對飛機機電系統(tǒng)關(guān)鍵部件實施PHM技術(shù)研究對提升飛機可靠性,降低保障費用具有重要意義,已成為必然趨勢,機器學(xué)習(xí)是研究PHM技術(shù)的新型強力手段。本文基于機器學(xué)習(xí)對機電系統(tǒng)關(guān)鍵部件機電作動器和液壓泵進行PHM技術(shù)研究。建立了機電作動器和液壓泵的模型,剖析了機電作動器電機軸卡死、齒輪斷齒、滾珠絲杠間隙過大三個故障和液壓泵軸不同心、內(nèi)泄漏兩個故障的機理、影響以及故障注入方法,在此基礎(chǔ)上,搭建了機電作動器和液壓泵的故障仿真模型,獲取仿真故障數(shù)據(jù)�；谛〔ò纸夂椭貥�(gòu)對機電作動器和液壓泵的故障仿真數(shù)據(jù)進行分析,計算小波包能量分布,結(jié)合時域統(tǒng)計量,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神經(jīng)網(wǎng)絡(luò)的機電作動器故障診斷方法,設(shè)計并改進了LVQ神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法和網(wǎng)絡(luò)參數(shù),提升了LVQ神經(jīng)網(wǎng)絡(luò)的分類效果;提出了基于GA-SVM算法的液壓泵故障診斷方法,采用實值編碼的遺傳算法對支持向量機的參數(shù)尋優(yōu)進行改進,提升了支持向量機的分類速度。最后驗證了本文所設(shè)計的兩種故障診斷方法在各自對象上的有效性和優(yōu)越性。使用線性回歸方法將多維傳感器數(shù)據(jù)融合為一維健康指標（HI）數(shù)據(jù),并采用多項式擬合HI退化曲線,設(shè)... 

【文章來源】：南京航空航天大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【部分圖文】：

機器學(xué)習(xí)應(yīng)用領(lǐng)域美國國防部先進研究計劃局（DARPA）于2003年開始PAL(PerceptiveAssistantthatLearns)

美國國防部先進研究計劃局（DARPA）于 2003 年開始 PAL(PerceptiveAssistant that Learn計劃，它是以機器學(xué)習(xí)為核心的一項計劃。首期投資 2900 萬美元，包含 2 個子計劃：RADA子計劃和 CALO 子計劃（核心）。美國主要大學(xué)和公司參與此計劃。DARPA 已經(jīng)將機器學(xué)習(xí)技術(shù)上升到國家安全的角度來考慮。美國谷歌、微軟、Facebook 等人工智能巨頭公司紛紛布局機器學(xué)習(xí)，成為推動機器學(xué)習(xí)發(fā)展的核心引擎。2015 年 10 月，谷歌人工智能程序阿爾法狗（AlphaGo）戰(zhàn)勝排名世界第一的圍棋選手柯潔，舉世震驚，人們看到了人工智能的潛力，而阿爾法狗的實現(xiàn)正是基于深度學(xué)習(xí)和強化學(xué)習(xí)。2017 年 9 月，F(xiàn)acebook 和微軟宣布將聯(lián)手提供一個開源的 “開放神經(jīng)網(wǎng)絡(luò)交換（ONNX）”的算法共享平臺，允許開發(fā)者在不同開發(fā)階段的人工智能引擎之間進行切換，讓人工智能變得更容易獲取。在國內(nèi)，百度公司率先搭建了致力于人工智能方向的 IDL 研究院，主攻深度學(xué)習(xí)和機器學(xué)習(xí)等前沿技術(shù)。其核心成果“百度大腦”，已搭建了全球最具規(guī)模的神經(jīng)網(wǎng)絡(luò)，在語音方面，識別成功率達 97%，在圖像方面，人臉識別準確率達 99.7%，除此之外，百度大腦將與醫(yī)療、交通、金融等領(lǐng)域展開合作。2017 年 9 月，百度推出自己自動駕駛無人車平臺“Apollo”，機器學(xué)習(xí)在其中大放光彩。除了百度，國內(nèi)很多科技互聯(lián)網(wǎng)大公司在機器學(xué)習(xí)領(lǐng)域都深耕已久，推出了許多商業(yè)人工智能產(chǎn)品。

圖 2.2 機電作動器整體模型圖2.1.2機電作動器故障分析機電作動器的故障總體上可以分為電氣部分故障和機械部分故障。電氣部分故障主要包括電機故障、控制器故障、功率模塊故障和傳感器故障。機械部分故障主要包括齒輪減速器故障和滾珠絲杠故障。具體的故障模式如表 2.1 所示。表 2.1 機電作動器故障模式故障元件 故障模式電機 轉(zhuǎn)子偏心、繞組開路、繞組短路、軸承卡死、堵轉(zhuǎn)控制器 逆變器故障、霍爾傳感器故障、PID 控制器故障功率模塊 功率管短路、功率管開路傳感器 解算電路故障、松動齒輪減速器 齒輪斷齒、齒輪摩擦力大滾珠絲杠 間隙過大、卡死、斷裂綜合考慮機電作動器故障發(fā)生的頻率、影響及模擬故障注入的實現(xiàn)難度，選擇其中的三個

【參考文獻】：
期刊論文
[1]PHM技術(shù)國內(nèi)外發(fā)展情況綜述[J]. 呂琛,馬劍,王自力.  計算機測量與控制. 2016(09)
[2]基于數(shù)據(jù)驅(qū)動的微小故障診斷方法綜述[J]. 文成林,呂菲亞,包哲靜,劉妹琴.  自動化學(xué)報. 2016(09)
[3]基于隨機Wiener過程的剩余壽命預(yù)測貝葉斯方法[J]. 蔡忠義,陳云翔,張亮,張浪軍.  電光與控制. 2016(07)
[4]變工況條件下基于相似性的剩余使用壽命預(yù)測方法[J]. 李琪,高占寶,李善營,李寶安.  北京航空航天大學(xué)學(xué)報. 2016(06)
[5]基于小波包變換及RBF神經(jīng)網(wǎng)絡(luò)的繼電器壽命預(yù)測[J]. 李志剛,劉伯穎,李玲玲,孫東旺.  電工技術(shù)學(xué)報. 2015(14)
[6]基于廣義回歸神經(jīng)網(wǎng)絡(luò)的油紙絕緣變壓器的壽命預(yù)測[J]. 林喆,蘭生,張宇航.  高壓電器. 2015(02)
[7]基于相似性的裝備部件剩余壽命預(yù)測研究[J]. 雷從英,夏良華,林智崧.  火力與指揮控制. 2014(04)
[8]RBF-SVM的核參數(shù)選擇方法及其在故障診斷中的應(yīng)用[J]. 周紹磊,廖劍,史賢俊.  電子測量與儀器學(xué)報. 2014(03)
[9]基于改進灰色神經(jīng)網(wǎng)絡(luò)的液壓泵壽命預(yù)測[J]. 何慶飛,陳桂明,陳小虎,姚春江.  中國機械工程. 2013(04)
[10]行星齒輪箱故障診斷的扭轉(zhuǎn)振動信號分析方法[J]. 馮志鵬,褚福磊.  中國電機工程學(xué)報. 2013(14)

博士論文
[1]基于退化隱式半馬爾科夫模型的設(shè)備健康預(yù)測及系統(tǒng)性維護策略研究[D]. 彭穎.上海交通大學(xué) 2011

碩士論文
[1]基于性能退化數(shù)據(jù)的航空發(fā)動機剩余壽命預(yù)測[D]. 劉帥君.電子科技大學(xué) 2015
[2]滑動磨損—疲勞復(fù)合作用下壽命預(yù)測模型[D]. 徐元軍.東北大學(xué) 2014
[3]基于小波神經(jīng)網(wǎng)絡(luò)的齒輪故障模式識別[D]. 李書磊.武漢科技大學(xué) 2007



本文編號：3002752