基于机器学习的机电系统关键部件PHM技术研究
发布时间：2021-01-27 08:17
对飞机机电系统关键部件实施PHM技术研究对提升飞机可靠性,降低保障费用具有重要意义,已成为必然趋势,机器学习是研究PHM技术的新型强力手段。本文基于机器学习对机电系统关键部件机电作动器和液压泵进行PHM技术研究。建立了机电作动器和液压泵的模型,剖析了机电作动器电机轴卡死、齿轮断齿、滚珠丝杠间隙过大三个故障和液压泵轴不同心、内泄漏两个故障的机理、影响以及故障注入方法,在此基础上,搭建了机电作动器和液压泵的故障仿真模型,获取仿真故障数据。基于小波包分解和重构对机电作动器和液压泵的故障仿真数据进行分析,计算小波包能量分布,结合时域统计量,提取可以反映部件故障特征的能量特征向量。提出了基于LVQ神经网络的机电作动器故障诊断方法,设计并改进了LVQ神经网络学习算法和网络参数,提升了LVQ神经网络的分类效果;提出了基于GA-SVM算法的液压泵故障诊断方法,采用实值编码的遗传算法对支持向量机的参数寻优进行改进,提升了支持向量机的分类速度。最后验证了本文所设计的两种故障诊断方法在各自对象上的有效性和优越性。使用线性回归方法将多维传感器数据融合为一维健康指标（HI）数据,并采用多项式拟合HI退化曲线,设...
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
机器学习应用领域美国国防部先进研究计划局（DARPA）于2003年开始PAL(PerceptiveAssistantthatLearns)
美国国防部先进研究计划局（DARPA）于 2003 年开始 PAL(PerceptiveAssistant that Learn计划，它是以机器学习为核心的一项计划。首期投资 2900 万美元，包含 2 个子计划：RADA子计划和 CALO 子计划（核心）。美国主要大学和公司参与此计划。DARPA 已经将机器学习技术上升到国家安全的角度来考虑。美国谷歌、微软、Facebook 等人工智能巨头公司纷纷布局机器学习，成为推动机器学习发展的核心引擎。2015 年 10 月，谷歌人工智能程序阿尔法狗（AlphaGo）战胜排名世界第一的围棋选手柯洁，举世震惊，人们看到了人工智能的潜力，而阿尔法狗的实现正是基于深度学习和强化学习。2017 年 9 月，Facebook 和微软宣布将联手提供一个开源的 “开放神经网络交换（ONNX）”的算法共享平台，允许开发者在不同开发阶段的人工智能引擎之间进行切换，让人工智能变得更容易获取。在国内，百度公司率先搭建了致力于人工智能方向的 IDL 研究院，主攻深度学习和机器学习等前沿技术。其核心成果“百度大脑”，已搭建了全球最具规模的神经网络，在语音方面，识别成功率达 97%，在图像方面，人脸识别准确率达 99.7%，除此之外，百度大脑将与医疗、交通、金融等领域展开合作。2017 年 9 月，百度推出自己自动驾驶无人车平台“Apollo”，机器学习在其中大放光彩。除了百度，国内很多科技互联网大公司在机器学习领域都深耕已久，推出了许多商业人工智能产品。
图 2.2 机电作动器整体模型图2.1.2机电作动器故障分析机电作动器的故障总体上可以分为电气部分故障和机械部分故障。电气部分故障主要包括电机故障、控制器故障、功率模块故障和传感器故障。机械部分故障主要包括齿轮减速器故障和滚珠丝杠故障。具体的故障模式如表 2.1 所示。表 2.1 机电作动器故障模式故障元件 故障模式电机 转子偏心、绕组开路、绕组短路、轴承卡死、堵转控制器 逆变器故障、霍尔传感器故障、PID 控制器故障功率模块 功率管短路、功率管开路传感器 解算电路故障、松动齿轮减速器 齿轮断齿、齿轮摩擦力大滚珠丝杠 间隙过大、卡死、断裂综合考虑机电作动器故障发生的频率、影响及模拟故障注入的实现难度，选择其中的三个
【参考文献】：
期刊论文
[1]PHM技术国内外发展情况综述[J]. 吕琛,马剑,王自力. 计算机测量与控制. 2016(09)
[2]基于数据驱动的微小故障诊断方法综述[J]. 文成林,吕菲亚,包哲静,刘妹琴. 自动化学报. 2016(09)
[3]基于随机Wiener过程的剩余寿命预测贝叶斯方法[J]. 蔡忠义,陈云翔,张亮,张浪军. 电光与控制. 2016(07)
[4]变工况条件下基于相似性的剩余使用寿命预测方法[J]. 李琪,高占宝,李善营,李宝安. 北京航空航天大学学报. 2016(06)
[5]基于小波包变换及RBF神经网络的继电器寿命预测[J]. 李志刚,刘伯颖,李玲玲,孙东旺. 电工技术学报. 2015(14)
[6]基于广义回归神经网络的油纸绝缘变压器的寿命预测[J]. 林喆,兰生,张宇航. 高压电器. 2015(02)
[7]基于相似性的装备部件剩余寿命预测研究[J]. 雷从英,夏良华,林智崧. 火力与指挥控制. 2014(04)
[8]RBF-SVM的核参数选择方法及其在故障诊断中的应用[J]. 周绍磊,廖剑,史贤俊. 电子测量与仪器学报. 2014(03)
[9]基于改进灰色神经网络的液压泵寿命预测[J]. 何庆飞,陈桂明,陈小虎,姚春江. 中国机械工程. 2013(04)
[10]行星齿轮箱故障诊断的扭转振动信号分析方法[J]. 冯志鹏,褚福磊. 中国电机工程学报. 2013(14)
博士论文
[1]基于退化隐式半马尔科夫模型的设备健康预测及系统性维护策略研究[D]. 彭颖.上海交通大学 2011
硕士论文
[1]基于性能退化数据的航空发动机剩余寿命预测[D]. 刘帅君.电子科技大学 2015
[2]滑动磨损—疲劳复合作用下寿命预测模型[D]. 徐元军.东北大学 2014
[3]基于小波神经网络的齿轮故障模式识别[D]. 李书磊.武汉科技大学 2007
本文编号：3002752
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
机器学习应用领域美国国防部先进研究计划局（DARPA）于2003年开始PAL(PerceptiveAssistantthatLearns)
美国国防部先进研究计划局（DARPA）于 2003 年开始 PAL(PerceptiveAssistant that Learn计划，它是以机器学习为核心的一项计划。首期投资 2900 万美元，包含 2 个子计划：RADA子计划和 CALO 子计划（核心）。美国主要大学和公司参与此计划。DARPA 已经将机器学习技术上升到国家安全的角度来考虑。美国谷歌、微软、Facebook 等人工智能巨头公司纷纷布局机器学习，成为推动机器学习发展的核心引擎。2015 年 10 月，谷歌人工智能程序阿尔法狗（AlphaGo）战胜排名世界第一的围棋选手柯洁，举世震惊，人们看到了人工智能的潜力，而阿尔法狗的实现正是基于深度学习和强化学习。2017 年 9 月，Facebook 和微软宣布将联手提供一个开源的 “开放神经网络交换（ONNX）”的算法共享平台，允许开发者在不同开发阶段的人工智能引擎之间进行切换，让人工智能变得更容易获取。在国内，百度公司率先搭建了致力于人工智能方向的 IDL 研究院，主攻深度学习和机器学习等前沿技术。其核心成果“百度大脑”，已搭建了全球最具规模的神经网络，在语音方面，识别成功率达 97%，在图像方面，人脸识别准确率达 99.7%，除此之外，百度大脑将与医疗、交通、金融等领域展开合作。2017 年 9 月，百度推出自己自动驾驶无人车平台“Apollo”，机器学习在其中大放光彩。除了百度，国内很多科技互联网大公司在机器学习领域都深耕已久，推出了许多商业人工智能产品。
图 2.2 机电作动器整体模型图2.1.2机电作动器故障分析机电作动器的故障总体上可以分为电气部分故障和机械部分故障。电气部分故障主要包括电机故障、控制器故障、功率模块故障和传感器故障。机械部分故障主要包括齿轮减速器故障和滚珠丝杠故障。具体的故障模式如表 2.1 所示。表 2.1 机电作动器故障模式故障元件 故障模式电机 转子偏心、绕组开路、绕组短路、轴承卡死、堵转控制器 逆变器故障、霍尔传感器故障、PID 控制器故障功率模块 功率管短路、功率管开路传感器 解算电路故障、松动齿轮减速器 齿轮断齿、齿轮摩擦力大滚珠丝杠 间隙过大、卡死、断裂综合考虑机电作动器故障发生的频率、影响及模拟故障注入的实现难度，选择其中的三个
【参考文献】：
期刊论文
[1]PHM技术国内外发展情况综述[J]. 吕琛,马剑,王自力. 计算机测量与控制. 2016(09)
[2]基于数据驱动的微小故障诊断方法综述[J]. 文成林,吕菲亚,包哲静,刘妹琴. 自动化学报. 2016(09)
[3]基于随机Wiener过程的剩余寿命预测贝叶斯方法[J]. 蔡忠义,陈云翔,张亮,张浪军. 电光与控制. 2016(07)
[4]变工况条件下基于相似性的剩余使用寿命预测方法[J]. 李琪,高占宝,李善营,李宝安. 北京航空航天大学学报. 2016(06)
[5]基于小波包变换及RBF神经网络的继电器寿命预测[J]. 李志刚,刘伯颖,李玲玲,孙东旺. 电工技术学报. 2015(14)
[6]基于广义回归神经网络的油纸绝缘变压器的寿命预测[J]. 林喆,兰生,张宇航. 高压电器. 2015(02)
[7]基于相似性的装备部件剩余寿命预测研究[J]. 雷从英,夏良华,林智崧. 火力与指挥控制. 2014(04)
[8]RBF-SVM的核参数选择方法及其在故障诊断中的应用[J]. 周绍磊,廖剑,史贤俊. 电子测量与仪器学报. 2014(03)
[9]基于改进灰色神经网络的液压泵寿命预测[J]. 何庆飞,陈桂明,陈小虎,姚春江. 中国机械工程. 2013(04)
[10]行星齿轮箱故障诊断的扭转振动信号分析方法[J]. 冯志鹏,褚福磊. 中国电机工程学报. 2013(14)
博士论文
[1]基于退化隐式半马尔科夫模型的设备健康预测及系统性维护策略研究[D]. 彭颖.上海交通大学 2011
硕士论文
[1]基于性能退化数据的航空发动机剩余寿命预测[D]. 刘帅君.电子科技大学 2015
[2]滑动磨损—疲劳复合作用下寿命预测模型[D]. 徐元军.东北大学 2014
[3]基于小波神经网络的齿轮故障模式识别[D]. 李书磊.武汉科技大学 2007
本文编号：3002752
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/3002752.html
