基于FMECA的飞参采集器维修性信息分析

维修性作为决定产品维修品质与寿命、周期和费用的关键因素之一,它是一种设计属性且日益受到各方的重视,特别是航空维修系统;某型飞机进入修理阶段需要开展机载设备维修设计,针对该机装备的新型飞参采集器的维修准备中保障资源确定无输入依据信息的问题,提出了一种基于FMECA的信息分析方法;首先介绍了FMECA,其次分析了采集器的任务功能、功能组成结构及可靠性框图,再次根据各模块的故障模式及其影响、危害性和基本维修措施等内容编制FMECA维修性信息分析表;最后进行危害性分析并绘制出危害性矩阵图,找到了对采集器危害性最大和影响较大的故障模式,避免了传统维修性分析方法的盲目性和主观性,表明FMECA的信息分析方法在航空产品维修性分析中有较好的应用和推广价值。     

基于状态维修的电子设备故障预测技术研究

为解决电子设备结构复杂,故障信息不足,故障预测困难,并且现有方法不能直接对电子设备进行状态预测等问题,文中提出了基于状态维修(CBM)的最小二乘支持向量机(LSSVM)和隐马尔科夫模型(HMM)组合故障预测方法;首先采取灵敏度分析法确定电路中要可能发生变化的元件,通过改变元件参数来设置电路的不同退化状态;其次建立组合故障预测模型;最后对该电路进行状态预测;结果表明,文中提出的方法能够直接预测电路的不同状态,进而实现直接预测电子设备的故障状态,预测精度可以达到93.3%。      

基于马氏距离的航空装备故障预测研究

故障状态类型的判别是航空装备故障预测系统的核心环节,它直接影响到故障预测的准确性;针对航空装备的故障状态类型判别问题,提出一种基于马氏距离的故障预测方法;首先介绍了马氏距离,其次建立了状态数据库矩阵及状态判别模型,并给出了基于马氏距离的故障预测流程;最后将该方法用于某型飞机火控系统的故障预测中,使得在线和离线的平均故障预测准确度分别达到98.48%和97.77%,表明马氏距离在航空装备的故障预测中有较好的应用和推广价值。     

基于CBM电子设备故障预测技术研究

为解决电子设备结构复杂,故障信息不足,故障预测困难,并且现有方法不能直接对电子设备进行状态预测等问题,本文提出了基于状态维修（CBM）的最小二乘支持向量机(LSSVM)和隐马尔科夫模型(HMM)组合故障预测方法。首先采取灵敏度分析法确定电路中要可能发生变化的元件,通过改变元件参数来设置电路的不同退化状态;其次建立组合故障预测模型;最后对该电路进行状态预测。结果表明,本文提出的方法能够直接预测电路的不同状态,进而实现直接预测电子设备的故障状态,预测精度可以达到93.3%。     

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LSSVM的电子装备故障预测研究

针对电子装备的故障信息不足,故障发生率高等特点,通过故障预测有效的监测设备故障状态以及发展趋势,实现对设备的事先维修,避免重大事故的发生,提高电子设备的安全性。对电子装备故障预测进行了分析,提出了一种基于最小二乘支持向量机（LSSVM）的故障预测方法。首先介绍了LSSVM故障预测算法的基本原理和预测流程;然后,对整个电子装备的故障预测研究可以从一个类似的模拟带通滤波器电路故障预测研究出发,将该元件容差设为不同范围来定义电路的不同故障状态,将LSSVM方法与最小二乘法、支持向量机法对电路的不同状态进行预测,可以得到不同状态的预测值,研究结果表明提出的方法能够实现模拟电路的缓变故障预测,且预测效果较好。     

基于融合技术的电子产品PHM系统研究

针对故障预测与健康管理(PHM)的复杂性,对融合技术进行了深入的分析和研究,提出了一种基于神经网络的特征融合方法,融合结果最大限度的给出决策分析所需要的特征信息,提高了故障诊断的可靠性;在预测方法上,提出了一种基于故障预兆监控与推理和失效物理(PoF)模型方法相融合的预测方法,充分利用了每种预测方法的优势,故障预兆监控与推理的方法能够提供故障诊断功能,而失效物理(PoF)模型的方法则有助于确定故障根源,融合预测方法能更加及时准确的预测故障;融合技术丰富了PHM的理论体系,提高了其实用价值。     

基于PHM的复杂机电系统健康管理技术研究

随着社会生产力的快速发展,复杂机电系统作为工业自动化领域重要组成之一,智能化、自动化程度越来越高,也对维修保障能力提出了更高要求。目前我国大多数复杂机电系统仍然以定期维修和故障维修为主,维修技术已经显著落后于设备发展水平。本文基于故障预测与健康管理技术,在剖析复杂机电系统常见故障模式的基础上,研究了复杂机电系统健康管理系统的层次架构、功能组成、技术途径,为视情维修保障模式在复杂机电系统中的应用方式方法进行了有益探索。     

基于对数变换的六相永磁容错电机故障预测研究

研究电力作动系统用永磁容错电机故障预测问题,有利于准确监控飞行器健康状态,为飞机维修提供决策支持;TS(2*2永磁容错电机特征信号复杂无序,传统灰色模型故障预测精度不高,基于此,提出一种新的故障预测改进方法;TS(2*2首先对原始故障能量特征序列进行对数变换处理,对序列进行一次累加生成,建立GM(1,1)灰色模型,最后将得到的拟合还原成模拟值,得到预测数据;TS(2*2结果表明,故障原始序列经过对数函数变换处理后,预测误差相比于未经处理的基本灰色模型降低了4.63%,预测精度提高到96.5%以上,有效提高了永磁容错电机的故障预测精度。     

航空物流传送设备中轴承故障稀疏特征提取

航空物流传送设备中的轴承由于长期受外侵灰尘影响,其内外环极易发生故障;利用计算机采集轴承的振动信号并进行故障特征提取是轴承故障诊断的常用方法;提出了基于稀疏分解的轴承故障特征提取方法;首先,分析轴承故障特征稀疏提取原理;然后,构造参数化Gabor字典,利用遗传算法对故障特征成分进行匹配追踪 (Matching Pursuit,简称MP),以峭度值最大原则作为迭代结束条件;最后,重构提取的特征成分,进行包络谱分析,得出故障类型;对仿真数据和轴承振动数据的测试结果表明,所提方法能有效提取轴承故障特征成分,为航空物流传送设备中轴承的故障监测提供了一种有效方法。     

基于灰色预测的直升机齿轮箱状态预测方法

作为直升机上重要的关键部件,直升机齿轮箱能够将动力转换为动力输出形式,从而满足不同形式下动力的需要。针对直升机齿轮箱状态无法准确预测的技术难题,本文将灰色系统理论中的灰色预测方法运用到直升机齿轮箱中,有效解决了齿轮箱使用状态难以准确预测的技术难题。首先对采集到的直升机齿轮箱的不同的振动信号进行特征提取,然后采用信息融合技术,将不同振动信号的特征值进行融合,最后运用灰色预测方法对直升机齿轮箱的使用状态进行预测。文中对所提出的方法进行了试验验证,结果表明,所提出的基于灰色预测的直升机齿轮箱状态预测方法能够实现对直升机齿轮箱的状态准确预测的效能,并对其他航空设备以及机械设备的状态预测具有一定的借鉴意义。     

商用车维修服务链关键技术研究

作为构建商用车维修服务链的关键设备,设计了一种基于J1939协议的车载商用车故障诊断系统。该系统扩展了传统车载故障诊断系统,利用无线通讯技术将采集到的J1939车辆故障信息和GPS定位信息实时上传至车辆监控中心。目标是实现商用车车辆动态监控、故障诊断和预警以及车辆维修保养服务的网络协同管理。系统以Cortex-A8为主控制器和嵌入式Linux为平台,包括故障采集与分析模块,利用Qt设计用户界面。经多次测试实验,故障诊断快速准确,无线传输数据实时性强,丢包率低。     

Multi-Sensor Vibration Signal Based Three-Stage Fault Prediction for Rotating Mechanical Equipment

In order to reduce maintenance costs and avoid safety accidents, it is of great significance to carry out fault prediction to reasonably arrange maintenance plans for rotating mechanical equipment. At present, the relevant research mainly focuses on fault diagnosis and remaining useful life (RUL) predictions, which cannot provide information on the specific health condition and fault types of rotating mechanical equipment in advance. In this paper, a novel three-stage fault prediction method is presented to realize the identification of the degradation period and the type of failure simultaneously. Firstly, based on the vibration signals from multiple sensors, a convolutional neural network (CNN) and long short-term memory (LSTM) network are combined to extract the spatiotemporal features of the degradation period and fault type by means of the cross-entropy loss function. Then, to predict the degradation trend and the type of failure, the attention-bidirectional (Bi)-LSTM network is used as the regression model to predict the future trend of features. Furthermore, the predicted features are given to the support vector classification (SVC) model to identify the specific degradation period and fault type, which can eventually realize a comprehensive fault prediction. Finally, the NSF I/UCR Center for Intelligent Maintenance Systems (IMS) dataset is used to verify the feasibility and efficiency of the proposed fault prediction method.     

基于灰色关联和D-S证据理论的感应电转子故障诊断

针对单一的灰色关联或D-S证据理论在转子故障诊断中存在的不足,将灰色关联和D-S证据理论相融合的决策级信息融合方法应用到感应电机转子故障诊断中;首先用灰色关联对故障进行初步诊断,然后,将灰色关联分析的诊断输出结果作为D-S证据理论的基本概率分配,最后,依据证据组合规则进行合成,得出转子故障的最终诊断结果;实验仿真结果验证了方法在转子故障诊断中的有效性,可以减小诊断的不确定性,提高故障的诊断准确率和诊断精度。     

基于概率盒的电网故障诊断方法研究

针对电网故障信息存在丢失、误动、拒动等不确定性问题,文章采用概率盒理论和支持向量机相结合的方法对电网故障进行诊断,充分利用概率盒在处理不确定问题上的优势。首先利用概率盒对故障录波、电气量等数据建模,然后利用融合规则将得到的多个概率盒进行融合,并提取特征向量。最后,利用支持向量机进行分类,并得出诊断结果。为了验证方法的有效性,采用仿真线路进行概率盒的故障诊断,实验验证该方法合理可行,且有较高的诊断率。     

基于不确定油液光谱数据的综合传动装置剩余寿命预测

原子发射光谱分析得到的磨损微粒元素浓度是综合传动装置性能劣化评估和剩余寿命预测的重要监测指标。由于系统随机劣化过程和光谱测量误差的影响,油液光谱数据中不可避免包含系统劣化随机性和光谱测量不确定性。然而,现有基于油液光谱数据的剩余寿命预测研究中,没有考虑劣化过程的随机性和测量的不确定性对剩余寿命预测的影响。因此,针对综合传动装置劣化随机性和油液光谱数据测量不确定性对寿命预测的影响,提出一种考虑系统随机劣化和数据不确定测量的综合传动装置劣化过程建模方法。基于随机过程首中时间的概念,定义了综合传动装置的剩余寿命;基于Wiener随机过程,建立了考虑系统随机劣化和不确定测量数据的综合传动装置劣化模型,利用极大似然估计方法,估计了劣化过程模型的参数;利用卡尔曼滤波技术,实现了综合传动装置劣化状态的实时估计与更新,进一步得到了考虑系统劣化随机性和光谱数据测量不确定性的剩余寿命分布。研究结果表明,提出的劣化建模方法能够准确估计装置的运行状态,避免了采用条件维护时间对装置进行维护与保养的局限性;综合传动装置的维护时间预测值比条件维护时间延长了193 Mh（113.5%）;考虑光谱数据测量不确定性的剩余寿命预测方法优于不考虑测量不确定性的方法。     

Heath monitoring of a glass transfer robot in the mass production line of liquid crystal display using abnormal operating sounds based on wavelet packet transform and artificial neural network

This paper presents the fault detect method of a moving transfer robot in the mass production line of liquid crystal display (LCD) manufacturers based on the wavelet packet transform (WPT) for feature extraction and the artificial neural network (ANN) for fault classification. Most of fault detection methods in a mechanical system have been researched based on the vibration signal. Unlike the existing methodologies, this study aims to minimize the uncertainty of a field engineer's decision making process for determining whether a fault is present or not based on the human auditory perception by developing a fault diagnosis system that uses the abnormal operating sound radiated from a moving transfer robot as a source signal. Abnormal operating sound radiated from a moving transfer robot has been used for this work instead of other source signals such as vibration, acoustic emission, electrical signal, etc. Its advantage as a source signal makes it possible to monitor the status of multiple faults by using only a microphone despite a relatively low sensitivity. In the application of ANN, since it is important to minimize the error of trained ANN in terms of the accuracy of fault diagnosis logic, in the paper, the number of input and target data samples was increased through a regeneration process based on statistical properties, and then the uncorrelated nodes in the input vector were also removed to improve the orthogonality of the input vector based on the entropy based feature selection method. Consequently, it can be concluded that the abnormal operating sound is sufficiently useful as a source signal for the fault diagnosis of mechanical components as well as other source signals.     

PSO优化LS-SVM在模拟电路故障预测中的应用

针对模拟电路故障预测的特点,提出一种基于PSO优化LS-SVM惩罚因子和核参数的模拟电路故障预测方法。利用小波包分解重构构造能量特征向量,通过计算PPMCC和欧氏距离来表征电路中元件的健康程度,定义为健康度,由此推导出电路发生故障时该元件的故障阈值。应用PSO优化的LS-SVM模型来实现模拟电路的故障预测,预测各个时间点的健康度变化轨迹并估计模拟电路的剩余寿命。通过仿真实验得知,该方法简单便捷,能够有效实现模拟电路的故障预测,具有较好的实用性。     

Sensor and Actuator Fault Diagnosis for Robot Joint Based on Deep CNN

This paper proposes a data-driven method-based fault diagnosis method using the deep convolutional neural network (DCNN). The DCNN is used to deal with sensor and actuator faults of robot joints, such as gain error, offset error, and malfunction for both sensors and actuators, and different fault types are diagnosed using the trained neural network. In order to achieve the above goal, the fused data of sensors and actuators are used, where both types of fault are described in one formulation. Then, the deep convolutional neural network is applied to learn characteristic features from the merged data to try to find discriminative information for each kind of fault. After that, the fully connected layer does prediction work based on learned features. In order to verify the effectiveness of the proposed deep convolutional neural network model, different fault diagnosis methods including support vector machine (SVM), artificial neural network (ANN), conventional neural network (CNN) using the LeNet-5 method, and long-term memory network (LTMN) are investigated and compared with DCNN method. The results show that the DCNN fault diagnosis method can realize high fault recognition accuracy while needing less model training time.