基于小波神经网络的航空发动机传感器故障诊断

航空发动机传感器故障诊断系统对于保证航空发动机控制系统可靠性和安全性至关重要,针对传统基于发动机模型的传感器故障诊断中存在建模精度不足导致故障诊断存在误诊和漏诊的问题,提出以小波变换和神经网络为基础,使用正常传感器预测故障传感器值。通过对比传感器输出和神经网络预测值的残差来实现传感器的故障诊断,其中神经网络可以在传感器故障后估计出正常的模拟信号代替故障信号供发动机控制系统使用,实现航空发动机控制系统的容错控制;使用改进粒子群优化算法优化BP神经网络的阈值和权值,以提高神经网络诊断和预测信号精度。仿真结果表明:该方法可以有效完成故障诊断,减少漏诊和误诊的发生。     

基于GWO-CMFH和改进ResNet轴承故障诊断

针对不同程度的小分类轴承故障，现有故障诊断方法准确率不高的问题，提出基于GWO-CMFH和改进ResNet的滚动轴承故障诊断方法。对于同一类型不同程度故障，提出基于GWO自适应优化结构元素参数的CMFH滤波方法，增强振动信号的脉冲故障特征并抑制背景噪声；采用连续小波变换将滤波后的信号转换成二维时频图谱；最后，提出基于混合注意力机制改进的残差网络模型，提高轴承故障诊断精度。在西储大学、东南大学及所选轴承数据集上进行验证实验，不同故障程度的小分类诊断准确率分别达到99.73%、98.12%和99.07%,表明所提方法具有很好的抗噪性、鲁棒性，可提高滚动轴承不同故障程度的诊断效果。     

涡轴发动机转子碰摩故障振动信号分析

涡轴发动机的工况决定它容易在转子过渡态因瞬间失衡而出现碰摩现象。碰摩故障会引起部分统计特征参数发生突变现象。基于三叉树检测算法,提出转子局部碰摩故障监测方法。基于某涡轴发动机转子振动倍频幅值包络线、试车转速曲线,分别仿真涡轮机匣测点发生局部碰摩故障与正常工作状态下的振动信号。对振动信号进行频谱分析,并提取振动信号的峭度指标、裕度指标、总量,以对转子碰摩故障进行甄别。结果表明：转子基频容易凸显故障特征;基于统计特征的碰摩监测方法能够较好地识别出转子碰摩故障。     

航空发动机高压压气机叶片损伤检查

压气机叶片是航空发动机中的重要零件,在高温、高压、振动以及巨大的离心力等恶劣的工作环境下,易产生腐蚀、疲劳裂纹甚至断裂等故障。如果不能及时发现这些损伤,会造成发动机空中停车,危及飞行安全。介绍了超声波检查HPC 4级叶片榫头的方法,是一种能有效杜绝安全隐患的方法。     

燃油流量调节器流量不稳故障分析与改进

燃油流量调节器是航空发动机主燃油系统的核心部件,为发动机提供动力。本研究提到的燃油流量调节器是通过感受发动机转速、油门杆角度、高压压气机进、出口压力、高压压气机出口温度、涡轮后燃气温度等输入信号调节产品内部可变计量柱塞套筒组件和加速控制器套筒组件的型孔开度,调整高压泵随动活塞两端压力差,从而调整高压泵斜盘角度,最终改变燃油流量。燃油流量调节器在试车过程中经串装发动机后仍存在流量不稳故障,通过分析计算燃油流量调节器的可变计量柱塞套筒组件、P3P压力变化、飞重、温度补偿机构、转速控制套筒计量刃边等对流量变化的影响,并通过产品试验及与发动机配试,确认了燃油流量调节器流量不稳性能故障的原因。通过细化可变计量柱塞工艺方法提高表面光洁度、调整飞重装配侧隙提高抗污染能力、控制温度补偿机构及转速控制套筒部分零组件的形位公差提高运动灵活性以及明确燃油流量调节器再调活门的清洗周期等措施,可提高燃油流量调节器流量稳定性。     

基于粒子群的共振解调滚动轴承故障诊断研究

针对共振解调方法需要事先获得带通滤波器参数的不足,提出了一种基于粒子群的自适应共振解调方法。该方法采用改进粒子群算法,以峭度和故障脉冲能量因子为优化指标,对带通滤波器的中心频率和带宽进行自适应寻优,并采用最优带通滤波器对信号进行滤波分析,提取出信号中的故障特征频率,完成故障诊断。数字信号仿真实验和故障轴承诊断试验结果表明,该方法能够在强背景噪声下有效提取出信号中故障冲击频率,完成故障诊断。     

电液伺服系统泄漏故障识别及分类方法研究

电液伺服系统的泄漏故障具有普遍性、缓变性和多样性,此类故障的诊断意义十分重大,但诊断过程极为困难。针对泄漏故障的识别与分类问题,提出一种基于鲁棒残差的支持向量机诊断方法。在考虑系统未知输入的前提下,设计系统的线性鲁棒观测器,计算系统的鲁棒残差,发现残差可以有效识别泄漏故障,但却不能正确区分泄漏形式。由于位移、压力也含有丰富的故障信息,于是提取残差、位移、压力的波形指标和压力的峭度指标,作为支持向量机的输入,用于系统的泄漏故障分类。分类结果表明:该方法不仅可以确定系统是否发生了泄漏,而且可以判定系统发生了哪种泄漏。     

Leakage Faults Detection and Isolation for Electro-hvdraulic Servo Svstem

电液伺服系统的泄漏故障具有普遍性、缓变性和多样性,此类故障的诊断意义十分重大,但诊断过程极为困难.针对泄漏故障的识别与分类问题,提出一种基于鲁棒残差的支持向量机诊断方法.在考虑系统未知输入的前提下,设计系统的线性鲁棒观测器,计算系统的鲁棒残差,发现残差可以有效识别泄漏故障,但却不能正确区分泄漏形式.由于位移、压力也含有丰富的故障信息,于是提取残差、位移、压力的波形指标和压力的峭度指标,作为支持向量机的输入,用于系统的泄漏故障分类.分类结果表明:该方法不仅可以确定系统是否发生了泄漏,而且可以判定系统发生了哪种泄漏.     

基于卷积残差共享权值LSTM的旋转机械故障诊断

为有效提取振动信号中隐含的故障特征，以准确判别机械故障类型，提出一种基于卷积残差权值共享长短时记忆神经网络(Conv-Res-SWLSTM)的故障诊断模型。利用卷积网络来捕获振动信号的局部空间特征；通过融合门结构构建共享权值长短时记忆神经网络(SWLSTM),减少网络需要优化的参数及训练时间，进而更高效地发掘上层网络输出信号中隐含的时间特征。同时，引入缩放指数线性单元函数以提升网络自归一化性能，并嵌入残差模块以增强网络对故障特征的感知及提取能力。最后，基于机械故障实测数据集开展对比实验，结果表明所提模型在4种转速下的平均诊断精度达到99.30%,相对于其他模型具有更优的诊断精度和稳定性。     

某型航空发动机压气机四级转子叶片振动特性分析

某型航空发动机压气机四级转子叶片是故障多发叶片.对该型发动机压气机四级转子叶片进行振动特性试验和分析,结果表明,四级转子叶片失效是由于发动机在转速为3700r/min时叶片产生共振导致疲劳失效.对排故措施进行了初步研究,指出通过采用LD7-1铝合金替换LY2铝合金来改变叶片固有频率的实际意义不大.     

基于SSA-VMD和SVM的滚珠丝杠副故障诊断

针对滚珠丝杠副故障特征提取困难的问题,提出一种基于麻雀搜索算法优化变分模态分解算法（SSA-VMD）结合支持向量机（SVM）的滚珠丝杠副故障诊断方法。以最小包络熵作为SSA的适应度函数,对VMD参数进行自主寻优;运用IMF能量值对分解信号进行筛选重构,去除噪声和无关成分的干扰;最后提取重构信号的8类时域特征参数和5类频域特征参数作为特征向量集,导入SVM进行故障识别模型的训练。通过搭建滚珠丝杠副故障诊断实验平台采集振动信号,分别采用SSA-VMD、VMD、EMD方法进行信号分解提取故障特征。实验结果表明:与VMD和EMD相比,SSA-VMD能针对不同的信号自主选择最优的VMD参数进行信号分解,能准确识别滚珠丝杠副故障类型,证明了基于SSA-VMD的滚珠丝杠副故障诊断的可行性和准确性。     

基于VMD与IFWA-SVM的滚动轴承故障诊断研究北大核心

为有效提取非平稳性、复杂性的滚动轴承振动信号特征,提出一种基于变分模态分解、改进烟花算法(IFWA)优化支持向量机(SVM)的滚动轴承故障诊断方法。利用VMD对原始信号进行分解,计算得到各IMF的样本熵,将原始信号的时域特征与其结合组成特征矩阵。为提高故障诊断效率,采用IFWA优化SVM,建立IFWA-SVM模型。使用训练集特征矩阵训练诊断模型,实现滚动轴承的故障诊断。利用实测信号验证该方法,并与粒子群算法优化进行比较。结果表明:利用该方法进行诊断,正确率提高了3.33%、训练时间缩短了21.55 s,验证了该方法的可行性。     

基于声音信号的微型电机故障诊断方法研究

由于微型电机体积小,其振动信号无法用常规的加速度传感器进行采集,且对微型电机的故障诊断不需要诊断出其具体故障类型,只需要判断故障是否存在,因此,微型电机故障检测初期通常采用噪声检测的方式。采用这种检测方式,提出一种基于声音信号的微型电机故障诊断方法。针对声音信号信噪比大、易受环境影响的特点,运用最大相关峭度解卷积-小波阈值降噪的方法,对声音信号中的周期性冲击成分进行增强并滤除环境噪声。采用希尔伯特变换得到信号的包络线和包络谱。根据包络线的形状和包络谱峰值对应的频率进行判断,实现了对微型电机故障的诊断     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

双树复小波算法在滚动轴承故障信号特征提取中的应用

现有滚动轴承故障特征提取算法的性能会随着故障集规模扩大而出现衰减。针对故障信号间存在的干扰和模态混叠等问题,提出一种基于双树复小波的特征提取算法。双树复小波结构包含两个独立的滤波器组,在含噪混合信号的分解和重构中形成互补关系,提升信号采样的平稳性;优化双树复小波滤波器组的结构,降低故障信号平移敏感性,利用门限阈值处理高频小波系数,达到降噪的目的,并基于时间序列样本熵提取子带信号的能量特征。实验结果显示：提出的算法能够准确提取滚动轴承各部分的故障特征信息,算法的在线故障识别率达到99.56%。     

基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法

提出一种基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法。通过对完整齿轮、裂齿齿轮和缺齿齿轮3种齿轮工作状态的声信号进行小波分析并建立特征数据库,构建深度自编码网络与模糊推理系统相结合的诊断系统,实现了齿轮故障诊断与辨识。实验结果表明:这种基于声信号的故障诊断方法能够有效检测矿用齿轮箱的运行状况;与传统神经网络诊断方法以及奇异值分解诊断方法相比,该诊断方法对故障状态的辨识准确度分别提高了3.8%和8%。与传统基于振动信号的故障诊断方法相比,基于声信号的诊断方法对故障状态的辨识准确度无明显差别。表明深度自编码网络模糊推理系统同样适用于基于振动信号的矿用齿轮箱的故障特征提取与分析。     

基于CEEMDAN和RCMDE的往复压缩机轴承故障诊断方法

针对往复压缩机振动加速度信号的非线性、非平稳等特性,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和精细复合多尺度散布熵(RCMDE)的往复压缩机轴承故障特征提取方法。采用CEEMDAN方法对信号进行分解时,通过不同的参数组合,可得到不同的IMF分量;计算不同参数条件下重构后的信号的峭度值,选用峭度值最大的一组参数重新对信号进行CEEMDAN分解,并进行信号重构。对重构后的信号进行RCMDE分析,提取故障特征向量,并利用支持向量机(SVM)进行分类识别。将优选参数的CEEMDAN分解方法和原CEEMDAN分解方法进行对比,结果表明:优选参数的CEEMDAN分解方法能更好地提取往复压缩机周期冲击性信号,有利于提高故障诊断的精确度。     

基于深度LSTM残差网络的旋转机械故障诊断研究

伴随制造加工业对可靠度与精准度的需求不断提升,及时而有效地获取旋转机械的故障信息能够保证设备的正常运行。采用深度LSTM残差网络完成旋转机械的故障诊断,主要包含3个模块：初始数据处理层、SP-LSTM残差网络信号诊断层与GAP-ELM网络下的故障分类层。该方法能够完成初始数据的深层特征发掘,利用LSTM元中的记忆与遗忘门获取故障数据的细微变化。所采用的GAP-ELM网络可规避传统Softmax方法分类准确度不高的问题,从而有效完成故障诊断。通过CWRU集完成该方法与文献方法的实验对比,结果表明该方法的鲁棒性较好,诊断正常信号、滚动体与内外圈的故障信号准确率均优于文献方法,此外,所提方法可在较少的epoch中实现稳定,并随着epoch的增加,损失值会逐渐减小。