液体火箭发动机无失效条件下的可靠性分析方法

针对液体火箭发动机热试车过程中可能出现的无失效情况,在对寿命分布进行分析的基础上,利用配分布曲线-最小二乘法,采用经典估计和Bayes估计作为先验分布,对液体火箭发动机无失效条件下的可靠性进行了评估,并对评估结果进行了分析。计算结果表明,采用最小二乘法结合Bayes估计,可以较好评估液体火箭发动机在无失效条件下的可靠性。     

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.     

火箭发动机故障检测的快速增量单分类支持向量机算法

为解决液体火箭发动机故障诊断正负样本不平均问题,以及实现发动机稳态工作段自适应故障检测,建立了基于快速增量单分类支持向量机的异常检测模型。采取特征工程方法,对传感器获得的多变量时间序列进行特征提取。通过增量学习方法,对单分类支持向量机模型进行改进,并应用于液体火箭发动机异常检测,使单分类支持向量机检测模型具备对不同台次、不同工况的自适应性,提高了模型的计算速度。对多台次热试车数据的分析结果表明,该模型十分有效,训练速度快,具备实用价值。     

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。     

液体火箭发动机涡轮泵健康监控系统

为了提高液体火箭发动机涡轮泵的安全性,降低其故障带来的破坏性,设计了某型液体火箭发动机涡轮泵健康监控系统(TP HMS),工程实现了TP HMS的测试硬件子系统、实时故障检测子系统、试车后数据分析子系统和实时数据库支持子系统等,讨论和分析了TP HMS的功能和执行流程,然后利用历史试车数据与转子试验平台数据对TP HMS中的多特征参量自适应阈值综合决策算法(MATA)进行了离线和实时在线验证;利用自适应时频谱对测试数据作进一步的分析。结果表明,MATA没有发生误检测情况,并具有实时故障检测的能力;自适应时频谱能有效抑制时频交叉项的干扰,准确给出故障信号的时间和频率信息。因此,TP HMS适合于液体火箭发动机涡轮泵健康状态监控。     

关于变推力液体火箭发动机推力曲线上谐振波成因的分析和热试车台的改进方案

本文对姿态控制发动机在液体火箭发动机试车台上(LRTS 图1),试验的结果进行了分析,并研究了发动机的推力—时间(F—t)曲线被各种频率的谐波所干扰的现象。在分析各种谐波成因的基础上,为减弱以致消除这些干扰因素,提出了适用于姿态控制发动机用的热试车台的新方案。     

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。     

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。     

共轭梯度反传算法及其在液体火箭发动机系统辨识中的应用

结合非线性优化理论和方法提出了易于实现、收敛速度比较快的多层神经网络共轭梯度反传算法。液体火箭发动机参数辨识技术已得到广泛的应用,由于传统的数学方法必须基于发动机已知模型,使得其参数辨识受到极大的限制。文中基于神经网络共轭梯度反传算法进行液体火箭发动机的系统辨识,结合变推力发动机热试车动态数据,得到了满意的仿真结果。     

基于云分类器的液体火箭发动机故障诊断方法

本文首先将液体火箭发动机故障诊断问题转化为故障特征的模式分类问题,然后针对当前模式分类方法难以处理不确定性信息、属性特征空间的划分过硬等缺陷,结合云模型和云变换研究,提出了一种基于云分类器的液体火箭发动机起动过程故障诊断方法。历次试车数据的验证结果表明,该方法能够及时准确识别发动机起动工作过程中的故障模式。     

A novel signal feature extraction technology based on empirical wavelet transform and reverse dispersion entropy

Feature extraction is an important part of signal processing, which is significant for signal detection, classification, and recognition. The nonlinear dynamic analysis method can extract the nonlinear characteristics of signals and is widely used in different fields. Reverse dispersion entropy (RDE) proposed by us recently, as a nonlinear dynamic analysis method, has the advantages of fast computing speed and strong anti-noise ability, which is more suitable for measuring the complexity of signal than traditional permutation entropy (PE) and dispersion entropy (DE). Empirical wavelet transform (EWT), based on the theory of wavelet analysis, can decompose a complex non-stationary signal into a number of empirical wavelet functions (EWFs) with compact support set spectrum, which has better decomposition performance than empirical mode decomposition (EMD) and its improved algorithms. Considering the advantages of RDE and EWT, on the one hand, we introduce EWT into the field of underwater acoustic signal processing and fault diagnosis to improve the signal decomposition accuracy; on the other hand, we use RDE as the features of EWFs to improve the signal separability and stability. Finally, we propose a novel signal feature extraction technology based on EWT and RDE in this paper. Experimental results show that the proposed feature extraction technology can effectively extract the complexity features of actual signals. Moreover, it also has higher distinguishing ability for different types of signals than five latest feature extraction technologies.     

结合振动特征优选和GWOA-XGBoost的电机轴承故障诊断

为解决电机轴承故障状态难以识别,从而造成诊断精度不高的情况,提出了一种基于信号特征提取与极限梯度提升算法(extreme gradient boosting, XGBoost)结合的电机轴承故障诊断模型。使用优化的变分模态分解获得振动信号的固有模态函数(intrinsic mode function, IMF)分量,再基于多尺度熵理论计算各IMF分量的多尺度熵值进行特征重构。在鲸鱼优化算法(whale optimization algorithm, WOA)中引入遗传算法的选择、交叉、变异操作对WOA进行改进。用改进的WOA算法对XGBoost的超参数进行寻优,获得了帮助XGBoost取得最优分类效果的超参数组合,将7种不同故障类型的振动信号进行重构后输入优化的XGBoost模型进行故障诊断。实验结果表明,所提GWOA-XGBoost模型的电机轴承故障诊断精度能够达到97.14%,相较于传统诊断方法,性能提升效果显著。     

小波相关特征尺度熵在滚动轴承故障诊断中的应用

将小波相关滤波方法与Shannon信息熵相结合,提出了一种故障检测与诊断的方法——小波相关特征尺度熵故障法。首先利用小波相关滤波方法提取滚动轴承故障振动信号的微弱故障信息特征,以求得信噪比较高的尺度域小波系数;然后结合Shannon信息熵理论给出了沿尺度分布的小波相关特征尺度熵定义及其计算方法。小波相关特征尺度熵能够定量表征不同尺度的能量分布,各尺度能量分布的均匀性可以反映滚动轴承的运行状态的差别,选取最能反映故障特征的小波相关特征尺度熵作为特征参数,通过所选取的小波相关特征尺度熵大小判断滚动轴承的工作状态和故障类型。实验证明该方法能有效地判断滚动轴承故障特征,为滚动轴承故障诊断提供了新的思路。     

基于高阶谱分析的机械故障特征识别

在分析高阶累积量与高阶谱的理论基础上，利用高阶谱可以抑制加性高斯噪声的性质，研究了基于高阶谱分析的机械故障特征提取方法，提出了基于双谱估计的齿轮故障诊断的方法。通过对齿轮信号的双谱特征图谱进行分析比较，成功地对齿轮的正常稳态振动信号、正常瞬态振动信号以及磨损瞬态信号进行了识别，效果十分显著。     

脉冲功率电源故障诊断方法研究

脉冲功率电源是电磁发射系统中最容易发生故障的薄弱环节,脉冲功率电源故障会使整个系统性能下降。针对脉冲功率电源故障,提出基于多层小波分析提取故障信息的模式搜索支持向量机故障诊断方法。通过建立脉冲功率电源的软故障模型,进行仿真分析获得电流故障数据样本,对故障样本进行离散小波分解,获得指定层细节信息的小波系数作为故障特征量;对故障特征量进行主成分分析,将小波系数进行降维,以便有效地进行故障诊断。通过实验,将所提方法故障诊断结果与其他三种故障诊断结果进行比较,验证了所提方法的有效性。     

基于改进LS-SVM的异步电机转子故障诊断

为了提高异步电动机转子故障的诊断精度,给出了一种基于改进最小二乘支持向量机(LS-SVM)的多故障分类算法。首先运用FFT处理电机的定子电流信号得到信号频谱图,从中提取故障特征向量;然后将特征向量送入改进算法进行故障诊断时,在原有多分类算法的基础上引入层次分析法确定故障类别的权重,根据权重值确定故障的诊断顺序,依次进行故障分类。实验表明,改进算法用于故障诊断节省了诊断时间,提高了诊断精度,具有很好的推广前景。     

基于最小邻近准则的故障类型识别方法

对设备的多故障类型自动识别问题是设备进行自动诊断的难题之一。讨论基于信号频域特性的故障信号特征提取方法,利用这种方法可以把统计学的聚类分析技术用于故障类型识别,建立起一个由信号特征向量构成的向量空间,以最小邻近准则作为故障类型识别的依据。     

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。     

抗辐照MRAM研究进展

针对传统分块方法根据经验划分子块导致变量特征信息无法充分利用,其单一的建模方式忽略局部信息以及离线模型无法适应时变特性的问题,提出了一种KL (Kullback-Leibler) 散度多模块滑动窗口慢特征分析方法。在正常工况数据集中,利用KL散度来度量变量间的距离,同时引入最小误差平方和准则进行聚类,分成两个距离最小的子模块;在此基础上利用慢特征分析方法对每个子模块进行建模,结合滑动窗口对每次采样的数据进行更新,得到最优模型,分别计算监测统计信息,利用支持向量数据描述对故障监测结果进行融合,实现故障诊断。并将该方法应用于田纳西伊斯曼过程的监控中,得到了较高的故障检测率和较低的虚警率,验证了该方法的可行性和有效性。     

基于NNLI技术的齿轮箱故障诊断

将NNLI技术应用到齿轮箱的故障诊断中,提出了基于NNLI的特征提取方法,并将该方法与神经网络结合起来,进一步提出基于NNLI特征提取的神经网络故障诊断方法,给出了两种不同的网络分类器,通过齿轮箱故障诊断实例验证了该方法的有效性。