飞行器网络控制系统故障检测与时域优化

针对存在马尔可夫短时延和丢包的网络环境,研究了飞行器网络控制系统的故障检测系统设计与优化问题.将含有上述问题的网络化控制系统建模为离散的马尔可夫跳变系统.在此基础上,基于观测器构建残差生成器,将故障检测问题转换成H_∞滤波问题,以LMI（Linear Matrix Inequality）的形式得到并证明了故障检测滤波器存在的充分条件和求解方法.为进一步改善检测性能,提高检测系统对故障信号的灵敏度,采用一种时域优化方法对残差评估函数进行优化处理,并给出了该优化问题最优解的求解方法.数值仿真说明了所提方法的有效性.      

多传感器斜置系统故障检测的奇偶向量补偿方法

提出采用神经网络对多传感器斜置组件的奇偶向量进行补偿,从而消除安装误差、刻度系数误差以及常值偏差对奇偶向量的影响,提高系统对小幅值故障检测与隔离的准确性.基于神经网络的方法与卡尔曼滤波、偏差分离估计方法相比,不需要各项误差的动态模型和噪声统计特性.神经网络采用有一定时间延迟的样本进行在线学习时,利用补偿后的奇偶向量能够检测出有一定斜率的斜坡型故障.      

基于自校正模糊神经控制的无刷直流传动系统

提出了一种自校正模糊神经网络控制器(SCFNNC)来实现无刷直流电动机起动、调速、制动等各运行阶段的性能指标.该SCFNNC是采用调整系统增益参数的方法完成较完善的控制规则的.重点研究了系统自校正增益参数的确定方法,模糊控制器的设计,人工神经网络实现模糊控制规则的方法等.自校正增益参数是根据系统对超调量、转速稳态误差、动态速降的期望值来确定的.设计模糊控制器时是根据系统的性能指标,确定出合适的模糊控制规则表,用于训练神经网络.为使系统的性能达到最佳,采用了自校正模糊神经控制、开关控制和比例控制相结合的复合控制方法,通过数学仿真证实配备SCFNNC的系统具有优良的动、静态特性,及较强的鲁棒性.     

基于黎曼距离的编队飞行卫星姿态控制系统故障检测数据优选方法

为突破星上资源的严苛约束、提升编队飞行卫星故障检测能力,提出了一种适用于编队飞行卫星姿态控制系统的故障检测数据优选方法,通过利用黎曼距离衡量无故障情况和故障情况下系统测量信息之间的差距,构建了编队飞行卫星姿态控制系统故障检测能力的评价指标。在此基础上,提出了故障检测数据优选方法,为系统输出信息结构优化提供了理论依据。仿真表明,所提出的方法能够在星上资源受限的情况下有效提升编队飞行卫星姿态控制系统的故障检测能力。     

基于神经网络的卫星控制系统故障识别方法

闭环控制系统的反馈调节机制,可能破坏开环系统的可辨识性,导致误报率和漏报率同时上升,还可能导致同一故障模式下的多个变量发生异常,给闭环控制系统故障识别带来难度。针对单输入单输出系统,分析了闭环控制对可辨识性、误报率和漏报率的影响,对多输入多输出系统,理论上推导了闭环控制系统传感器故障的传播机理,分析了闭环控制系统对系统变量的影响关系,利用神经网络构建了闭环故障识别算法。数值仿真结果验证了闭环对故障系统诊断的不利影响,而卫星姿态控制系统的仿真结果标明:与传统方法相比,提出的方法识别性能更高。     

一种自适应观测器设计和故障检测方法

利用模糊系统和径向高斯函数网络,设计一种具有自适应能力的模糊神经网络.用高斯函数表示模糊规则前件的隶属度函数,然后,构造一种递阶自组织在线学习算法,从输入输出样本数据中,通过学习提取模糊IF-THEN规则;在此基础上,提出一种非线性时变系统的自适应状态观测器设计和故障检测方法,并对其结构及特征进行了讨论,仿真结果表明,这种自适应状态观测器能很好地观测系统的状态,并能有效地应用于系统的故障检测.     

基于自适应心跳算法的分布式系统故障检测器

故障检测是容错分布式系统中的关键技术之一.为了提高故障检测的性能,提出一种新型的故障检测器——自适应心跳检测器(SA-HD, Self-Adaptive Heartbeat Detector).SA-HD采用了基于拉式(pull)的自适应心跳算法,在考虑故障检测性能的同时也考虑了心跳检测所占用的网络资源对网络性能的影响.SA-HD能够根据网络负载调节自身发送心跳消息的频率,提高了心跳检测的网络环境适应能力,尤其是在高负载的环境下,能够有效改善心跳检测的性能.建立了SA-HD的模型,对其性能进行了仿真分析,并通过试验验证了SA-HD性能要优于传统推式(push)的心跳检测器.     

基于小波变换和神经网络的机械故障检测方法

针对机械故障中遇到的问题,提出了基于小波变换和神经网络故障检测方法,小波变换理论能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高了时-频分辨力。利用小波变换对信号原始信息进行分解,得到信号的不同特征向量。将不同的特征向量送入不同子神经网络进行诊断,并通过神经网络做出最后的诊断。该系统具有知识自动获取、识别速度快、鲁棒性及容错能力强等特点,实例证明该系统是有效的。     

采用BP算法的模糊自适应控制

在对不熟悉的过程进行模糊控制时,由于对过程的不了解,很难得到合适的控制规则.基于模糊控制器的一种解析结构,提出了将模糊控制器与神经网络相结合的方法.由神经网络对系统进行辨识,并为学习系统提供必要的信息,将控制对象视为神经网络的输出部分,采用BP算法根据神经网络提供的信息对经验规则进行修改,从而改善模糊控制系统动态响应.仿真结果表明该控制器对模型参数变化具有较好的适应能力,能够较快地修改系统的原控制规则,使对象输出较快地跟踪系统的输入.     

基于联邦滤波器的新型故障检测结构及算法

提出了一种基于联邦卡尔曼滤波器的故障检测结构,该结构利用各局部滤波器和参考滤波器共有状态之间的残差进行故障检测.并提出了2种故障检测算法:χ2检验法和Elman神经网络检验法.以组合导航系统为例进行了仿真研究,和其它算法相比该算法计算简单、可靠,不但可以快速检测出外部传感器及参考系统故障,且具有很好的容错性能,能快速检测出故障并进行隔离,使融合后系统依然保持较高精度.     

基于NUIO的无人机作动器故障检测

针对受未知气流干扰与随机噪声影响的无人机纵向系统进行作动器故障检测研究.在建立固定翼式无人机非线性系统纵向模型的基础上,设计了基于容积卡尔曼滤波(CKF)的非线性未知输入观测器(NUIO).通过构造未知输入观测器结构来解耦未知气流干扰对残差的影响,同时,CKF被算法用于求解观测器增益矩阵,实现了在未知气流干扰解耦情况下残差对随机噪声的鲁棒性.最后,利用残差χ2检验方法判断故障是否发生.仿真结果表明:此方法能有效解耦未知干扰对残差的影响,并快速、准确地检测出了无人机作动器故障.      

飞行器网络控制系统在线故障检测算法

针对飞行器网络控制系统具有网络诱导时延且采样周期较短的情况,提出了一种飞行器网络控制系统在线故障检测算法.考虑未知时延对网络控制系统的影响,建立飞行器网络化控制系统故障检测模型.基于此模型,构造了残差生成器,将故障检测问题转化为最小化优化问题.以矩阵Moore-Penrose逆的形式给出该最小化优化问题的解,在每个采样周期内进行飞行器网络控制系统在线故障检测.数值算例表明:当飞行器网络控制系统存在未知时延时,该故障检测算法对故障敏感,同时对未知时延引起的扰动具有鲁棒性.     

基于模糊奇偶方程的PL/INS导航系统故障诊断

提出了一种伪卫星(PL, Pseudolite)/惯性导航(INS, Inertial Navigation System)组合导航系统多故障识别方法.分析了PL的常见故障及其数学模型,采用模糊奇偶方程方法对PL的常见故障进行诊断、隔离和参数识别.采用Takagi-Sugeno(T-S)模糊模型描述PL/INS组合导航系统,对于局部线性化模型建立全解耦奇偶方程,并对奇偶方程的残差进行融合,得到全局残差.结合残差利用卡尔曼滤波进行故障参数识别,给出了参数识别的约束条件.仿真结果表明:针对导航系统中多个PL信号同时发生多种故障的情况,此方法能有效检测故障,并能准确识别出故障模型参数.      

卫星姿态控制系统执行器微小故障检测方法

针对卫星姿态控制系统执行器微小故障检测问题,提出一种基于神经网络干扰观测器的微小故障检测方法。该方法利用卫星姿态控制系统内的冗余关系,分别构建陀螺干扰观测器和干扰力矩观测器,对系统内的测量误差、扰动等进行估计,并对故障检测观测器进行扰动补偿,提高对执行器微小故障的检测能力。仿真结果表明,与基于解析模型的方法相比,该方法能够较精确地对解析模型的误差进行补偿,明显降低了检测阈值,实现了对扰动掩盖下的微小执行器故障检测。      

基于扩张状态观测器的飞轮故障检测与恢复

飞轮是卫星姿态控制系统中的主要执行部件,实现其自主故障检测与恢复对于维持卫星正常姿态具有很重要的意义.在建立了精确飞轮开环系统模型的基础上,设计了二阶非线性连续扩张状态观测器ESO(Extended State Observer).将飞轮故障视为系统外扰,并假设其余外扰是小量可忽略,则利用此ESO不仅能实时得到飞轮开环系统的状态量,当飞轮发生故障时更能快速准确地估计出故障量.因而无需产生系统残差即可直接进行故障检测,同时根据故障量的大小对系统输入即驱动电压进行补偿,使飞轮转速仍能维持正常值,保证卫星姿态不受故障影响.数值仿真验证了此方法的有效性.      

A new approach based on crater detection and matching for visual navigation in planetary landing

This paper provides an approach of crater detection and matching to visual navigation in planetary landing missions. The approach aims to detect craters on the planetary surface and match them to a landmark database during the descent phase of a planetary landing mission. Firstly an image region pairing method is proposed to detect the crater by using an image region feature detector. Then a WTA-rule is adopted to match the detected crater to the crater in database. To further reduce the false matching rate, an efficient method for reducing false matches using parameters of crater in 3-D database is proposed. Real images of planetary terrain and a semi-physical planetary landing simulation platform are utilized to test the performance of the approach, simulation results show the proposed approach is able to match the required number of craters to the database for pin-point planetary landing with a low rate of false detection and false matching, which will lead to an improved planetary landing precision.     

遥感图像飞机目标高效搜检深度学习优化算法

为了实现大幅面遥感图像中飞机目标的高效检测与准确定位,通过深度神经网络（DNN）的级联组合,提出了一种新颖的搜寻与检测相集成的飞机目标高效检测算法。首先,运用高性能的端到端DNN网络,进行停机坪与跑道区域的像素级高效精准分割,从而大幅度缩小飞机目标的搜索范围,以降低虚警发生概率,完成飞机目标候选检测区域的快速搜寻。然后,针对分割所得停机坪与跑道区域,借助手工数据集对YOLO网络模型进行迁移式强化训练,一方面可以弥补训练集在样本类型与数据规模上的不足,另一方面借助YOLO网络的强时效性优势对飞机目标的位置进行回归求解,可以显著提高飞机目标的检测效率。停机坪与跑道区域分割DNN网络在分割精度与时效性上具有显著优势,而迁移式强化训练YOLO网络不仅具有很高的检测效率,在检测精度上也能保持良好的性能。通过一系列综合实验与对比分析,验证了提出的搜寻与检测相集成的DNN级联组合式飞机目标高效检测算法的性能优势。