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。     

基于数据的故障诊断更新问题分析及应用

机内测试被广泛应用于故障诊断,装备健康管理与预测等领域。本文针对机内测试设备在设计和升级时遇到的分类器更新,样本数量不平衡,硬件条件限制问题,提出了初步解决方案。首先,利用基于密度的聚类和人工免疫的方法处理原始数据,然后提出了基于代表样本点的混合学习方法,最后利用支持向量机和仿真案例验证了本文所提方法。结果表明本文所提方法能够解决上述问题,有助于基于数据的机内测试设备设计与升级。     

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。     

现代故障诊断技术研究现状与趋势

回顾了状态监测与故障诊断技术的发展历史,归纳和总结了基于系统数学模型、基于系统输入输出信号处理以及基于人工智能等途径的故障诊断方法。从混合智能诊断技术、BIT技术、远程协作诊断技术3个方面,对现代故障诊断技术的发展趋势和有待解决的问题进行了分析与探讨。提出了故障诊断领域目前和将来的研究方向。     

装备预测与健康管理体系结构及关键技术

结合预测与健康管理技术（PHM）在降低装备保障维修费用方面的明显优势,介绍了预测与健康管理技术的内涵及特点,分析了PHM系统的开放式流程,并将该开放式流程应用于装备的故障诊断和预测中,提出一种基于PHM的预测与健康管理体系框架。在此基础上,对诊断与预测技术以及传感器配置算法等关键技术进行了详细阐述,介绍了采用的诊断和预测模型及算法。     

两级信息融合技术在柴油机故障诊断中的应用

针对传统神经网络在故障诊断中因测点信息多而导致的网络庞大、收敛困难等问题,引入集成神经网络,提高了融合诊断效率;同时引入基于D-S证据理论,这种决策融合方法解决了集成神经网络各个子网诊断结果不一致的问题。在应用于柴油机故障诊断时,首先对测取的正常和故障样本进行小波包AR谱分析,同时提取各个特征频带的能量分别作为集成神经网络对应子网的输入进行诊断,当其无法确定诊断结果时,再运用证据理论进行决策融合输出最终诊断结果。试验证明:基于集成神经网络和D-S证据理论的两级综合诊断模型提高了诊断的准确性和可靠性。     

基于模糊数学的炮射导弹制导装置故障诊断

为解决炮射导弹制导装置故障诊断的不确定性推理问题,有效提高故障诊断的准确性,将模糊数学中的综合评判方法用于炮射导弹制导装置的故障诊断。通过专家经验和故障试验统计数据,构建模糊诊断数学模型,对制导装置故障进行模糊运算和故障诊断,从而确定故障原因。通过具体故障模糊诊断实例验证表明:该方法能够给出定量的故障诊断结果,可较准确地实现故障定位。     

基于隐Markov树的序贯故障诊断模型

为了充分利用先验信息和实测信号,提高故障识别率,根据Bayes方法和序贯决策的思想,将实测信号分段,将前一段信号的诊断后验信息作为后一段信号的先验信息,提出了一种基于隐Markov树(hidden Markov tree,HMT)的序贯故障诊断模型.给出了诊断模型的建模步骤、HMT模型的建立方法和Bayes后验概率的计算方法.将模型应用于某型减速器故障诊断的结果表明,对于有先验信息和无先验情况,该序贯模型都可以有效地提高故障识别率.     

基于粗糙集与神经网络相结合的模拟电路故障诊断

针对当神经网络输入端维数比较大造成在模拟电路故障诊断中BP神经网络结构庞大,从而影响到诊断速度以及正确率的问题,结合粗糙集理论和神经网络在信息处理方面的优势,建立了一个基于粗糙集理论和BP神经网络相结合的模拟电路故障诊断模型。通过对某装备位置调节器板的故障诊断过程表明,该模型简化了网络数据样本的维数,优化了神经网络结构,提高了系统的诊断正确率与诊断速度。     

小波包变换和支持向量机模拟电路故障诊断方法

为提高模拟电路故障诊断效率,将小波包变换和支持向量机结合起来,提出了一种完整的模拟电路故障快算检测和准确定位的方案.利用小波包变换对电路输出电压信号进行多层分解,提取各频带的能量作为故障特征,给出了具体的特征提取方法;利用支持向量机的多分类一对一方法,完成电路的故障定位,同时实现了小波函数的选择.在一模拟电路的故障仿真实验中,通过与BP,RBF和PNN等神经网络对比,结果显示该方法的诊断效率是很高的.