基于倒频谱分析的航空发动机转静碰摩部位识别

提出基于倒频谱分析的航空发动机碰摩部位识别方法,利用倒频谱分析方法,从机匣振动加速度信号中分离出传递路径特征,该特征反映从碰摩点到机匣测点的传递路径信息,因此,不同的碰摩部位将具有不同的传递特征信息,并以此提取出20个碰摩部位识别特征。利用航空发动机转子试验器模拟大量不同部位的碰摩试验,对不同碰摩部位的试验样本进行特征分析,表明相同碰摩部位的特征一致性,以及不同碰摩部位的特征差异性,利用最近邻分类方法,进行碰摩部位识别,识别率达到100%,充分验证了方法的有效性。     

基于功率谱包络能量和SVM的舰用发动机故障诊断

发动机是军舰上的重要部件之一,其稳定性对军舰的正常航行具有重要影响。以舰用发动机关键部件(主泵轴承)为具体研究对象,提出了基于功率谱包络能量和支持向量机相结合的故障诊断方法。首先获取了大量可表征舰用发动机主泵轴承健康状态的振动加速度信息,对其进行功率谱分析,获得其功率谱的包络能量;以获取的舰用发动机主泵轴承功率谱的包络能量构建特征向量,并设计基于SVM的舰用发动机主泵轴承故障诊断模型,对主泵轴承的故障进行诊断研究。研究结果表明,采用基于功率谱包络能量和SVM相结合的舰用发动机关键部件故障诊断方法,可以很好实现主泵轴承的故障诊断效能,为舰用发动机主泵轴承故障诊断的工程应用奠定了基础。     

双自适应小波局部极大模方法及其在信号特征提取中的应用

将小波分析中的局部极大模方法采用双自适应提升算法进行改进,用于机械故障冲击信号特征的提取,获取了信号时域和频域冲击特征。将该方法应用于滚动轴承微弱冲击特征的提取,并将原始信号直接进行包络分析、原始信号极大模包络分析、经典小波分析方法、第二代小波的细节信号方法进行了对比。结果表明,双自适应局部极大模方法可以更有效的提取信号中的冲击特征,对小波分解层数极不敏感,表现出了很好的鲁棒性。新方法为进一步实施冲击型故障的诊断工作提供新的思路。     

基于KPCA与模糊积分的燃气轮机状态识别方法

针对舰用燃气轮机结构复杂、工作环境恶劣,难以对其状态进行有效识别问题,提出一种基于核主元分析(kernel principal component analysis,简称KPCA)和模糊积分相结合的状态识别新方法。采用专用试验平台对舰用燃气轮机进行试验,获取其不同工况下的高压转子转速、低压转子转速、涡轮后排气温度及机匣振动等9个状态表征参数的原始信息,采用KPCA方法提取其状态表征参数的不同核主元,构建特征向量空间。并由提取的核主元特征向量分别创建GRNN,Elman神经网络状态识别模型,对燃气轮机状态进行识别。在此基础上,采用模糊积分方法对两种状态识别结果进行决策层融合,得到唯一的状态识别结果,提升了状态识别准确率。研究表明,采用核主元分析和模糊积分相结合的方法,能有效识别出舰用燃气轮机健康与故障状态,具有很好的实际应用价值。     

主元分析在航空发动机关键系统状态识别中的应用

航空发动机是飞机的心脏,因此,对其状态识别进行研究,一直是业界研究并试图解决的热点问题之一。本文以某型真实发动机气路系统为具体研究对象,通过在专业试验平台对其各种运行状态进行试验,采集其大量试验数据,在对其深入分析的基础上,提出采用高压转子相对物理转速、发动机进口温度、发动机进口压力、压气机出口压力、25截面压气机进口温度、低压转子相对物理转速、低压涡轮后温度、低压涡轮后压力等8个主要参数进行状态识别的方法,首先对其进行标准化处理,再对其进行主元分析,采用主元贡献率法计算出主元个数,并据此构建状态识别模型,确定 统计量和SPE统计量。并以确定的 统计量和SPE统计量作为航空发动机气路系统状态健康与异常识别的标志,对航空发动机气路系统健康与否进行识别研究,研究结果表明,该方法可以很好识别出航空发动机气路系统的运行状态,对航空发动机实际运行及所处状态的识别具有重要的使用价值与工程指导意义。     

军用飞机任务保障规划方案效率分析

针对军用飞机再次出动保障任务规划方案的效率分析缺乏有效的解决方法的问题,构建了基于灰色聚类算法与熵权法相结合的任务保障规划方案效率分析模型;该模型首先利用灰色聚类对保障方案的人员利用率的有效参数进行计算并确定;其后利用熵权法对保障方案的人员数量时间分布进行计算;在此基础上根据任务规划工期、人员利用率、人员数量时间分布3个参数的权重得到任务保障规划方案效率;文中通过实例对构建的效率分析模型进行了验证;结果表明:所构建的效率分析模型能够有效的对军用飞机任务保障规划方案效率分析,且具有较高的可靠性和很好的工程应用价值。     

基于DPCA与LSSVM的飞机发动机异常状态识别

针对飞机发动机异常状态识别精度差、效率低和易误诊漏诊等问题,提出了一种基于动态主元分析 (Dynamic Principal Component Analysis, DPCA)和最小二乘支持向量机(Least Square Support Vector Machine, LSSVM)的飞机发动机润滑系统异常状态识别方法。首先对发动机润滑系统参数进行DPCA处理以及在线检测是否有故障发生,如果有故障发生,再采用LSSVM方法进行异常状态识别。以某型飞机发动机润滑系统为例,对文中所提方法的准确性进行试验验证,由试验结果得出文中方法能有效提高飞机发动机异常状态识别准确率。     

基于深度自编码网络的航空发动机故障诊断

为有效解决航空发动机的故障诊断难题,提出了基于深度自编码网络的航空发动机故障诊断方法,对发动机进行故障诊断技术研究。首先,对监测数据进行预处理,根据数据特征构建深度自编码网络的基本结构,采用无标签数据样本集对深度自编码网络进行预先训练,得到网络参数的初始值;其次,利用有标签的数据样本集对该网络进行训练,对网络参数进行微量调整,创建基于深度自编码神经网络的航空发动机故障诊断模型;最后,采用含有标签的测试样本集对创建的故障诊断模型进行诊断测试。为了表明所提出方法的优越性,将本研究方法与其他几种常用故障诊断方法的故障诊断结果进行了对比。结果表明,与反向传播神经网络、径向基神经网络等常用的故障诊断方法相比,所提出方法的诊断正确率更高,诊断效果更好。     

基于ARIMA⁃LSTM的飞机液压泵性能趋势预测方法

针对飞机液压泵工作强度高、工作环境复杂而导致传统性能预测方法对飞机液压泵性能变化趋势预测精度不高的问题,提出了一种基于自回归积分滑动平均-长短期记忆(autoregressive integrated moving average-long shortterm memory,简称ARIMA-LSTM)网络的飞机液压泵性能趋势预测方法。首先,将获取的飞机液压泵性能表征参数回油流量数据进行线性分解,得到趋势项数据和细节项数据;其次,采用自回归积分滑动平均(autoregressive integrated moving average,简称ARIMA)方法对趋势项数据进行预测,同时采用长短期记忆(long short term memory,简称LSTM)网络方法对归一化处理后的细节项数据进行预测;最后,将两部分预测结果进行叠加,得到最终的性能趋势预测结果。研究结果表明,采用ARIMA-LSTM的联合预测方法对飞机液压泵性能变化趋势的预测效果明显优于单一的ARIMA与LSTM预测方法,为飞机液压泵性能变化趋势预测的工程应用提供了一种新方法。     

飞机机电系统关键部件性能趋势分析方法

飞机发电机作为飞机机电系统的关键部件之一,为飞机提供主要的电力来源,其运行状态在飞机的使用过程中至关重要。为改善和提升飞机发电机的性能变化趋势的预测精度,更好实现对飞机发电机性能变化的趋势分析,以某型真实飞机发电机为研究对象,提出一种由多项式趋势预测模型和ARMA模型相结合的组合预测方法来对该型飞机发电机进行性能趋势分析。首先,在专业试验平台上对该型飞机发电机进行了长期大量试验,获取了大量性能表征信息。在此基础上,将多项式趋势预测模型和ARMA模型进行组合,综合运用多项式趋势预测模型良好的趋势拟合能力和ARMA的时间序列分析功能,对该型飞机发电机进行性能趋势分析。试验验证结果表明,这种组合预测方法优于传统单一模型的预测方法,具有很高的预测精度,能够更好地实现对飞机发电机的性能趋势分析效能,具有较高的工程应用价值。