飞行器液压舵面作动机构故障诊断研究

论文摘要

本文针对飞行器液压舵面作动机构的故障进行诊断技术的研究，以期寻找一种较为成熟、可靠的技术来对这样一个机构的故障进行状态监测与故障诊断。在本文的研究工作中，设置了两种故障，舵面转轴的损伤及转轴轴承的严重卡阻故障，通过获取振动信号来对故障进行分析和诊断。小波分析和经验模式分解是当前信号分析的热门方法，本文为了解决液压舵面作动机构的故障诊断问题，利用这两个方法分别对故障仿真信号进行处理，提取故障特征。另外，在对故障特征进行识别时，考虑到飞行器这样一种非常复杂昂贵的系统，实际的故障样本极为稀少，如何在小样本的学习下，使识别系统得到充分学习，并能以较高精度识别故障特征，支持向量机是一个不错的选择。对利用小波包能量和EMD分解两种方法提取的特征用支持向量机分别识别，可以得到两种方法的诊断精度，选取其中精度较高的方法进一步用于实际物理试验平台的模拟故障信号处理。通过该研究解决针对液压舵面转动机构的故障诊断问题，且诊断精度较高。另外，针对受环境激励的结构响应信号受噪声污染的问题，本文提出利用经验模式分解和小波阈值方法的结合来对信号进行降噪，取得了良好的效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 故障诊断中的信号分析处理技术
• 1.2.1 信号分析处理的概念
• 1.2.2 传统的信号处理技术
• 1.2.3 现代信号处理技术
• 1.3 本文的主要研究内容
• 第二章 小波分析理论
• 2.1 小波变换
• 2.1.1 函数展开、积分变换与小波函数
• 2.1.2 小波变换的定义及性质
• 2.1.3 小波变换的分辨率
• 2.2 小波包变换
• 2.2.1 小波包的定义
• 2.2.2 小波包的分解、重建与能量
• 2.3 信号的小波降噪
• 2.3.1 去噪效果评价标准
• 2.3.2 小波信号降噪原理与降噪步骤
• 2.4 本章小结
• 第三章 经验模式分解（EMD）理论
• 3.1 瞬时频率的概念
• 3.2 本征模函数（IMF）
• 3.3 经验模式分解（EMD）方法
• 3.4 本征模分量的选择
• 3.5 基于 EMD 和小波的降噪
• 3.6 本章小结
• 第四章 支持向量机理论
• 4.1 概述
• 4.2 统计学习理论
• 4.2.1 机器学习
• 4.2.2 统计学习理论的发展历程
• 4.2.3 VC 维与结构风险最小化准则
• 4.3 支持向量机
• 4.3.1 最优分类超平面
• 4.3.2 核函数与构造支持向量机
• 4.4 本章小结
• 第五章 仿真系统及其故障诊断应用研究
• 5.1 仿真系统介绍
• 5.2 转轴损伤诊断技术研究
• 5.2.2 基于小波包能量的损伤特征向量提取
• 5.2.3 基于 EMD 的损伤特征提取
• 5.2.4 基于支持向量机的损伤识别
• 5.3 舵面轴承卡阻故障诊断技术
• 5.3.1 基于小波包能量的故障特征提取
• 5.3.2 基于 EMD 的故障特征提取
• 5.3.3 基于支持向量机的轴承卡阻故障识别
• 5.4 本章小结
• 第六章 液压舵面作动机构故障诊断
• 6.1 试验平台与方法介绍
• 6.2 转轴损伤诊断
• 6.2.1 信号降噪
• 6.2.2 特征提取与故障诊断
• 6.3 轴承卡阻故障诊断
• 6.4 本章小结
• 第七章 总结与展望
• 参考文献
• 致谢