《军械工程学院学报》2004年第16卷总目次

文　　题　　　　　　　　　　　作　者　期页　基于MAS的武器装备供应管理支持系统设计高军等 11　以可靠性为中心的维修及其模型支持贾希胜等 115　武器雷达装备RCM分析决策系统程中华等 119　汽车维修的环境影响和绿色维修吐尔逊江等 12 3　故障检查间隔期的简化计算方法李凤军等 12 7　UML在装备虚拟维修训练系统设计中的应用张天辉等 15 6　潜在故障状态可测的一种故障检查模型贾希胜等 2 6　基于NNLI技术的齿轮箱故障诊断田燕等 35　基于时频和频谱分析的齿轮箱故障诊断康海英等 310　基于事例推理的自行火炮故障诊断专家系统王…     

基于信号处理的齿轮箱状态监测与故障诊断

针对工程上齿轮箱实时监测和故障诊断的需要,对JZQ 250型齿轮箱展开研究,提出了状态监测特征值和故障特征向量相结合的分级诊断方法。通过时域参数分析提取监测特征值作为一级诊断,利用能量比重谱的方法,提取故障特征向量作为神经网络的输入向量进行故障诊断为二级诊断。实验结果表明,该方法不仅满足工程上实时在线诊断的要求,而且能够准确进行齿轮箱故障定位。     

模拟电路的DCNN-ELM软故障诊断

为提高模拟电路的软故障诊断能力,提出一种基于深度卷积神经网络(DCNN)特征提取的极限学习机(ELM)诊断方法.先利用DCNN在特征提取方面的优势,从含有电路故障信息的信号中自主提取有辨识力的特征;利用ELM出色的分类性能,构建获取特征的故障诊断模型;通过Sallen-Key带通滤波器电路的故障诊断实验对提出方法进行了验证.仿真结果表明,提出的基于DCNN的故障特征提取方法优于传统KPCA与KSLPP方法,与ELM分类器集成后得到的诊断准确率达到98.2％,有助于改善模拟电路的故障诊断精度,从而验证了其可行性和有效性.     

基于粗糙神经网络和网络撕裂的故障诊断方法

利用网络撕裂法逐层将复杂装备撕裂为较为简单的单元,并充分利用粗糙集和神经网络融合方法的优点进行故障诊断。提出了基于粗糙神经网络的网络撕裂故障诊断方法,总结出基于粗糙神经网络和网络撕裂的故障算法流程图。以L-F滤波器为例进行实验,结果证明:该算法明显优于普通的基于粗糙神经网络的故障诊断方法,网络结构得到简化,训练速度得到加快。     

基于PCA-RBF网络的储运过程管道堵塞故障诊断方法

针对现代储运过程管道堵塞故障诊断时,提取的过程参数多导致诊断速度慢、性能差等问题,提出了基于主成分分析（PCA）和径向基函数（RBF）神经网络故障的诊断方法。首先利用PCA方法对储运过程高维历史数据矩阵进行特征提取,提取的故障特征信息作为训练集,并给出故障特征信息的分类号;然后将其作为RBF神经网络分类器的输入输出进行故障模式识别。仿真实验表明：该方法应用于储运过程管道堵塞故障诊断,不仅大幅度地降低了诊断模型的训练时间,而且提高了诊断正确率。     

齿轮箱故障诊断特征级数据关联方法研究

提出了齿轮箱故障诊断特征级数据关联的定义．在该定义的基础上,提出了基于Bootstrap方法的小样本诊断特征参数关联的方法．利用某型齿轮箱振动试验台测取的振动加速度响应信号对提取的特征参数进行了关联评估,基于Bootstrap方法的特征级数据关联方法正确区分出了效果不好的特征参数,证实了该数据关联方法的正确性．     

基于ARX模型和改进蚁群算法的齿轮箱故障诊断

为了提高齿轮箱故障诊断的精度，提出基于ARX模型的齿轮箱建模新方法，从系统固有特性的角度来分析齿轮箱的状态，使用最大最小蚁群算法对反映齿轮箱多变量传递特性的多个特征参量进行特征选择并使用这些特征进行故障诊断。结果表明，该方法既能够有效提高故障诊断的效率和精度，又能有效降低输入条件和负载出现波动对识别结果的影响。     

粗糙神经网络的航空电子系统故障诊断方法

提出了一种基于粗糙神经网络的航空电子系统故障诊断方法.该方法运用粗糙集理论进行知识规则的提取,用提取的规则对航空电子系统输出数据进行分类,再用神经网络对每一类进行辨识,最后用粗糙集分类结果与各个神经网络输出进行综合得到系统一步预测结果,将该预测结果与航空电子系统实际输出进行阀值比较,进而进行故障诊断.实际应用表明该方法可行并能够有效地检测系统故障,故障诊断率高.     

基于LabVIEW的齿轮箱故障诊断

着重介绍了齿轮箱故障诊断系统的实现过程和设计思想,及通过虚拟仪器开发软件LabVIEW、小波变换和神经网络技术,来实现齿轮箱故障诊断系统的核心内容,最后通过实例验证了此设计的可行性。     

基于VR与PNN相结合的机电液控制系统故障诊断方法

针对大型复杂机电液控制系统故障诊断中存在的数学模型获取困难、历史故障数据匮乏问题,提出了一种将虚拟样机与概率神经网络相结合的故障诊断混合方法。建立系统的虚拟样机,并对其可信性进行校核与验证。在此基础上进行大量随机性故障植入与仿真实验,获取故障仿真数据。经过特征提取与概率神经网络模式识别训练,形成用于诊断的知识库,从而实现故障诊断。以操舵系统作为研究案例,得到了较高的故障检测和隔离精度与较低的虚警及漏警率,验证了该方法的可行性,为大型复杂机电液控制系统故障诊断提供新的思路。     

基于时频和频谱分析的齿轮箱故障诊断

对频谱分析方法和时频分析方法的原理进行了分析,根据频谱分析与时频分析的特点以及齿轮箱故障诊断研究的需要,将两种方法有效地结合起来应用于齿轮箱的故障诊断中。结果表明,此方法能够有效地解决各自方法中的不足,得到比较理想的诊断结果。     

基于阶次跟踪和BP网络的齿轮箱故障模式识别

在对齿轮箱的原始振动信号进行时域采样的基础上,利用小波包分析对其进行消噪,然后对得到的数据进行角域重采样,得到基于阶次跟踪的采样信号,再对该信号进行特征参量提取,最后利用BP网络对得到的故障特征参量集进行模式识别。该方法能够避免传统分析方法中难以克服的“频率模糊”现象,对于瞬态信号有较好的分析处理能力,是对传统频谱分析法的有力补充。     

基于LabVIEW的变速箱状态检测系统

采用门限关联度理论进行变速箱状态检测,并构建了以虚拟仪器为核心的变速箱状态采集系统,建立了表征变速箱状态的特征参量和正常故障判定准则,采用LabVIEW开发了检测与故障判定软件系统。     

基于阶次小波包与粗糙集的轴承故障诊断

针对齿轮箱启动过程中振动信号表现为非平稳、非高斯特征及传统诊断方法诊断精度不高的现状,将阶次小波包和粗糙集理论引入轴承的故障诊断中,提出了一种新的故障诊断方法。首先利用阶次跟踪算法对瞬态振动信号进行重采样,得到等角度分布振动信号,其次采用小波包对该信号分解—重构,并对每个频段的能量进行归一化,构成特征向量,通过粗糙集理论得到清晰、简明的决策规则,最后通过故障实例验证该方法的有效性。     

基于神经网络的柴油机特征参数评价与选择

在设备故障诊断中,正确地提取与选择特征参数对于诊断结果的有效性和准确性具有关键性的意义,在提出评价判据时样本的概率分布往往难以确定,针对模式识别中特征量的选择方法,结合人工神经网络原理,提出了利用人工神经网络进行故障特征量评价与选择的方法,实现了对柴油机特征参数的提取及选择,有效地解决了柴油机状态监测与故障诊断中测试参数多而难以优化的问题。     

基于神经网络集成的传感器故障诊断研究

针对诊断传感器偏置故障及漂移故障的难点问题,提出了一种基于神经网络集成的传感器故障诊断方法。该方法将传感器输出看做时间序列,通过加噪声生成抖动数据,建立多组神经网络,以获得神经网络集成预测器输出。通过将预测器输出与传感器实际输出相比较获取残差序列,获得基于残差序列的传感器偏置故障和漂移故障的辨识策略,实现传感器故障在线诊断。应用结果表明该方法可以提高神经网络的运算精度,从而快速准确地检测和分离传感器故障,辨识传感器故障类型以及故障发生的时间。     

基于BP神经网络的装备故障诊断专家系统研究

分析了神经网络和专家系统的特点,提出了基于BP神经网络与专家系统结合的某装备的故障诊断方法,构造了BP神经网络的装备故障诊断专家系统的诊断模型,克服了传统专家系统在知识获取和表达的薄弱环节,并用了某型装备的故障实际数据进行了验证,结果表明了神经网络与专家系统结合是一种有效的诊断方法。