基于多信号流图的诊断贝叶斯网络建模

多信号流图与贝叶斯网络是两种不同的建模方法,对两种建模方法的异同分析表明多信号流图到贝叶斯网络的转化是可行的.为了降低诊断贝叶斯网络模型的开发费用,提出了一种基于多信号流图的诊断贝叶斯网络建模方法,从模型结构和模型参数两个方面论述了多信号流图向诊断贝叶斯网络的转化方法.依据该方法生成的诊断贝叶斯网络模型具有应对复杂系统故障诊断的证据冲突及不确定性问题的优点.实验证明所获得的诊断贝叶斯网络模型的诊断准确性与多信号流图模型一致.     

基于贝叶斯网络的故障诊断系统性能评价

故障诊断系统的性能评价是开发和验收故障诊断系统不可或缺的重要环节.针对基于贝叶斯网络(BN)故障诊断系统的性能评价需要,考虑系统诊断结果真实分布,提出采用二项分布参数估计方法来计算诊断准确度的置信区间,采用准确度期望值及其置信区间全面客观评价诊断模型的性能,形成贝叶斯网络模型诊断能力的量化评价指标,为诊断结果的可接受、可信程度以及诊断模型的训练充分性提供参考依据.最后通过燃油系统故障诊断实例验证所述性能评价的有效性.      

部分可观Petri网故障的量子贝叶斯诊断

针对故障本身构建量子贝叶斯Petri网模型算法，并利用该子网模型进行Petri网系统故障分析。对于部分可观Petri网模型中的不可观故障，根据可达标识图分析变迁点火路径不能判断系统状态，建立量子贝叶斯子网模型，通过不确定路径引起的量子干涉重新标定变迁的条件概率表得到量子概率振幅表。根据故障变迁的前置集合并结合量子贝叶斯推理计算变迁触发的先验概率，由后置集合中的可观变迁修正后验概率，由最大后验概率估计系统所处状态，当故障变迁不唯一时，选取最大概率的故障作为故障源。以实际故障系统建立部分可观Petri网模型，结合可观标签概率序列信息和量子贝叶斯概率估计，对系统不可观部分进行故障诊断验证算法的有效性。      

基于AE-BN的发电机滚动轴承故障诊断

为解决风力发电机在复杂工况及耦合性、不确定性条件下故障识别的准确性问题，提出了一种基于自动编码器(AE)与贝叶斯网络(BN)的AE-BN故障诊断方法。采用AE对电流信号进行特征提取，得到能够高度表征信号的特征分量；基于故障与特征之间的因果关系，建立由故障位置、故障状态和故障特征搭建的三层BN；将AE的特征分量与BN的拓扑结构相结合建立风力发电机故障诊断模型，解决故障诊断中的不确定性问题，提高多故障诊断的准确性。实验结果表明：所提方法能够对故障特征信号进行分析及诊断，精确辨识不同故障类型，相比K近邻算法等具有明显优势。     

一种网络环境中的故障诊断模型

结合故障诊断的需求和存在的问题,提出了一种以故障症状、故障假设、诊断操作和观测操作节点为基本元素,并具有网络结构的诊断模型.在该模型基础之上,遵循诊断过程独立的假设,解决实际诊断过程中操作依赖关系的问题,提出了一种基于诊断贝叶斯网络DBN(Diagnosis Bayesian Network)的故障诊断算法.同时通过引入观测操作,加快诊断的速度并且降低诊断代价.试验表明,与P/C更新算法比较,该算法能更有效地降低诊断代价,实现快速故障诊断,较好解决了操作依赖的复杂故障诊断问题.      

基于多信号流图与分支定界算法的故障诊断

针对实时在线故障诊断问题,提出了一种基于多信号流图和分支定界算法的故障诊断方法。通过建立多信号流图模型生成相关矩阵作为诊断知识,进而由相关矩阵以及观测向量产生冲突集,使最小诊断集的求解过程映射为整数规划问题;采用分支定界算法,通过对冲突集的分支、定界以及剪支得到故障诊断的最优解,从而避免了穷举问题造成的搜索"爆炸"。以某型机载燃油系统为对象对本文提出的算法进行了验证。结果表明:本文算法与常用的多信号流图诊断推理算法TEAMS-RT相比,算法速度相当,故障定位精度更高,很好地涵盖单故障以及多故障组合,可以胜任大规模复杂系统的故障诊断。      

基于灰色理论的复杂系统多故障模糊诊断

航天、核电等复杂系统源发故障概率通常难于获取,由此导致基于最大后验概率准则的诊断方法失效。针对上述问题,从测试可靠性先验概率入手,提出了一种基于相关矩阵和灰色系统理论的故障诊断方法,通过对系统建立故障-测试相关矩阵,生成有排序的测试报警概率矩阵,并利用灰色关联度衡量测试结果向量与故障特征向量的接近度,实现了对多发故障的模糊诊断。实验结果表明,该方法在诊断指标权重调整、诊断精细度、重点关注故障检出等方面优势明显,诊断结论正确率满足实用需求。     

一种改进的固液火箭发动机故障诊断方法

针对固液火箭发动机的可靠性问题，设计了一种改进的贝叶斯网络故障诊断方法，可以通过网络化自主逻辑推理，对固液火箭发动机进行故障诊断。为了提取时序观测信号的故障特征，提出将步进法与核主成分分析(KPCA)相结合的分析方法，并根据模糊C均值聚类算法(FCM)建立模糊多态贝叶斯网络，实现对观测信号尺度的模糊处理，提高对不确定性故障的诊断能力。通过Matlab/Simulink建立改进的贝叶斯网络故障诊断系统。仿真结果表明，改进的算法能够实现对固液火箭发动机常见故障的有效诊断，并能够适应小样本集学习的情况。与传统贝叶斯诊断算法相比，故障诊断的平均准确率提高了20.9%。     

批次定检设备故障诊断的贝叶斯方法研究

针对机载设备故障诊断定位率低的问题,提出充分利用先验故障信息指导批次定检的思想.通过研究批次定检机载无线电设备的失效规律,运用贝叶斯方法对小子样情况下的故障概率进行估计,建立了以各模块的故障概率来指导下一步故障检测的机制.针对不同情况提出3种指导方法并进行了仿真计算,结果表明可显著提高故障的一次定位准确率,减少故障查找时间,具有较高的工程应用价值.      

强电磁脉冲下柴油发动机系统薄弱环节识别

为识别强电磁脉冲环境下柴油发动机系统的薄弱环节，提出了一种加权故障树和分层贝叶斯网络相结合的柴油发动机系统薄弱环节识别方法。该方法综合考虑同层单元失效的相关性，加权故障树的局部应用解决了部分条件转移概率表不易获取问题。运用贝叶斯网络双向推理功能，首先，通过柴油发动机辐照试验和电磁仿真软件获得的各部件敏感度阈值及电磁应力数据，计算出强电磁脉冲下部件级到系统级的先验失效概率；然后，依据贝叶斯概率公式计算在发动机失效条件下各部件故障的后验概率，并排序以识别其薄弱环节，为电磁防护方案的设计提供参考和建议。以宽带高功率微波(WBHPM)辐照为例，说明了柴油发动机系统分层贝叶斯网络故障模型参数获取与概率计算过程。结果表明:执行器和凸轮轴位置传感器、曲轴位置传感器既为柴油发动机系统的重要部件，也为较薄弱环节，是需要重点防护的对象。      

计算故障先验概率的最大熵方法

为了解决故障先验概率估算不准的问题,提出了基于最大熵的故障先验概率的计算模型.该模型以相关的先验信息作为最大概率估计的约束条件,并通过拉格朗日函数,将故障先验概率估算问题转化成无约束优化问题.为了实现对无约束优化问题的快速求解,提出了一种基于最速下降法和牛顿法的混合梯度算法;并且,针对大规模系统中故障变量过多的情况,依据系统分解的原则,将高维故障空间分解为多个低维故障空间,给出了低维故障空间求解的快速计算方法.通过最大熵方法和故障平均间隔(MTTF,Mean Time To Failure)方法的结果比较,证明最大熵方法更具准确性.      

粗糙集在卫星电源系统故障诊断中的应用研究

为了提高多故障诊断算法在诊断信息不完备时的诊断能力,引入粗糙集技术。对粗糙集技术中决策表的约简问题进行了深入地研究,给出了约简算法;详细论述了已有的实时诊断算法的步骤和缺点,把粗糙集技术和其诊断算法相结合,给出了改进的诊断算法。将此技术应用于卫星电源系统的故障诊断中,在缺少征兆信息的情况下仍能正确地进行实时诊断,表明可以提高诊断能力和效率。     

计算机生成兵力模型的实时调度技术

针对计算机生成兵力系统在采用步长法推进逻辑时间时其实时性易受影响的问题,提出了将时间同步和模型调度进行解耦的实时推进方法,其中同步过程使用独立的线程读取本地时钟并通过运行支撑环境(RTI)驱动逻辑时间推进.同时提出了一种适合兵力模型的新的静态调度算法.该算法根据模型运行周期和系统步长划分调度表,并基于负载均衡的原则为模型分配仿真步长,具体包括3个处理过程:为仿真实体分配节点、产生初始调度表、运行时调整调度表.实验结果表明所提出的方法在保证良好的实时性基础上具有较小的开销和较高的处理器利用率.      

一种团队自治实体路径规划算法TAEPP

对团队自治实体的路径规划问题进行了分析,提出了一种团队自治实体路径规划算法TAEPP(Team Autonomous Entity Path Planning).该算法是一种集中式的全局规划方法,使用改进的A*算法得到团队中Leader成员的路径,通过对Leader路径的优化得到关键点表和队形转换表,利用关键点表和队形转换表得到团队中非Leader成员的路径.队形转换表可以使行进中的队形变换更合理,减少了队形维护时需要的通信量.通过调整算法中的2个影响因子,可以分别得到侧重于队形和侧重于距离的路径.试验结果验证了TAEPP算法的合理性和有效性.      

基于分布式专家系统的运载火箭故障诊断技术

针对运载火箭结构庞大,各分系统纵横交错、相互耦合的特点,基于分布式专家系统思想,提出了一种分布式运载火箭故障诊断技术方案.该方案采用产生式知识表达技术,将专家知识通过由测点表、征兆表、规则表和结论表组成的4表结构来表示,具有表述清晰、易于扩展和移植的特点.推理机制采用分布式推理和分级推理相结合的方式.分布式推理将运载火箭的系统级故障与各分系统级故障分别同时进行诊断,可有效提高诊断速度.分级推理将危害级别高的故障优先进行诊断,因此运载火箭一旦有危害程度大的故障发生时,可以及时发现、及时处置,从而使故障对系统的影响降至最低.