涡轮泵故障检测的频段能量比SOM算法

为了解决缺少故障样本情况下的涡轮泵健康状态判别问题,分析了涡轮泵振动信号的频谱,提取了频段能量比作为其故障检测特征,并讨论了自组织映射的竞争学习原理及聚类结果的U-矩阵表示,提出了一种基于频段能量比的自组织映射故障检测算法,并实现了该算法最佳匹配神经元的选择和权重向量的自适应更新。通过某型液体火箭发动机历史试车数据的验证,结果表明,健康涡轮泵数据利用该算法聚类时仅存在一个类别,相邻神经元距离小于0.1;反之,故障涡轮泵数据利用该算法聚类时明显存在两个或多个类别,且相邻神经元的最大距离大于0.1。因此,基于频段能量比的SOM算法能有效地判别涡轮泵的健康状况。     

涡轮泵实时故障检测的时间编码信号处理方法研究

为了提高液体火箭发动机涡轮泵实时故障检测的有效性,通过取消对胞元长度限制和提出新的编码计算方法,提出了一种改进的时间编码信号处理方法,并将其应用于涡轮泵振动信号的实时特征提取.通过正常和异常涡轮泵历史试车稳态过程的振动数据对该方法的稳定性和故障检测有效性进行了验证,结果表明,基于时间序列编码的信号处理方法可以有效提取故障特征,可用于涡轮泵故障的实时检测.     

基于转子固有频率的涡轮泵故障检测方法

为了有效地检测液体火箭发动机涡轮泵的故障,分析了某型液体火箭发动机的28次历史试车数据,得到了涡轮泵转子的一阶、二阶和三阶临界转速以及轴向固有频率的数值,研究了这4个转子固有频率幅值的稳定性及对涡轮泵故障的敏感性,得出了它们具有较强的稳定性和故障敏感性的结论。在此基础上,提出并验证了基于转子固有频率的涡轮泵故障检测方法。结果表明,基于转子的一阶、二阶和三阶临界转速以及轴向固有频率幅值能有效地检测涡轮泵的故障。     

Wasserstein距离在液体火箭发动机故障检测中的应用

健康监控技术能够切实提高液体火箭发动机的可靠性,针对液体火箭发动机健康监控中的故障检测问题,提出基于Wasserstein距离的方法,利用液氢液氧火箭发动机地面热试车数据进行验证。该方法的核心思想是利用Wasserstein生成对抗网络模拟正常数据的样本分布,利用其判别器计算测试样本与模拟分布间的Wasserstein距离,进而实现故障检测。结果表明:该方法能够克服故障数据不足的困难,有效检测稳态过程中的故障,没有发生误报警,且对早期异常有较高敏感性;在训练样本较少的情况下,当Wasserstein距离阈值为3σ时对启动过程的早期异常有较高敏感性,取5σ时仍可有效检测启动过程中的故障,误报警率为12.5%。     

独立分量分析在液体火箭发动机故障检测中的应用

针对液体火箭发动机试车中,因噪声干扰、不同源信号之间的混叠而造成的信号信噪比低、信号分析和特征提取难度大的问题,提出采用独立分量分析(ICA)法对液体火箭发动机试车信号进行分离,以提高信号的信噪比,并能实时反映各子系统工作过程,为数据分析、特征提取和故障检测与诊断提供可靠的信号。通过对某型液体火箭发动机热试车压强信号进行实例分析,验证了该方法的有效性。     

液体火箭发动机基于神经网络的实时故障检测算法实现

以某大型液体火箭发动机为研究对象,针对其启动和稳态工作过程,利用Matlab和Lab Windows/CVI等编程工具,基于神经网络技术,开发实现了其地面试车过程实时故障检测的BP(Back Propagation)和RBF(Radial Basis Function)算法。多次试车数据离线检验和实时在线考核结果均表明该方法能够及时、有效地检测出发动机工作过程中的故障,没有出现误报警和漏报警,并能够很好地满足现场试车的实时性和鲁棒性等要求。     

液体火箭发动机基于模型的故障检测算法

针对泵压式供应系统液体火箭发动机的故障监控问题,建立了用于发动机故障检测的非线性动态数学模型,设计并实现了发动机系统的广义卡尔曼滤波器。利用新息序列的统计特性,进行了发动机故障新息检测算法的仿真研究,讨论了降低滤波器计算费用的方法以及置信度、自由度对检测算法性能的影响。本文的工作为进一步研究发动机故障在线实时检测算法奠定了重要基础。     

基于云-神经网络的液体火箭发动机故障检测方法

根据故障检测原理,研究和实现了基于云-神经网络的液体火箭发动机故障检测方法。根据训练结果、测试结果和故障检测结果可以看出,云-神经网络用于液体火箭发动机的故障检测是可行的,经过历次试车数据验证,该方法没有误报警和漏报警。     

结合动态时间弯曲与决策树方法的液体火箭发动机故障诊断

对某大型液体火箭发动机的热试车数据及通过发动机模型仿真得到的故障数据进行动态时间弯曲分析,得到弯曲路径集,然后结合决策树方法进行了故障检测和诊断。对于故障试车没有出现漏报警和误报警,对于正常试车没有出现误报警。通过与神经网络、支持向量机等方法所得结果的对比,证明该方法可以成功地应用于火箭发动机的故障检测和诊断。     

液体火箭发动机控制的新方向

为适应航天飞行任务对推进系统高性能、安全性、可靠性、经济性的需要,在液体火箭发动机控制方面,开展了大量研究工作,出现了一些新方向和新领域。比较集中的研究领域是液体火箭发动机健康(状态) 监控和智能控制。本文介绍液体火箭发动机控制的智能水平演变趋势,健康(状态) 监控系统和智能控制系统的框架、结构,以及与这些系统直接相关的故障模式、传感器技术和故障检测算法。     

涡轮泵状态监控及传感器故障识别的新异类检测方法

为了在故障样本稀缺、故障模式不完备的情况下监控涡轮泵状态,并剔除传感器失效故障造成的虚警,提出用于涡轮泵状态监控及传感器故障识别的单类支持向量机新异类检测方法。该方法以正常状态为目标类构建单类支持向量机检测器,用于检测涡轮泵是否出现异常;以传感器故障为目标类构建单类支持向量机检测器,用于判断检测到的异常是否属于传感器故障。对涡轮泵试车数据的分析结果表明了该方法的有效性。     

长输管线泵机组状态监测与诊断系统研究

介绍了一个输油泵机组状态监测与故障诊断系统,研制该系统的目的是为了实时掌握输油泵机组的运行状态,为针对性的维护提供依据和手段.设计的系统一方面能对机组的运行状态进行实时监测,产生各种数据报表,另一方面能对机组的常见故障进行诊断分析,及时、准确地对泵机组各种异常状态或故障状态作出诊断,预防或消除故障,同时,也能为泵站运行提供必要指导,减轻管理人员的劳动强度,确保输油泵机组长期、稳定、高效、低耗地运行.     

液体火箭发动机故障检测和诊断中数据挖掘策略的分析

分析了液体火箭发动机的工作特点,提出了应用数据挖掘方法从数据仓库的角度对液体火箭发动机进行故障检测和诊断的策略。对在液体火箭发动机故障检测和诊断的不同问题中可能应用的数据挖掘方法进行了分析比较。分析表明,聚类、分类、关联、时间序列分析和孤立点检测等数据挖掘方法适用于液体火箭发动机的故障检测和诊断。     

Bayesian testing strategies for software with an operational profile

We consider a software reliability model where the failure rate of each fault depends on the specific operation performed. The software is tested in a given sequence of test cases for fixed durations of time to collect data on failure times. We present a Bayesian analysis of software failure data by treating the initial number of faults as a random variable. Our analysis relies on the Markov Chain Monte Carlo methods and is used for developing optimal testing strategies in an adaptive manner. Two different models involving individual and common faults are analyzed. We illustrate an implementation of our approach by using some simulated failure data. © 2001 John Wiley & Sons, Inc. Naval Research Logistics 48:747–763, 2001     

机械振动谱图分析诊断

所有运行的机器都在振动,振动是机器的脉搏,是机器状况的表征。振动谱图则是振动的体现形式之一,是机械运行状态的变化在振动信息中的反映。文中简述振动测量的基本原理,归纳了识别振动谱图要经过频率计算、读谱等步骤,重点对倒频谱分析、功率谱分析法、复包络谱分析、时序模型参数分析法、最大熵谱分析法、自适应消噪法等现有的机械振动谱图诊断技术进行了分析比较,并对其应用前景给予预测和展望,得出各种诊断技术适用对象及其精度。这些结论对机械振动谱图的识别、分析、诊断提供了一定价值的依据。