核函数主元分析及其在故障特征提取中的应用

提出了基于核函数主元分析的故障特征提取方法。该方法利用计算原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析，得到原始特征的非线性主元．以所选的非线性主元作为特征子空间，并应用转子试验台的故障数据对该方法进行了检验。结果表明，核函数主元分析更适于提取故障信号的非线性特征，它提取的故障特征对故障具有更好的识别能力，并对分类器具有较强的鲁棒性。     

低转速航空发动机滚动轴承故障深度异常检测方法

针对航空发动机滚动轴承在低转速状态下故障难检测的问题,提出了一种基于Transformer框架的深度支持向量描述方法用于检测低转速滚动轴承的故障。首先,构建了基于Transformer模型的振动特征提取主干网络。然后,将所提取的特征输入一个三层自编码器结构,用于计算网络模型的损失函数。为减少网络计算量,提高训练速度,在预处理中将滚动轴承的振动加速度时域信号通过快速傅里叶变换(FFT)得到的频谱结果作为网络的输入,且仅依靠正常数据完成模型的训练。最后,在带机匣的航空发动机转子试验器和某型真实的航空发动机上分别进行了试验验证。结果表明,所提方法能够准确的实现对低转速滚动轴承故障的检测,且检测精度分别为93%和100%,充分表明该方法具有很好的异常检测能力及应用价值。     

JPEG2000中的感兴趣区域(ROI)编码技术

系统介绍JPEG2 0 0 0感兴趣区域编码技术的基本原理和核心算法 ,阐述ROI掩模的概念及计算 ,并实现对含有感兴趣区域图像的重建 ,最后对其中使用的最大移位法和基于比例移位法进行说明和比较     

支持向量机在分类中的应用

通过引入结构风险最小化原则和最优分类面的概念,介绍了支持向量机及其用于非线性分类的基本原理和训练算法,并选用不同的核函数及参数对一组线性不可分的两类样本进行了划分识别,得到了较好的效果,并对结果进行了分析说明,展望了支持向量机的发展趋势。     

一种基于数据重构的KPCA故障识别方法

针对核主元分析(KPCA)方法只能实现故障检测,但无法实现故障变量识别的问题,提出一种基于数据重构的KPCA故障变量识别方法。采用改进的数据重构方法对各参数进行重构,然后利用故障识别指数对监控参数进行故障变量识别。通过对某型涡扇发动机进行实验的结果表明,该方法能够准确识别故障变量,从而有助于维护人员分析故障原因,初步确定可能的故障源,大大缩短故障定位及排故的时间,可预防重大事故的发生。     

基于残差网络的航空发动机滚动轴承故障多任务诊断方法

针对当前基于深度学习的航空发动机滚动轴承故障诊断技术诊断任务单一的问题,提出一种基于多任务残差网络的滚动轴承故障诊断方法,该方法采用残差网络为深层特征提取与共享主框架,建立能够同时进行故障诊断的多任务模型。首先,在数据预处理中,将滚动轴承的振动加速度时域信号转换为频谱图,并直接作为网络的输入;然后,应用标签平滑技术对故障类别标签做了平滑处理以提高网络的测试精度;最后,利用两组实际的滚动轴承故障数据集对所建立的多任务模型进行试验验证,将诊断任务划分为：故障状态识别(正常和异常)、故障部位识别(内圈、外圈和滚动体故障)、以及故障程度识别(损伤尺寸大小预测)。结果表明,所搭建的多任务模型在故障状态识别和部位诊断中的准确率达到97%以上。同时,在故障识别中,损伤大小预测达到了满意的精度,充分表明该方法具有很强的故障多任务诊断能力。     

滚动轴承接触疲劳裂纹建模与扩展规律研究

针对滚动轴承的疲劳剥落损伤演化问题,采用扩展有限元方法研究疲劳裂纹扩展机理,通过算例验证了扩展有限元方法的可靠性。运用断裂力学理论建立了包含次表面初始裂纹的滚动接触疲劳扩展有限元模型,分析了初始裂纹倾斜角度、所处深度和初始裂纹长度对次表面裂纹生长到表面的扩展路径影响机制,通过分析应力强度因子变化研究了裂纹扩展机理。研究结果表明,次表面疲劳裂纹以滑开型裂纹扩展模式为主;初始裂纹角度对疲劳裂纹扩展路径影响较大,初始裂纹角度在15°～45°时裂纹会转向表面发展而形成疲劳剥落;初始裂纹尺寸和深度对裂纹扩展路径形貌的影响较小,但会影响裂纹扩展的难易程度。     

基于混沌和支持向量机的预测模型分析与应用

应用混沌动力学理论对某型发动机压气机的试车时间序列数据进行处理,计算出最大Lyapunov指数,得到了最大有效预测步数.在此基础上建立支持向量机预测模型,利用支持向量机强大的非线性映射能力,实现时间序列的非线性预测,结果证明该方法具有较高的预测精度.     

核规则化最小体积覆盖椭球认知模型

提出了基于最小体积覆盖椭球(MVEE)的类别认知模型,提出的核规则化自适应最小体积覆盖椭球认知模型可以在机器学习、鲁棒多元统计、奇异值检测、聚类等众多领域得到应用。以奇异值检测标准数据库为例,与一类支持向量机(OCSVM)、线性规划奇异值检测算法(LPND)进行了比较,结果表明,该模型准确度总体要高于一类支持向量机和线性规划奇异值检测算法。     

航空发动机PHM中的数据挖掘机遇与挑战

预测与健康管理(PHM)是未来先进航空发动机确保飞行安全、实现二级视情维修的关键使能技术。数据挖掘是PHM实现发动机健康状态评估、诊断以及剩余寿命预测的核心技术。本文首先从军事需求入手,简要分析了PHM技术的作用和意义,阐述了数据挖掘在PHM技术中发挥的重要作用,简要分析了国内外在航空发动机PHM中数据挖掘的差距。接着,详细分析了在航空发动机PHM技术中的关键数据挖掘问题,指出了数据挖掘问题的难点和技术挑战。最后,提出了集计算机、航空宇航两大学科之力推动发动机PHM技术成熟的建议。