数据采集卡在内燃机性能监测与故障诊断中的应用

针对内燃机在线性能监测和故障诊断的需求，利用PCL-818HD数据采集卡完成了内燃机工况参数数据采集系统的硬件设计，整个系统由便携式工控机、数据采集卡、传感器及其调理电路等部分组成。介绍了基于VB和DLL技术的Windows环境下数据采集程序的编制。该系统能实现对内燃机启动系统、供油系统和振动信号的高速采集，为分析内燃机性能状态并进行故障诊断提供了保证。     

基于声信号小波包分析的故障诊断

为了避免传统的基于振动信号的内燃机主轴承磨损故障诊断中安装传感器以及提取 故障特征频率的麻烦,提出了一种基于内燃机工作声信号小波包图像处理的方法.通过该方法, 可以得到含有内燃机主轴承间隙磨损状态的时频信息，定义出各个标准故障状态的时-频分布 图,建立了基于图像匹配技术的内燃机主轴承磨损故障诊断模型.通过比较待诊断时频分布图 与所有故障模式时频分布图的欧氏距离,可以判断出轴承的间隙磨损状态.结果表明此方法简 单有效、状态信息利用充分．     

基于DSP的内燃机在线故障诊断方法的研究

内燃机的状态检测与故障诊断成为机械设备诊断与状态检测技术研究的热点与难点;文章以内燃机为研究对象,针对内燃机故障现象和原因之间复杂的对应关系,提出了以DSP为核心的内燃机在线故障诊断方法;采用信息神经网络(INN)原理和DSP强大的运算能力对内燃机的气路和油路故障进行在线诊断;在内燃机12150L上模拟故障,取得预期的结果,验证了所提方法的正确性和可行性;这种方法的提出对内燃机等往复动力机械故障诊断具有重要的理论意义和现实应用价值.     

基于DSP的发动机故障诊断研究

介绍了基于Freescale 16位DSP的发动机故障诊断系统的研究与开发,该系统的功能有数据采集与串行通讯、实时监视和故障诊断.主要进行了:以DSP为核心的传感器信号处理电路设计、DsP和PC机串口通信软、硬件开发,基于VB6-0语言的PC机监控系统开发和故障诊断理论研究.通过台架试验,证明了该故障诊断系统的实用性,以及在线实时诊断方法和模糊神经网络自学习方法用于发动机故障诊断的可行性.本发动机故障诊断系统在电控发动机实验研究中已得到成功应用.     

基于WSN和数据融合技术的电力变压器故障诊断系统的研究

探讨一种基于数据融合和可拓理论的电力变压器故障诊断方法,基于此方法,应用无线传感器网络技术和.NET开发平台构建和开发出一套电力变压器故障诊断系统。该系统将WSN技术用于电力变压器油中溶解气体的无线数据采集,实现变压器油中溶解气体的实时数据采集和传送;同时运用信息融合技术对数据进行优化处理,既可以降低网络能耗又保证了数据的准确和客观;在变压器进行故障诊断时,针对现有电力变压器故障诊断的气体比值法存在的编码规则不完整、诊断故障类型单一等缺陷,使用可拓诊断方法,定量与定性相结合,使变压器故障诊断方法更为精细化。在线故障诊断可视化系统可以实现变压器油中溶解气体参数的采集、显示、分析、存储和回放等功能,实现对变压器故障信息的实时分析与自动诊断,既解决了作业人员远程实时监测变压器运行状态问题,又大大提高了变压器故障诊断的性能,为变压器在线监测和故障诊断技术提供新的发展方向。     

基于递归图纹理特征分析的可视化故障诊断方法

针对内燃机振动信号特征提取困难的问题,将内燃机故障诊断问题转化为图像的识别问题,提出一种基于递归图(RP)和改进局部二值模式(ILBP)的内燃机可视化故障诊断方法。将递归图分析方法引入内燃机缸盖振动信号的处理中,用以表征内燃机不同故障状态信号;然后对局部二值模式(LBP)的编码方式进行了改进,利用改进后的ILBP算子提取内燃机递归图的纹理特征,将ILBP编码图谱的灰度直方序列作为特征参数,利用支持向量机(SVM)对故障进行模式识别。在4种不同气门状态的内燃机故障诊断实验中,故障识别精度高。该方法利用递归图代替振动谱图像,突破了传统时频分析方法的思路,递归图的纹理特征具有较强的故障特征描述能力,结合递归图与ILBP的方法可用于准确诊断内燃机气门故障。     

基于RBF神经网络的高分子湿度传感器的研究

针对传感器在自动化系统中的重要性,指出了传感器故障诊断的必要性、可行性以及实现的基本方法。根据神经网络的原理与特点,阐述了基于RBF神经网络的传感器故障诊断的基本理论和优点,提出了一种基于RBF神经网络用于高分子湿度传感器进行故障诊断的方法。     

粗糙集和蚁群神经网络应用于传感器节点故障诊断研究

由于传感器节点常散布于野外恶劣环境中而经常出现各类故障,导致网络瘫痪和严重损失,提出了一种基于粗糙集和蚁群优化神经网络的传感器节点故障诊断新方法;首先进行数据采集和预处理,然后利用粗糙集结果断点法对原始故障诊断样本离散化,使用可辨识矩阵实现属性约简,删除冗余信息,得到具有最小条件属性并能覆盖原始数据特征的学习样本集,最后,使用蚁群优化神经网络结构和各参数,并通过对网络进行训练来实现故障诊断;仿真实验表明,在达到同样的训练误差10-3,文中方法所需要的迭代次数仅为880次,而蚁群神经网络为1500次,证明了文中方法具有较高的诊断精度和效率。     

航空发动机传感器故障诊断设计与验证综合仿真平台

针对航空发动机传感器故障诊断算法无法快速和高效地完成硬件在回路仿真问题;提出了基于虚拟仪器语言与快速原型化技术的航空发动机传感器故障诊断硬件在回路仿真方法,并研制了基于该方法的硬件在回路实时仿真平台;经过实验验证后,该平台不仅为发动机传感器故障诊断方法提供了实时仿真平台,同时为扩展本平台使之成为完全的半物理仿真平台奠定了基础,有一定的工程实用价值。     

时栅位移传感器网络功能模型研究

在时栅位移传感器传统通信模式的基础上,提出了一种基于uIP协议结合嵌入式系统的具有网络化功能的时栅位移传感器模型.针对网络功能模型的在线故障诊断功能,分析了时栅位移传感器的故障来源和检测方法.同时给出了远程初始校验和大数据采集等方面的设计方案,时栅位移传感器的网络化设计方案将全面提升时栅产品的信息化、智能化和网络化功能,同时也将促进时栅位移传感器产业化发展.     

基于LabVIEW的柴油机高速数据采集系统

为了验证船舶动力系统故障诊断系统的数据处理、故障诊断等功能,搭建智能机舱故障诊断试验平台,开展动力系统故障模拟试验,采集瞬时转速、柴油机气缸缸内压力等关键参数。由于瞬时转速与柴油机缸压信号的采集速率不同,为满足各信号采集的高速性和同步性,提出通过LabVIEW建立高速数据采集系统,结合运用光电编码器和磁电式转速传感器,以光电编码器Z相输出信号触发各信号同步开始采集,以光电编码器B相输出信号和磁电式转速传感器输出信号分别触发采集曲轴转角信号,作为各信号对应基准的方法。试验证明,此高速采集系统可实现各信号周期对应,并能够保证数据采集的高速性和同步性,有利于故障诊断服务平台提取和分析故障特征参数。     

基于改进ARMA模型的火箭发动机稳态工况过程实时故障诊断方法研究

针对大推力氢氧补燃循环发动机的主级工况,设计了基于ARMA模型的实时故障诊断算法,并改进了阈值求解方法以及故障判别准则,通过仿真验证,证明了改进算法的高效性及有效性,为建立大推力氢氧补燃循环发动机健康监控系统奠定了基础。首先,建立了大推力氢氧补燃循环发动机的故障模型,得到了典型故障的故障数据;接着,设计了改进的ARMA模型、阈值求解算法和故障判别准则;最后进行仿真分析,结果表明改进算法能够在毫秒的量级诊断出各典型故障,满足了发动机故障诊断系统设计的要求。     

一种云环境下的发动机健康管理系统及其应用

针对航空公司对大量飞机发动机进行健康管理的需求,通过建立发动机健康管理云端数据中心,建立了一种云环境下的民航发动机健康管理系统,该系统对于验证发动机故障诊断方法的有效性具有突出优势,并且对于实现多种方法协同进行发动机故障诊断具有重要价值;提出了一种基于灰色关联分析的灰色故障识别方法,通过在云端平台使用灰色故障识别方法实现JT9D-7R4发动机的典型气路性能故障诊断为例,表明云环境下的发动机健康管理系统可以有效地进行航空发动机故障诊断。     

变速箱故障诊断中的同步数据采集技术研究

根据汽车变速箱性能检测系统的实时性高的需要,提出了一种基于NI公司的DAQmx的多通道数据同步采集方法,实现了在变速运动下转速信号和振动信号的精确等角度同步采集。该方法以转速信号为主控,同以往的以振动信号做主控相比,可以更精确地按指定数据量完成采集任务,减少后期的数据处理工作,提高工作效率。该方法基于NI公司的DAQmx驱动,用VB语言实现,具有更好的兼容性和可扩展性。     

两种优化训练的FNN在船舶柴油机故障诊断中的性能研究

本文针对船舶柴油机故障诊断系统,基于遗传算法（genetic algorithm,GA）和蚁群优化算法（ant colony optimization algorithm,ACOA）构造了2种优化训练的模糊神经网络（fuzzy neural network,FNN）智能故障诊断模式,给出了该模糊神经网络智能故障诊断系统的结构及其参数选取方法,通过对船舶柴油机燃烧子系统的FNN模型结构权值和阈值优化训练的故障诊断仿真研究,对两种方式的性能进行对比研究,仿真测试结果表明,基于ACOA的诊断模型具有更好的故障诊断知识表达准确性和较快的收敛速度等特点,具有较好的应用前景。     

An expert system for fault diagnosis in internal combustion engines using probability neural network

An expert system for fault diagnosis in internal combustion engines using adaptive order tracking technique and artificial neural networks is presented in this paper. The proposed system can be divided into two parts. In the first stage, the engine sound emission signals are recorded and treated as the tracking of frequency-varying bandpass signals. Ordered amplitudes can be calculated with a high-resolution adaptive filter algorithm. The vital features of signals with various fault conditions are obtained and displayed clearly by order figures. Then the sound energy diagram is utilized to normalize the features and reduce computation quantity. In the second stage, the artificial neural network is used to train the signal features and engine fault conditions. In order to verify the effect of the proposed probability neural network (PNN) in fault diagnosis, two conventional neural networks that included the back-propagation (BP) network and radial-basic function (RBF) network are compared with the proposed PNN network. The experimental results indicated that the proposed PNN network achieved the best performance in the present fault diagnosis system.     

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.     

基于知识图谱的航空发动机PHM仿真验证平台设计

针对航空发动机PHM系统功能、性能验证要求高、验证内容多、验证业务复杂等实际问题,分析了国外先进航空发动机PHM系统开发验证情况及经验,提出了一种基于知识图谱技术的PHM仿真验证平台设计方法。该方法利用了知识图谱在具有的半结构化、高效性、直观等特点,实现了发动机PHM验证涉及到的故障模式、故障特征、算法模型及专家知识等大量信息知识的有效组织与管理。在此基础上,进一步面向发动机PHM验证数据量大、计算需求高等需求,采用大数据、数据挖掘、机器学习、云服务等技术,搭建了基于知识图谱的航空发动机PHM仿真验证平台,实现了数据挖掘与信息提取、专家知识获取、多层级融合诊断智能导向型推理等应用。最后,以某型发动机为对象,介绍了发动机PHM仿真验证情况。经实际验证结果分析,该文提出的PHM仿真验证平台能够有效解决航空发动机PHM系统可验证的历史故障样本少、验证功能单一等问题。