737NG飞机APU常见故障总结

随着航空事业的飞速发展,当前国内737NG飞机都配有辅助动力装置（APU）来增加飞机的安全性和舒适度,但是随着运用的越来越频繁,APU的故障率也随之增多,维修的成本也越来越高,这就需要对辅助动力装置的故障判断要精确,来减少维修成本。     

基于EKF-SSM的齿轮箱剩余寿命预测

齿轮箱的剩余寿命预测为维修人员做出维修更新决策提供重要信息。为解决在缺少历史数据和非线性非平稳运行状态下的齿轮箱剩余寿命预测难题,提出一种基于数据驱动的齿轮箱的剩余寿命方法。该方法首先根据齿轮箱振动信号特征值,通过状态空间模型(State Space Model,SSM)建立齿轮箱退化状态与特征值之间的关系,来描述齿轮箱的非线性动态变化。其次,当获取到新的信号时,通过扩展卡尔曼滤波(Extend Kalman Filter,EKF)估计准确的模型状态,EM算法(Experience Maximization,EM)估计状态空间模型的参数,根据更新的状态和模型递推预测未来特征值到达故障阈值的时间,从而估计出齿轮箱的剩余寿命。最后,运用齿轮箱全寿命试验数据对预测模型进行检验,实验结果表明该方法能利用实时监测的状态数据准确的预测齿轮箱的剩余寿命,具有较强的工程使用价值和通用性。     

飞机钣金零件多态模型状态划分方法

对飞机钣金零件多态模型作进一步研究,分析了飞机钣金零件的制造状态衍化特性和典型状态,讨论了状态划分的原则和依据,建立了基于典型状态的划分方法和基于XML的状态方案表达方法,提出了状态划分的评价流程和基于成熟度的优化方法。实现了面向制造过程的飞机钣金框肋类零件状态划分,为钣金零件多态模型数字化定义提供了依据和信息组织框架。     

基于无迹卡尔曼滤波的直升机主减速器剩余安全寿命预测

剩余寿命预测为管理者制定预防性维修策略以保证设备不发生非正常停机提供重要信息。针对设备状态呈现非线性变化以及工程实际中的实时性寿命预测要求,提出一种基于无迹卡尔曼滤波的在线剩余寿命预测方法。该方法首先建立状态空间模型描述设备的退化过程,然后利用监测信号使用无迹卡尔曼滤波估计模型的状态,并通过期望最大化算法估计模型的参数,进而利用当前时刻模型的状态和模型的参数递推求解设备的剩余寿命,最后将该方法应用于直升机主减速器的剩余安全寿命预测。结果表明:该方法能够较准确的在线预测出直升机主减速器的寿命。     

动态状态空间模型及粒子滤波方法在滚动轴承寿命预测中的应用研究

针对滚动轴承物理模型难以准确建立,全寿命失效样本难以获取的问题,提出一种基于动态状态空间模型的滚动轴承寿命预测方法。该方法通过改进公式,构建模型参数定时更新的动态状态空间模型。将已知的滚动轴承运行状态数据输入动态状态空间模型,应用粒子滤波算法估计滚动轴承运行状态,实现滚动轴承寿命预测。运用滚动轴承全寿命实验数据对所提出方法进行验证,并将预测结果与Gamma模型预测结果对比分析,结果表明该方法优于Gamma模型预测方法,具有较强的工程实用性。     

基于残差自注意力机制的航空发动机RUL预测

针对传统神经网络在多维数据高分辨率特征识别和高精度信号提取方面的缺陷,开展基于残差自注意力机制的剩余使用寿命(RUL)预测算法研究。比较分析卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的结构特性,揭示二者在长序列信息特征关联能力和局部特征提取能力上的局限性。研究自注意力机制,引入双层残差网络抑制误差函数反向传播中扩散性,进而构建了一种卷积记忆残差自注意力机制的深度学习方法。基于上述方法对典型航空涡扇发动机退化实验数据集进行仿真分析,结果表明:所述方法能够有效建立监测数据与发动机健康状态之间的关系,关键评价指标——剩余使用寿命预测的均方误差为225,相比传统自注意力机制均方误差降低了17.9%,验证了所述方法的可行性和有效性。     

基于状态空间模型的精密机床装配精度预测与调整工艺

在精密机械装配过程中,整机装配精度保障不能仅通过零件公差设计,还必须通过测量与调整等装配工艺共同实现,因此需要建立装配过程偏差传递预测与控制的数学模型,定量描述装配调整工艺对最终整机精度的影响。运用微分运动矢量作为各装配工序误差状态的统一表达方式,构建了零件公差模型、几何特征测量结果与装配过程偏差源数学表达的对应关系,提出了描述精密机床装配过程中关键几何特征变动、特征测量、调整的偏差传递状态空间模型。基于该模型,根据当前装配工序偏差与装配调整工艺对整机精度的影响规律预测,确定本道工序装配调整策略,从而保障整机装配精度。最后以精密卧式加工中心为对象进行计算分析,验证了该建模方法的有效性。     

基于检测状态模型的飞机结构件在线检测路径规划

针对飞机结构件在线检测路径规划中零件工艺模型伴随加工过程动态变化、检测工艺复杂的难点,提出了基于检测状态模型的飞机结构件在线检测路径规划方法。检测状态模型以特征为载体,以干涉特征和虚路径表达干涉规避、路径优化等知识和经验,并随着加工过程动态扩充。基于检测状态模型,按照检测操作级、检测特征级、特征自身级三级实现了在线检测路径规划。根据以上研究,基于CATIA V5开发的在线检测数据自动生成系统已在某大型航空企业中得到成功应用。     

基于五维状态空间的产品建模方法研究

从动态可扩展的角度提出了一种基于五维状态空间（生命周期维、结构层次维、属性类型维、版本状态维和协同控制维）的产品建模方法，分析了状态空间的深度与广度。该方法具有较强的适应性和扩展性，能够适应具有边界不确定性、动态性等特征的现代复杂产品信息的表达。     

基于劣化机理的轴承剩余使用寿命预测

滚动轴承作为工业设备的关键部件之一,一旦发生故障容易造成严重损失。因此提出了一种基于Paris公式相关轴承劣化理论和扩展卡尔曼滤波结合的剩余使用寿命预测方法,通过选用10个特征参数构成备选特征集,基于单调性、鲁棒性、相关性进行特征评估,结合等距特征映射法对敏感特征集进行特征融合,得到单个敏感特征值进行剩余寿命预测,最后针对试验获取的振动信号分别用基于劣化机理的模型和指数模型进行对比,验证了其有效性。     

基于DD-HSMM的设备运行状态识别与故障预测方法

针对设备运行状态识别与故障预测问题,提出一种基于时变转移概率的隐半Markov模型。该模型将设备历史运行信息融人Markov状态转移概率矩阵的估计过程中,使Markov状态转移概率矩阵具有时变特性。基于改进前向后向算法研究了相应的隐半Markov模型参数估计方法,使其能够不断综合利用历史运行信息进行自我更新,以更加符合设备真实运行的过程。同时以该模型为基础,利用故障率方法建立了对设备剩余使用寿命进行预测的基本步骤。通过某滚动轴承运行状态识别实例演示了该模型的建模过程,证明了基于该模型的设备状态识别与预测方法比传统隐半Markov模型方法更为有效。     

基于UKF的轴承剩余寿命预测方法研究

针对轴承从早期故障发生到失效的非线性退化问题,提出一种基于无迹卡尔曼滤波算法(UKF)的轴承剩余寿命预测方法。该方法包括轴承性能评估和剩余寿命预测两个部分。在性能评估部分,首先利用轴承振动信号建立反映其健康状态的指数,基于对正常工作时指数的学习获得用于判断轴承健康状态的异常阈值并截取出轴承从早期故障发生到失效这一性能退化阶段的数据;在剩余寿命预测部分,利用双指数函数拟合分析轴承退化数据,构建出与轴承退化过程相符的非线性状态空间模型,模型参数利用Dempster-Shafer方法进行初始化后采用UKF算法对其进行更新,并预测轴承的剩余寿命。基于轴承全寿命周期试验数据的分析,结果显示所提方法有效地评估了轴承的健康状况,通过对比分析其他剩余寿命预测方法,发现所提方法较好地预测了轴承的剩余寿命。     

一种基于状态空间离散化的粒子滤波器

粒子滤波是一种基于蒙特卡罗仿真的最优回归贝叶斯滤波算法。这种方法不受线性化误差和高斯噪声假定的限制,适用于任何状态转换或测量模型,因此能够很好地解决非线性、非高斯环境下系统的状态估计问题。在它的设计中最重要的一步就是建议分布的选取。传统的算法需要在整个状态空间中进行计算,这浪费了大量的计算时间。该文提出一种新的建议分布的构造方法,它基于状态空间离散化的思想来构造建议分布。仿真结果表明,相对传统的算法这种粒子滤波器能用更少的粒子产生更准确的估计值。     

基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法

锂电池剩余寿命(RUL)预测对于锂电池安全使用至关重要.由于锂电池使用过程中存在容量再生现象和随机干扰等因素,导致单一尺度信号下单一模型的预测精度及泛化性能较差.针对上述问题,提出一种新的基于变分模态分解(VMD)与集成深度模型的锂电池剩余寿命预测方法.首先,采用变分模态分解将锂电池容量数据进行多尺度分解,得到信号的全...     

基于Wiener过程的万能式断路器附件剩余寿命预测*

万能式断路器作为一个复杂的机械系统,其操作附件的剩余寿命预测对于维护断路器的可靠性至关重要。为准确掌握操作附件剩余寿命情况,提出了一种基于Wiener过程的万能式断路器操作附件剩余机械寿命预测方法。首先,通过对操作附件动作过程中线圈电流波形的分析选取了动作时间作为性能退化特征量;其次,考虑到断路器操作附件性能退化过程具有线性非单调的特点,采用Wiener过程建立了操作附件的性能退化模型,并利用极大似然估计法对退化模型参数进行估计;然后,基于首达时间的概念建立了剩余寿命预测模型,推导出剩余寿命概率密度函数解析式。最后对安装于万能式断路器上的分励脱扣器和释能电磁铁两种操作附件进行全寿命试验及其剩余寿命预测,预测结果验证了所提方法的有效性。     

基于VAE-D2GAN的涡扇发动机剩余使用寿命预测

为了提高涡扇发动机剩余使用寿命的预测精度,提出一种将变分自编码器(VAE)和双判别器对抗式生成网络(D2GAN)相结合的预训练特征提取模型。在该模型中,VAE作为D2GAN的生成器参与模型训练,形成双重嵌套生成结构,以提高中间特征的提取质量;利用长短时记忆网络进一步挖掘所提取特征的时序退化信息,预测发动机剩余使用寿命。为了验证所提模型的高效性,将模型在通用数据集上进行测试,并与当前最先进的研究比较,结果显示所提模型具有更优秀的预测表现,极大提高了发动机系统的安全性。     

基于模糊卡尔曼滤波器的锂电池荷电状态与健康状态预测

针对当前锂电池荷电状态(State of charge, SOC)与健康状态(State of health, SOH)预测精度较低的问题,提出了一种基于模糊卡尔曼滤波器的预测方法。采用非线性二阶电阻电容模型表示锂电池,并通过最小二乘误差优化算法对模型参数进行估计,从而更准确地确定蓄电池容量作为SOH值的基础。扩展卡尔曼滤波器(Extended Kalman filter, EKF)可在初始SOC值未知的情况下对其进行准确预测,而模糊逻辑有助于消除测量和过程噪声。仿真结果表明,在城市测功机驱动计划期间(Urban dynamometer drving schedule, UDDS)测试中最大的SOC估算误差是0.66%;通过离线更新卡尔曼滤波器,可对电池容量进行估计,结果表明,最大估计误差为1.55%,从而有效提高了SOC值的预测精度。     

A prognosis method using age-dependent hidden semi-Markov model for equipment health prediction

Health monitoring and prognostics of equipment is a basic requirement for condition-based maintenance (CBM) in many application domains. This paper presents an age-dependent hidden semi-Markov model (HSMM) based prognosis method to predict equipment health. By using hazard function (h.f.), CBM is based on a failure rate which is a function of both the equipment age and the equipment conditions. The state values of the equipment condition considered in CBM, however, are limited to those stochastically increasing over time and those having non-decreasing effect on the hazard rate. The previous HSMM based prognosis algorithm assumed that the transition probabilities are only state-dependent, which means that the probability of making transition to a less healthy state does not increase with the age. In the proposed method, in order to characterize the deterioration of equipment, three types of aging factors that discount the probabilities of staying at current state while increasing the probabilities of transitions to less healthy states are integrated into the HSMM. With an iteration algorithm, the original transition matrix obtained from the HSMM can be renewed with aging factors. To predict the remaining useful life (RUL) of the equipment, hazard rate is introduced to combine with the health-state transition matrix. With the classification information obtained from the HSMM, which provides the current health state of the equipment, the new RUL computation algorithm could be applied for the equipment prognostics. The performances of the HSMMs with aging factors are compared by using historical data colleted from hydraulic pumps through a case study.     

基于卷积变分自编码和多头自注意力机制的断路器剩余机械寿命预测

针对万能式断路器退化过程的不确定性,考虑到振动信号对机械性能退化的完善表征,提出了一种基于卷积变分自编 码(CVAE)和多头自注意力机制(MSA)的断路器分闸机械机构寿命预测方法。 首先依据断路器不同的事件区间提取参数特 征,再通过 CVAE 挖掘信号成分中的深度特征,将参数特征与深度特征融合得到完备退化特征,最后建立 GRU-MSA 的定量寿 命预测模型,引入了多头自注意力机制,在多个不同表征子空间中捕捉信号的不同依赖关系,对重要的时间步赋予更大的权重。 最后利用 3 台试品的振动信号测量数据对所提断路器分闸机械机构寿命预测方法进行测试,结果表明,所提出的方法在 3 个数 据集中寿命预测均方根误差(RMSE)分别为 141. 46、128. 75 和 134. 16,平均绝对误差(MAE)分别为 112. 17、101. 52 和 106. 22, 预测精度高且稳定性好,相对于其他混合预测模型更具优势。