故障诊断模型；最后，对所创建的IGWO-KELM故障诊断模型进行了试验验证。结果表明，所提出的IGWO优化KELM的故障诊断方法能有效提高航空发动机故障诊断准确率，诊断准确率达96%，具有很好的应用前景。     

基于深度信念网络的航空发动机气路故障诊断技术研究

针对传统的航空发动机故障诊断方法正确率较低,并且对异常数据不敏感的问题,将智能诊断算法引入航空发动机气路故障诊断领域。以涡轴发动机为例,分析了常见气路部件故障类型的成因和表现,并在Tensorflow上建立基于深度信念网络的故障诊断模型。与传统的故障诊断方法相比,具有更高的故障诊断正确率。     

某型航空发动机状态监控与故障诊断仪的设计

为了实现对某型航空发动机实施状态监控与故障诊断,设计了一种航空发动机状态监控与故障诊断仪。这里介绍了该状态监控与故障诊断仪的主要功能、硬件组成、软件组成,以及它的监控与诊断原理。     

基于PCA的航空发动机关键部件异常状态检测

航空发动机在航空器中具有重要的作用。针对航空发动机运行状态难以准确检测的技术难题,以航空发动机转子系统为检测对象,开展基于PCA的航空发动机关键部件异常状态检测方法研究。首先,以能够获取到的发动机参数为基础,采用相关分析法,完成航空发动机检测参数的数据挖掘,剔除相关性低的数据;其次,以航空发动机四种典型故障模式为基础,开展基于PCA的航空发动机的异常状态分类;最后,以实际数据对所研究的方法进行验证,确保其异常状态检测结果符合预期。验证结果表明,基于PCA的航空发动机异常状态检测方法能够实现对航空发动机的状态进行检测,误差均在要求范围之内,因此,该方法切实可行,对于其他旋转类设备的异常状态检测具有一定的借鉴意义。     

基于CNN-BiLSTM的航空发动机滑油流量故障诊断预测方法研究

航空发动机滑油系统为整个发动机的传动系统、轴承齿轮等部件提供滑油,是保证航空发动机正常运行的重要系统,因此准确对航空发动机滑油量进行预测是对保证飞机飞行的安全有重要意义的。为了提高预测准确性,提出了一种基于CNN-BiLSTM的航空发动机滑油流量预测模型,可以同时捕捉数据中的空间特征以及时序关系。以某航QAR数据进行验证,结果与CNN和LSTM模型进行对比,左发预测准确率提升了2.43%和7.85,右发预测准确率提升了7.97%和10.82%,证明了本文所提方法的有效性,为航空发动机滑油流量故障诊断的预测方法提供了新的解决方案。     

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。     

基于有序样品聚类和模糊理论发动机状态监测研究

提出基于有序样品聚类和模糊理论发动机状态监测研究方法。利用有序样品聚类方法,对油液铁谱分析数据进行分类,实现了发动机的状态监测;利用模糊理论方法,结合发射光谱分析数据判断发动机的异常磨损部位。采用该方法对康明斯6BT5.9型柴油发动机状态进行监测,确定发动机可能出现异常磨损的部位,与发动机解体实际检查结果一致,证明上述研究方法对发动机异常磨损部位的确定具有一定的适用性。     

基于数字图像与XRF技术的发动机油液综合分析系统

从发动机状态监控与故障诊断的需要出发,介绍了航空发动机油液分析的重要性及其原理,研究开发了基于数字图像与XRF技术的航空发动机油液综合分析系统.经实验验证,初步实现了系统的基本功能.采用多种分析方法对航空发动机进行监控,可弥补一种分析方法的不足和误判,对提高飞机的运行可靠性,保证飞行安全意义重大.     

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。     

探析航空发动机常见故障诊断技术

航空发动机在运行过程中难免会发生故障,想要第一时间迅速了解故障起因,进行维修,掌握航空发动机常见的故障诊断技术是维持发动机正常运行的重要一环。航空发动机故障诊断技术是实现航空发动机视情维修的重要一环,它是航空发动机设计、生产、使用和维护过程中的"指挥先锋"。本文将在航空发动机故障诊断的必要性、航空发动机的故障类型、以及航空发动机在发生故障时如何进行诊断进行深入探讨。在以上几点的基础上,创新航空发动机的诊断技术,展望航空发动机诊断技术在未来的使用中的重要发展前景。     

FDM和RCMDE结合的特征提取与故障诊断

为提取有效特征向量以实现航空发动动机转子的故障诊断,针对航空发动机转子振动信号的非线性、非平稳的特性,首先,应用傅里叶分解方法(Fourier decomposition method,简称FDM)提取航空发动机转子信号的边际谱重心及最大能量层的谱重心;其次,计算振动信号的精细复合多尺度散布熵;最后,应用双阶自适应小波聚类方法对特征空间实现故障分类与识别。应用航空发动机转子试验器采集的样本验证表明,上述方法提取的特征值准确且波动小,同种故障类型的特征值集中,不同故障类型之间差异大,有利于提高多种故障类型混合的诊断精度。     

基于深度自编码网络的航空发动机故障诊断

为有效解决航空发动机的故障诊断难题,提出了基于深度自编码网络的航空发动机故障诊断方法,对发动机进行故障诊断技术研究.首先,对监测数据进行预处理,根据数据特征构建深度自编码网络的基本结构,采用无标签数据样本集对深度自编码网络进行预先训练,得到网络参数的初始值;其次,利用有标签的数据样本集对该网络进行训练,对网络参数进行微...