吴灿,故障诊断终稿..docVIP

一. 军事需求与国内外研究状况 （一）军事需求 （二）国外研究现状 （三）国内研究现状 （四）主要差距 （五）本单位研究基础 二. 研究目标、研究内容与技术指标 （一） 研究目标 本报告以舰用燃气轮机为研究对象，设计相应的数据采集系统，在分析不同故障机理的基础上，选择合适的故障诊断算法，建立舰用燃气轮机的故障诊断模型，完成舰用燃气轮机故障诊断方案的设计，以期实现满足工程要求的故障预诊断准确率，为实现舰用燃气轮机健康状态提供依据。 跟踪和分析国外技术发展状况，根据的要求和技术指标，完成系统研究。以系统主机和各系统的诊断关键技术，。技术FDR=D0/D1×100% （这是定义，不是指标；3和4也是） 式中：D0为正确检测出的故障数；D1为所发生的故障总数。 3．故障隔离率(FIR)：在规定的期限内,产品被检测出的故障,在规定的条件下用规定的方法能够正确隔离到少于或等于I个可更替单位的百分数。 FIR=I0/I1×100% 式中：I0为故障中定位到规定可更换单元的故障数；I1为检测到的故障数。 4．虚警率(FAR)：在规定的期限内,测试装置发生的虚警次数与显示的故障总数之比。 FAR=N0/N0+N1×100% 式中：N0为设备发生的虚报警数；N1为实际发生的故障数。 三、拟采取的研究方法及途径 （一）研究为完成航空发动机预测与健康管理系统总体方案的研究工作，有效解决系统开发过程中遇到的问题根据实际需求，本方案采用以下方法对EPHM系统进行研究： 1. 统计分析2. 数学建模方法采用数学建模方法对寿命管理功能模块进行； 3. 模糊关联分析法采用模糊关联分析法对EPHM系统故障诊断 图1 舰用燃气轮机故障诊断技术研究方案 故障诊断推理机对舰用燃气轮机的实时健康状态信息进行详细的故障诊断推理。对预处理后的相关信息进行故障案例匹配，若匹配成功则直接输出诊断结果。否则，对选定的参数进行特征提取，并通过多种不同的故障诊断算法实现对燃气轮机的故障诊断效能。由于诊断算法多样且各有利弊，选择多种算法对其进行诊断。支持向量机的决策仅取决于样本中的支持向量，能更好地应用于不平衡样本分类问题，对非线性、高维及小样本等问题具有特有的优势；EMD能把复杂信号分解为有限的IMF之和，每个IMF所包含的频率成分随信号本身而变化，非常适合处理非线性、非平稳信号；灰色关联度诊断是把反映模式的特征向量看作是一维空间的折线，通过计算关联度进行几何相似的比较，从而定量地确定模式间关联程度的大小；集成神经网络诊断系统是一种基于信息融合提出的神经网络诊断技术。它通过多种不同的诊断途径，采用多个子神经网络，从不同的侧面诊断故障，并对各子网络的诊断结果进行融合，最大限度的提高诊断正确率。最后对诊断结果进行融合，可以得到更为精确的诊断结果。经综合分析得到诊断结果的同时，通过案例学习更新案例库中的相关内容。 （三）技术途径 设计合理的分布式传感器系统，采集舰用燃气轮机健康状态信息，提取不同典型故障表征参数。对舰用燃气轮机健康状态主要影响因素进行检测，监控燃气轮机工作环境的温度、湿度、盐度、热量、真空度等信息，对环境因素造成的材料失效模式进行分析，检测燃气轮机材料环境性失效故障，评估故障发生的概率或故障危害度。设计先进的故障诊断算法，构建故障诊断模型，对燃气轮机及关键部件的应力、振动等典型特征信号进行诊断，根据诊断结果判断是否发生故障，实现舰用燃气轮机故障诊断效能。以舰燃气轮机为具体研究对象，采集燃气轮机故障数据信息，前期经过数据预处理，对照以前案例数据库匹配，数据对比，特征提取，再运用神经集成网络算法，EMD-AR模型和灰色关联度诊断算法，支持向量机诊断算法等进行分析运算处理，多种信息融合，推断出故障诊断结果。以上内容可以分为六个步骤： 1.采集舰用燃气轮机故障数据信息； 2.数据与处理，以及数据库匹配； 3.数据对比，特征提取； 4.运用神经集成网络算法，EMD-AR模型和灰色关联度诊断算法，支持向量机诊断算法等进行分析运算处理； 5.推断诊断结果 四．研究进度、成果形式及应用方向 （一） 研究进度 （二） 成果形式 （三） 应用方向 五．研究条件及保障措施 （一）人才条件 （二）研究条件 （三）外泄条件 （四）管理保障 六．经费概算 （一）分年度概算 （二）按内容概算