某装备吊机液压故障诊断专家系统设计

装备液压系统快速故障诊断是维修保障人员亟待解决的难题.以某装备吊机液压系统故障诊断为研究对象,梳理历年故障案例库,运用故障树解析故障原因、逻辑及耦合关系,明确故障产生的全部最小割集.将故障树与专家系统有机结合,依据故障规则构建基于故障树的专家知识库,选用自上而下正向查找方式的推理机制,融合概念图知识匹配模式,设计模糊含权概念图的投影匹配算法.在VB环境下实现专家系统软件功能,使系统具备知识库持续升级、用户故障定位查询、故障排除指导、历史故障记录、诊断报告生成等功能,有效指导维修保障人员进行装备液压系统的故障诊断与排除,并可推广至其他型号、类型的装备液压系统故障诊断中.     

模糊理论在导弹系统故障诊断中的应用

任何系统的故障都有一定的模糊性,因此模糊理论在故障诊断中有着广泛的应用.模糊故障诊断有利于提高系统的故障诊断的水平,本文以模糊理论知识为基础,建立了系统的模糊故障诊断模型,并应用于某型号导弹武器系统的故障诊断中,结果证明该模型的有效性和合理性.     

德文版液压系统模拟仿真软件的汉化方法

介绍了德文版的 Fluid SIM-H液压系统模拟仿真软件 ,并介绍了应用 Exe Scope、Help Deco、Help Work和 Create Install等工具软件对德文版软件进行汉化的基本方法     

惯性导航系统故障诊断的不确定性问题研究

针对构造惯性导航系统 ( INS)故障诊断所面临的确定性和不确定性问题 ,提出了基于模糊集理论的诊断方法 ,并给出诊断系统自动获取不确定性证据和确定性证据隶属度的方法及函数 .认为对于确定性证据和不确定性证据可以用统一的方法和原则来处理 ,并建立了两类证据的实用数学模型     

液体火箭发动机故障诊断的命题逻辑方法

为对液体火箭发动机诊断知识的表达和组织提供一种简洁有效和易于处理的方式 ,通过以命题逻辑公式和子句的形式对系统观测信息和定性特征加以描述建立定性诊断模型 ,同时诊断问题基于归结原理和假言推理规则的演绎推理方法求解。基于试车数据的诊断结果表明方法具有较强的诊断能力。     

DPCA和GRNN在燃气轮机故障诊断的方法

选取其关键部件—喷口加力调节器作为故障诊断研究对象,提出了一种基于动态主元分析(DPCA)和广义回归神经网络(GRNN)相结合的喷口加力调节器故障诊断方法。在燃气轮机专用试验平台对其进行试验,采集喷口加力调节器的高压转子转速、低压转子转速、燃油油量、燃油耗量等参数原始数据,对其进行预处理,并采用DPCA方法对其进行动态主元分析,提取其不同健康状态的主元,构建特征向量,采用特征向量构建GRNN神经网络故障诊断模型,并通过测试数据对该方法的有效性进行试验验证。为表明该方法的有效性,采用了基于GRNN和基于DPCA-RBF的方法对喷口加力调节器不同健康状态进行了诊断技术研究,并对不同方法所得到的诊断结果进行了对比分析。结果表明,采用DPCA和GRNN相结合的故障诊断方法能有效识别出喷口加力调节器不同的健康状态,具有很好的实际应用价值。     

某型武装直升机武器系统故障诊断研究

战时快速准确地查找故障部件和制定排故方案是实施战场抢修的前提和基础。目前武装直升机武器系统结构组成日趋复杂,功能模块高度集成,仅凭人工经验进行维护难度较大。为了提高故障诊断效率,采用故障树分析与专家经验相结合的方法,建立了某型武装直升机武器系统故障模型,设计了一种快速故障诊断与辅助决策系统,有效减少了维修保障人员故障排除时间,提升了故障处置效率与准确度,具有重要的实际应用价值。     

工业智能化背景下导弹测试技术的发展思考北大核心

在工业智能化大发展背景下,导弹测试技术面临多型号被测对象的通用、快速、并行、可靠的测试、诊断、维护一体化等需求,以满足武器装备的信息化、智能化综合保障能力的提升需求。导弹测试技术要紧密契合国防工业发展方向,以服务装备保障为中心,以提升技术能力为目标,以需求和问题为导向,创新测试理念、方法、技术手段等,重点发展大数据测试、智能化测试、网络化测试和云测试等技术,实现导弹测试从任务型向能力型的转变。     

网络撕裂法在测磁仪故障诊断中的应用

针对CCY - 1G型数字测磁仪的具体电路结构及功能 ,利用网络撕裂法对其进行故障诊断 ,实现了故障诊断快速、准确的目的     

基于格拉姆角场和PSO-CNN的滚动轴承故障诊断方法

针对卷积神经网络的结构对滚动轴承故障诊断精度有较大影响的问题,提出一种基于格拉姆角场和粒子群优化卷积神经网络结构的故障诊断方法。采用格拉姆角场对一维轴承振动数据重构,保留原始数据信息的同时包含了时间相关性;采用粒子群优化算法对编码后的卷积神经网络结构迭代寻优。利用西储大学的轴承数据集进行试验验证,试验结果表明,该方法可自适应生成网络结构,平均诊断精度为99%,相对于其他主流卷积神经网络结构可以获得更好的故障诊断精度。