PHM系统设计方案费效评估模型

故障预测与健康管理(PHM)系统是新一代装备安全可靠性的使能技术,已逐步应用于复杂装备密集的行业。针对其设计方案的评估问题,分析了应用PHM系统投入的成本和维修费用,建立了PHM效益模型和装备故障率估算模型,并提出PHM费用效果评估方法,通过案例分析,说明模型的应用程序和效果。

基于深度学习的柴油机气门健康状态评估

柴油发动机在运行过程中,其气门间隙会随其性能状态退化发生改变,为了解决传统的健康状态评估方法健康指标确定困难、权重人为经验依赖性大的问题,提出一种基于深度学习的柴油机气门健康状态评估方法。首先通过小波包分解算法对柴油机缸盖振动信号进行分解,对分解得到的节点信号分别提取常见的14个时域特征和小波包分解信号能量比向量,构建多维综合健康评估指标向量。然后基于一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)构建健康状态评估模型,将得到的健康评估指标向量输入模型中进行训练与健康状态评估。通过柴油机实验台开展气门退化模拟实验验证了该方法的有效性,与传统方法相比解决了健康指标的筛选问题以及人为主观经验带来的影响,并具有更好的健康状态评估效果。

考虑故障相关性的复杂二维保修装备机会维修策略

针对保修期内孤立地对各单部件进行维修降低装备可用度、增加装备保修成本的问题,结合复杂装备的特点和二维保修现状,以保修期内的装备可用度为主要定量化分析指标,探索最优的多部件系统机会维修策略。以多部件系统故障相关性分析为基础,结合各单部件预防性维修计划,运用机会维修策略,通过引入机会维修时可靠性阈值,将各单部件预防性维修工作组合优化,建立了多部件系统二维保修可用度模型。算例分析中,运用遗传算法求出某新型装甲突击车动力系统最优机会维修策略。对比分析结果表明:机会维修策略将动力系统可用度提高10%、保修成本降低9.3%,充分验证了机会维修策略的有效性,提升了装备维修保障的军事和经济效益;该策略可为二维保修服务下多部件系统机会维修策略的制订提供科学依据与定量化分析方法。

陆军合成旅典型装备保障系统数字孪生模型

陆军合成旅作为陆军新型作战力量,其装备型号多、合成度高,保障问题复杂,对装备“精确保障”的要求越来越高。将数字孪生技术引入装备保障领域,通过对研究对象的分析,廓清研究系统的内涵和外延,掌握系统运行规律。通过构建数字孪生模型框架,从物理维、孪生维、数据维、应用维、连接维5个维度刻画数字孪生模型的结构,明确模型各维度建立的关键技术,探索模型的应用设想,最终构建陆军合成旅典型装备保障系统数字孪生模型,以解决陆军合成旅装备保障面临的复杂问题,为装备“精确保障”目标实现提供方法借鉴。

应用优化DHKELM的柴油机故障诊断方法

为准确、高效地对柴油机故障进行诊断,提出应用优化深度混合核极限学习机(deep hybrid kernel extreme learning machine, DHKELM)的柴油机故障诊断方法。该方法以各样本的频谱幅值作为故障特征,归一化处理后作为DHKELM模型的输入,从而实现对柴油机各故障状态的识别。相较极限学习机,该模型具有更深层次的结构,引入了混合核函数以及自动编码器,可以准确区分易混淆的故障类型,提高诊断准确率。针对DHKELM模型中各个超参数难以确定的问题,提出利用改进麻雀搜索算法(improved sparrow search algorithm, ISSA)对模型中各超参数进行寻优,充分发挥模型的故障诊断性能。实验结果表明,在实验室实测数据中,所提方法较传统方法具有较好的故障诊断精度,为柴油机故障诊断提供了一种新的思路。

基于改进小波阈值的自行火炮信号降噪方法研究

为有效滤除自行火炮柴油发动机振动信号中的噪声,提出基于改进小波阈值的振动信号降噪方法。运用改进的自适应噪声完备集成经验模态分解处理原始振动信号得到各个本征模态函数分量,通过多尺度排列熵检测分量的随机性,筛选出需要降噪的分量,使用改进的小波阈值降噪方法对筛选出的分量降噪,重构降噪后的分量与无需降噪的分量,获得所需的振动信号。同时,针对人工选取多尺度排列熵中各参数对计算结果影响较大的问题,提出一种改进麻雀搜索算法对多尺度排列熵中各参数进行寻优。分别通过仿真信号和实验室实测数据验证所提方法的可行性和有效性,结果表明:与小波阈值降噪、多小波相邻系数降噪和ICEEMDAN-MPE-小波阈值降噪方法相比,所提方法应用于仿真信号时信噪比分别提升5.989 4 dB、6.078 7 dB和1.565 3 dB;应用于实验室实测数据时,降噪误差比分别降低22.143 3、6.834 9和0.722 7,为自行火炮振动信号降噪提供一种新的思路。

基于小波时频图与Swin Transformer的柴油机故障诊断方法

针对用传统的故障诊断方法难以对非线性非平稳的柴油机故障信号进行准确高效诊断的问题,提出基于小波时频图与Swin Transformer的柴油机故障诊断方法。该方法可以有效结合小波时频分析在处理非线性非平稳信号方面的优势和Swin Transformer强大的图像分类能力,通过连续小波变换将原始信号表示为小波时频图,将小波时频图作为特征图输入到Swin Transformer进行训练,实现柴油机故障状态识别。实验结果表明,与对比方法相比,所提方法具有较好的故障识别精度及稳定性,在公开数据集和实验室实测数据中的整体故障诊断准确率分别达到100%和98.88%,为柴油机故障诊断提供了一种新的思路。

自行火炮维修保障系统数字孪生体仿真模型

随着武器装备的发展与使命任务的拓展,陆军合成旅对装备维修保障的精确化水平要求越来越高。数字孪生技术的出现与发展,为解决维修保障精确化的问题提供了较好方法。数字孪生体仿真模型作为数字孪生模型的重要组成部分,对数字孪生技术的应用起到重要作用。通过研究对象分析,从智能体、逻辑结构、仿真界面三个方面对数字孪生体仿真模型进行了详细设计,以维修资源预测为背景进行了应用案例分析,探索了自行火炮维修保障系统数字孪生体仿真模型的构建方法,为建立自行火炮维修保障系统数字孪生模型提供支撑,为进一步研究陆军合成旅维修保障系统建模方法提供借鉴。

基于DVMD和SSAE的柴油机混合故障诊断

针对柴油机缸盖振动信号非平稳非线性的特点,提出一种基于散布熵改进的变分模态分解(DVMD)和堆叠稀疏自编码器(SSAE)相结合的柴油机混合故障诊断方法。利用散布熵确定变分模态分解的层数K,并根据散布熵转折点选取有效模态分量。分别对选取的各模态分量提取常用14个时域特征和小波包分解后的能量特征,构建混合多特征向量,输入基于堆叠稀疏自编码器和Softmax层构建的深度神经网络(DNN)中,实现了柴油机7种混合故障模式识别。与其他常见方法进行对比,结果表明该方法能够有效提取故障特征,具有较高的诊断准确率。

基于PCA-EDT-CNN的柴油发动机故障诊断方法

针对柴油发动机故障诊断中振动信号呈非平稳、非线性,直接将原始信号输入卷积神经网络(Convolutional Neural Network, CNN)进行故障诊断效果差的问题,提出一种基于PCA-EDT-CNN的新方法。首先,利用主成分分析(Principal Component Analysis, PCA)对传感器采集的原始数据进行自适应降维,并构建符合条件的主成分特征向量矩阵(Principal Component Eigenvector Matrix, PCEM);其次,对PCEM进行欧氏距离变换(Euclidean Distance Transformation, EDT),计算各行间欧氏距离并构建欧氏距离矩阵(Euclidean Distance Matrix, EDM);最后,将PCEM和EDM分别展平为一维向量并合成一个一维样本序列,输入到一维卷积神经网络(One-Dimensional Convolutional Neural Network, 1DCNN)对模型进行训练与诊断。搭建柴油发动机预置故障试验台,验证了该方法的有效性,且通过与传统方法对比,结果表明,该方法对柴油发动机不同故障状态诊断准确率高,具有实际工程应用价值。

基于Gamma过程的气门导管剩余寿命预测方法

本文提出一种基于Gamma过程的气门导管剩余寿命预测方法。假定柴油发动机气门导管退化量增量的均值和方差呈线性规律,在小样本条件下建立基于Gamma分布的连续累计磨损退化过程。根据检测得到的退化值,通过极大似然估计得到形状参数和尺度参数,进而得到未来时刻基于Gamma分布的剩余寿命概率密度函数,从而实现剩余寿命预测。通过假定退化量增量的均值和方差,可以仿真得到柴油发动机气门导管全寿命数据。在此基础上,进行参数估计与寿命预测,结果表明所提方法能够实现寿命预测,且相较于大样本条件下的预测效果更优。