基于EMD-ARMA的飞行器健康诊断技术与疲劳裂纹检测

本文主要探讨了在飞行器健康诊断领域的一种创新方法，即结合 Empirical Mode Decomposition (EMD) 和 AutoRegressive Moving Average (ARMA) 模型。标题"基于EMD-ARMA模型的飞行器健康诊断 (2010年)"明确指出，研究者针对飞行器健康状况的有效诊断需求，引入了EMD分解技术来处理声发射信号。 EMD是一种数据解析工具，特别适合处理非线性和非平稳的时间序列数据，如飞行器的关键部件产生的声发射信号。通过EMD，信号被分解成多个Intrinsic Mode Functions (IMF) 或内禀模态分量，这些分量反映了信号的不同频率成分和局部特性。作者选择包含主要信息的IMF分量，构建ARMA(n,n-1)模型，这是一种广泛应用于时间序列分析的模型，其参数能够捕捉信号的动态行为。 接着，采用长自回归模型法进行ARMA模型的参数估计，这种方法旨在精确捕捉信号的自回归特性。得到的模型参数被用来绘制详细的细化图，用于进行健康诊断。这种健康诊断方法的关键优势在于能够处理非平稳信号，并通过ARMA模型的参数变化识别飞行器的关键结构部件的健康状况，例如疲劳裂纹。 作者通过在某型号真实飞行器的关键结构部件上进行健康监测实验，验证了这种方法的有效性。实验结果显示，这种方法不仅能有效地检测到疲劳裂纹，还有可能降低维修成本，促进飞行器的视情维修，并提升其整体性能和使用寿命。 这篇论文将EMD与ARMA模型相结合，为飞行器健康诊断提供了一种新颖且实用的方法，它在处理复杂声发射信号、提取信号特征以及进行故障检测方面展现出了巨大潜力，对于现代航空航天工程具有重要的实践意义。