基于小波包BP_AdaBoost算法的机载燃油泵故障诊断研究

针对机载燃油泵故障数据少、诊断效率低、维护成本高、缺乏有效诊断方法的问题,搭建了机载燃油泵燃油转输系统实验平台,提出利用小波包分析进行特征提取和基于BP_AdaBoost机载燃油泵故障诊断方法。首先测量燃油泵7种典型状态模式所对应的振动信号和出口压力信号;然后在分析信号时频特性和统计特性的基础上,利用小波包分解提取振动信号不同频段能量值作为故障特征参数,结合振动信号峭度以及压力信号均值构造特征向量;最后利用特征向量训练和验证BP_AdaBoost分类模型。实验结果不仅优化了传感器,而且表明BP_Adaboost算法与SVM、BP算法相比,能够有效实现对机载燃油泵的故障诊断。

基于ADEGWO-SVM的机载燃油泵寿命预测研究

针对高可靠、长寿命、小样本的机载燃油泵剩余寿命预测问题,提出了一种基于自适应差分变异的狼群支持向量机（ADEGWO-SVM）组合寿命预测方法。首先,搭建了一个机载燃油泵寿命试验平台,监测其电应力载荷下的出口压力信号,应用小波包滤波的方法对原始压力信号进行降噪处理,提取压力均值信号作为燃油泵性能退化特征,接着利用自相关分析的方法进行特征相空间重构;然后利用基于ADEGWO算法结构简单和全局搜索能力的特点,优化支持向量机预测模型的参数,进而提出一种基于ADEGWO-SVM的组合寿命预测模型;最后,在不同的预测起始点,利用ADEGWO-SVM方法进行了寿命预测试验,为了进一步验证该算法的有效性,将其与粒子群支持向量机（PSO-SVM）,灰色模型（GM（1,1））等算法进行了比较,试验结果表明,该方法能够准确实现机载燃油泵的剩余寿命预测,显著提高寿命预测精度,对机载燃油泵的健康监测和寿命预测具有理论指导意义。

基于改进的CNN-SVM的机载燃油泵故障诊断

针对机载燃油泵故障诊断过程中存在需要先验知识、专家经验、特征解释及信号特征提取困难等问题,提出基于模拟退火遗传优化CNN-SVM的诊断方法。该方法利用CNN具有自动提取故障特征的特性实现特征快速提取。并针对传统CNN诊断方法所存在网络结构不确定、计算效率低等问题,采用模拟退火遗传算法对其模型结构和参数进行优化,使用SVM取代全连接层的Softmax分类器优化CNN分类效果,最后应用t分布随机近邻嵌入使其故障特征学习过程可视化,评估其特征提取能力。试验结果表明:与SA-GA-CNN、1DCNN、ANN、GA-SVM及GA-BP诊断方法相比,基于改进CNN-SVM的方法能更有效实现机载燃油泵的故障诊断。

基于CEEMD香农熵和GAPSO-SVM的机载燃油泵故障诊断方法

机载燃油泵是燃油系统的关键组成部件,针对信号分解重构过程中出现的模态混叠和残余分量过大现象,提出了一种基于CEEMD香农熵和改进SVM的机载燃油泵故障诊断方法。通过机载燃油泵故障诊断实验台,获取其各种工况下的壳体振动和出口压力信号,使用CEEMD方法进行振动信号分解,计算所得IMF的香农熵,以此为依据,选取合适的信号提取能量值和压力信号均值作为SVM的输入特征向量,采用遗传粒子群算法(GAPSO)优化的SVM诊断燃油泵的故障类型。将结果与BP神经网络、粒子群算法优化的SVM、遗传算法优化的SVM等方法进行比较,结果表明遗传粒子群算法优化的SVM诊断方法模型训练快、准确率高、时效短,具有良好的工程应用价值。

机载燃油泵复杂应力退化试验设计与应力影响分析

针对机载燃油泵可靠性高、寿命长,实际工作环境复杂,而试验应力因素单一等特点,设计搭建了复杂应力条件下燃油泵退化试验平台,并对应力因素影响进行了分析。首先通过对燃油泵失效机理的分析,选取了影响轴承磨损的电应力和机械振动作为主要应力,开展其性能退化研究;然后基于以上选取的应力搭建了燃油泵退化试验平台和振动试验装置,并对压力传感器和流量传感器进行了选型,介绍了信号采集控制系统,设计了燃油泵夹持装置并对其动态性能进行了分析;最后基于正交试验思想设计了试验方案,并采用极差分析和方差分析2种方法对试验结果进行了分析。所提方法缩减了2/3的试验次数,节省了试验时间,并得出电压对燃油泵可靠性的影响更为显著,其置信度可达99%。

机载燃油泵电应力加速退化建模与试验设计

针对传统加速退化模型建立过程中,未考虑应力变化造成失效阈值变化的问题,提出了通过试验建模确立失效阈值的方法.在分析某型机载燃油泵工作机理和物理模型的基础上,设计了从101~130 V的步进电压条件下机载燃油泵压力与流量测量试验,并基于样本分位数构建了机载燃油泵电应力下压力与流量的数学模型;又选取100、105、110、115、120、125 V为工作电压进行了加速退化试验,拟合出不同电应力下机载燃油泵的退化轨迹.最终依据其数学模型估计了机载燃油泵在100、105、110、115、120、125 V工作电压下的失效寿命分别为53 848、43 599、39 269、37 140、26 643、20 522 h,依据逆幂律模型L(U)=A×Un,通过参数拟合建立了机载燃油泵电应力加速退化模型L(U)=1. 329 9×10^12×U^-3. 694 9。

基于粒化模糊熵的机载燃油泵故障诊断

由于机械系统的复杂性,机载燃油泵振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度分析。为了实现机载燃油泵的故障状态特征提取,以模糊熵作为机载燃油泵振动信号的基本特征,提出了基于模糊信息粒化和模糊熵的机载燃油泵故障诊断方法。首先,采用模糊信息粒化方法对振动信号进行粒化处理,得到包含最小值、中值、最大值三组模糊信息粒;其次,计算模糊信息粒的模糊熵值;最后,将熵值作为特征向量,输入基于粒子群优化支持向量机建立的分类器。将该方法应用于机载燃油泵及轴承实验数据,分析结果表明,该方法可有效实现故障诊断。

失效物理与数据驱动融合的燃油泵在线寿命预测

针对机载燃油泵性能退化过程呈现的多阶段、非线性的特点以及对寿命预测实时性的要求,提出了一种基于失效物理与数据驱动融合的燃油泵在线退化建模与寿命预测方法。通过开关卡尔曼滤波器对燃油泵退化阶段进行在线识别,并对快速退化阶段建立失效物理与数据驱动融合的退化模型,然后基于无迹卡尔曼滤波器对建立的退化模型不断进行模型参数更新,并使用更新后的模型对失效寿命进行预测。将所提方法分别与纯数据驱动的方法、不进行退化阶段识别以及不进行参数更新的融合方法进行比较,整个参数更新过程中其均方根误差不超过0.3,寿命预测百分比误差不超过2%,均小于对比方法,验证了本文方法的有效性与优越性。

基于自适应组合核函数的RVM剩余寿命预测研究

针对机载装备性能退化随机性、失效模式多样性和运行环境变化剧烈的问题,提出了一种基于自适应组合核函数的相关向量机(RVM)剩余寿命预测方法。首先,分析了剩余寿命预测的不确定性来源、不确定性表达方式和处理方法;然后针对RVM超参数的确定方法,提出了基于最大期望(EM)算法的超参数优化方法;最后针对RVM预测精度受核函数影响和和核参数的严重影响,提出了基于自适应组合核函数的RVM预测算法。为了进一步验证算法的有效性,利用机载燃油泵的性能退化数据,将该算法与单一RBF核函数、单一多项式核函数的RVM预测算法进行了比较,实验结果表明,该方法能够准确实现机载装备的剩余寿命预测,对于机载装备的寿命预测具有理论指导意义。