基于免疫Agent的液体火箭发动机故障诊断

为解决液体火箭发动机系统非线性导致的故障诊断困难问题,将免疫Agent(IA)技术应用于液体火箭发动机的故障诊断研究.结合可变半径人工识别球(ARB)方法,在学习人类举一反三的机制,采用最大识别概率原则的基础上,构建了免疫Agent实体,并进行了仿真实验.实验结果表明:该方法训练时间短、正确率高、有较强的抗噪能力和自学习能力,可以应用于液体火箭发动机的状态监测与故障诊断.     

克隆选择原理在LRE启动过程仿真中的应用

针对液体火箭发动机(LRE)启动过程中推力变化大、仿真精度低的问题,用部分试车数据建立仿真模型,分析建模数据的变化特征,构造出非线性搜索函数;并用未建模的试车数据对模型进行验证.结果表明:克隆选择原理建模方法仿真精度高,不需要训练;与BP算法相比,总误差更小,而且对于启动过程中推力变化较大的采样点,仿真精度也有较大的提高.     

涡流热成像裂纹检测中的形状大小影响分析

涡流热成像无损检测技术可以对金属表面裂纹进行快速、准确的检测,但是不同的线圈、试件以及裂纹大小对检测效果影响很大。通过建立感应加热二维模型,选取裂纹处与非缺陷处温差作为特征量,对不同组成部分形状大小对涡流热成像检测的影响规律进行了数值模拟;对比分析了不同裂纹深度下温差随体积深度比的变化规律,采用数据拟合方法研究了相似裂纹检测规律,并提取出试件形状以及线圈形状对检测效果的影响曲线;最后进行了涡流热成像试验验证。结果表明:当裂纹深度较大时,体积深度比影响规律可分为上升阶段、平稳阶段和下降阶段;相似裂纹间温差变化符合二次变化规律;涡流热成像技术可有效检测超大或超厚试件表面裂纹;减小线圈提离、曲率和线径的大小有助于增强检测效果。实际检测过程中,可据此针对不同被检试件采用不同线圈,提高检测能力。     

基于涡流热成像的铁磁材料近表面微裂纹检测

采用涡流热成像技术,对铁磁材料近表面微裂纹进行了检测研究。提出了平行激励热传导方式检测近表面微裂纹的检测方法;数值计算模拟了涡流激励下裂纹处的生热过程,分析了裂纹处的温度分布及其对检测结果的影响;采用平行激励方式对含近表面微裂纹的铁磁材料进行了检测实验,通过提取试件表面温度分布数据,获取其变化速率曲线,实现了对裂纹的检测和识别。结果表明:涡流热成像平行激励方式能够准确地检测到铁磁材料近表面的微裂纹缺陷;选择适当的涡流激励时间有助于提高裂纹处与非裂纹处温度对比,增强检测效果。该方法的研究为近表面微裂纹的检测和定量识别奠定了基础。     

改进的计算阶比跟踪及其应用

针对传统计算阶比跟踪在匀速以及转速变化较小时存在计算奇异的问题,提出了基于三次样条插值的改进计算阶比跟踪。该方法根据累积转角与时间呈单增函数关系,将时间表示为累积转角的函数后,采用三次样条插值方法进行求解,可实现任意工况下等角度重样时间的估计。由仿真信号和实验信号验证了该方法在不同转频变化时的有效性。结果表明:改进方法解决了传统计算阶比跟踪在匀速以及转速变化较小时存在的计算奇异问题,拓展了计算阶比跟踪的应用范围,具有较高的工程应用价值。     

基于虚拟仪器的超声红外热图处理

为实现红外热图的自动快速处理和缺陷定量识别 ,以及提高超声红外热波技术对缺陷检测的效率,在深入研究超 声红外热波检测机理的基础上,针对红外热图中存在低对比度、高噪声和高背景等问题 ,本文基于集成化思想构 建了一套基于虚拟仪器的红外热图处理系统。实验结果表明,构建的该系统可以有效地实 现热图的采集、保存及显 示、热图增强和边缘检测,降低热图颗粒噪声,锁定损伤边缘轮廓,从而获得清晰的损伤热 图,可为损伤的定量评估奠定基础。     

线性峭度图及其在滚动轴承故障诊断中的应用

作为表征信号冲击特征的常用指标,峭度容易受到少量大幅值异常数据或随机冲击的干扰,非常不利于滚动轴承、齿轮等旋转机械故障特征的提取。为更有效地表征信号的循环冲击特征,将线性峭度概念引入到滚动轴承故障特征表征中。同时,结合经验小波变换提出线性峭度图方法。该方法通过构造具有紧支撑的经验小波函数,将信号进行正交分解;随后,计算不同分解方案下子信号的线性峭度构建线性峭度图;最终,选择线性峭度最大的子信号进行平方包络分析实现故障特征的提取与增强。通过滚动轴承内外圈剥落故障的仿真与试验分析表明:线性峭度比峭度更适合表征信号的循环冲击特征。与基于传统峭度图方法和子频带谱峭度平均的峭度图方法相比,提出的线性峭度图方法在信号的分解与表征两方面都进行了改进,具有更强的循环冲击特征提取能力,具有更高的工程应用价值。但线性峭度图方法在滤波器组构建上效率相对较低,还有很大的提升空间。     

滚动轴承复合故障特征分离的小波-频谱自相关方法

为解决从单通道振动信号中实现复合故障特征分离的问题,提出基于小波框架理论的小波-频谱自相关方法.该方法采用正交小波基函数将复合故障信号分解为多个不同尺度的子信号后,对各子信号分别进行频谱自相关分析.研究表明:频谱自相关方法能够去掉时域自相关方法产生的拖尾现象,能量集中性更高、抗噪能力更强,能够突出复合故障信号中能量较大的冲击故障特征.对6220轴承内、外圈复合故障试验信号分析的结果表明:小波-频谱自相关方法将复合故障特征分解到不同通道后,有效地抑制各子信号中能量较弱的故障特征,实现了内、外圈复合故障特征分离.在相同的小波分解条件下,小波-频谱自相关方法比小波-包络谱的特征分离效果更好,具有较高的工程应用价值.     

滚动轴承故障特征提取的频谱自相关方法

冲击调制是滚动轴承发生局部故障的重要特征,在频谱上表现为调制边频且能量主要集中在高频共振区非常不利于诊断。根据冲击序列在时域与频域具有相似冲击形式的特点,将时域的自相关概念引入频域,对滚动轴承内、外圈局部故障响应信号的频谱进行自相关分析。该方法将位于高频共振区的调制边频特征有效地转移到低频区,形成以故障特征频率为基频的谐频特征;对于内圈故障信号频谱自相关结果保持了载荷调制的边频。对6220型滚动轴承外圈和内圈点蚀故障信号的分析结果表明:频谱自相关分析在不设计带通滤波器选择共振频段时,分析过程更简洁,对内圈故障特征的提取比包络分析、倒谱分析及时域的自相关方法效果更好、抗噪能力更强、可信度更高,具有较高的工程应用价值。     

基于IEWT和MCKD的滚动轴承故障诊断方法

针对经验小波变换（Empirical wavelet transform,EWT）对强噪声环境中滚动轴承微弱故障诊断的不足,主要是傅里叶频谱分段不当的问题。提出一种基于最大相关峭度解卷积（Maximum correlated kurtosis deconvolution,MCKD）降噪与改进EWT相结合的滚动轴承早期故障识别方法。首先采用最大相关峭度解卷积算法以包络谱的相关峭度最大化为目标对原信号进行降噪处理、检测信号中的周期性冲击成分,然后根据信号Fourier频谱的包络极大值进行分段,通过分析各频段平方包络谱中明显的频率成分来诊断故障。新方法能有效降噪、增强信号中周期性冲击特征、降低单次偶然冲击的影响、抑制非冲击成分。通过对含外圈、内圈故障的滚动轴承进行试验分析,结果表明,相比于快速谱峭度图和小波包络分析方法,该方法提取出的特征更加明显,能有效实现滚动轴承早期微弱故障的识别。