基于风洞的设备健康管理与数据有效性判定平台研究

低速增压风洞是满足我国航空工业科技发展而建设的一座气动力重大基础试验设施。为了保障该设施的高效率和可靠地运行,以各机电设备、电气测控设备、机械装置为对象,根据其故障模式和故障特点选取合适的监测点,获取实时工作状态数据,再以数据为基础,进行状态监测、故障诊断、故障预测,实现预先性决策和针对性快速维修。基于OSA-CBM 体系构建的风洞健康管理系统,根据设备的运行状态,实现对试验数据的有效性进行实时判定,并实现了风洞装备由事后维修向视情维修转变；实现了装备从使用、维护、管理模式由分散式管理向集约式管理的转变；实现了装备系统故障诊、预测及判读从人工智能向机器智能的转变。     

基于深度卷积网络的多传感器信号故障诊断方法研究

针对传统故障诊断方法中多传感器数据融合技术难度大、特征提取困难等问题,提出了一种基于深度卷积网络的多传感器信号故障诊断方法,通过构建测量数据帧进行卷积计算实现多通道数据的自然融合,利用深度网络结构实现高层特征的自动提取和分类,从而高效地实现了故障分类诊断；经分别采用小规模数据集REF和大规模故障数据集BI02进行实验验证,均取得了较高的故障识别准确率,具有很强的工程应用价值。     

基于深度学习的故障检测方法

针对传统故障诊断方法中特征提取技术难度大、故障样本获取困难等问题，在深度学习计算框架下提出了一种半监督训练的故障检测方法，利用深度信念网络中的受限波茨曼机堆栈结构实现了数据高层特征的自动提取，结合支持向量数据描述方法实现了异常数据检测，只需利用正常工况的数据样本进行网络训练和模型拟合，无需故障样本数据，也无需人工干预进行信号特征提取，即能实现对故障数据进行的实时检测和判别。经采用标准轴承实验数据的三组故障数据进行验证，故障识别率达到100%，具有很强的工程应用价值。