A new interpretable fault diagnosis method based on belief rule base and probability table

It is vital to establish an interpretable fault diagnosis model for critical equipment. Belief Rule Base (BRB) is an interpretable expert system gradually applied in fault diagnosis. However, the expert knowledge cannot be utilized to establish the initial BRB accurately if there are multiple referential grades in different fault features. In addition, the interpretability of BRB-based fault diagnosis is destroyed in the optimization process, which reflects in two aspects: deviation from the initial expert judgment and over-optimization of parameters. To solve these problems, a new interpretable fault diagnosis model based on BRB and probability table, called the BRB-P, is proposed in this paper. Compared with the traditional BRB, the BRB-P constructed by the probability table is more accurate. Then, the interpretability constraints, i.e., the credibility of expert knowledge, the penalty factor and the rule-activation factor, are inserted into the projection covariance matrix adaption evolution strategy to maintain the interpretability of BRB-P. A case study of the aerospace relay is conducted to verify the effectiveness of the proposed method.     

基于分层置信规则库的惯导系统性能评估方法

为解决惯导系统（INS）性能评估所面临的高价值样本缺失、评估指标多、系统复杂等问题,提出一种基于分层置信规则库（Hierarchical BRB）的惯导系统性能评估方法。将专家知识与监测数据进行有效融合,提高了惯导系统的性能评估精度。首先,针对惯导系统结构构建分层BRB模型,同时将系统内部器件产生组合误差考虑在模型中。其次,为降低专家知识不确定性对初始模型评估精度的影响,采用基于投影算子的协方差矩阵自适应优化策略（P-CMA-ES）构建优化模型,通过监测数据对模型参数进行微调。最后,以某型捷联惯导系统的性能评估为例,验证了所提方法的有效性。     

Real-time fault detection method based on belief rule base for aircraft navigation system

Real-time and accurate fault detection is essential to enhance the aircraft navigation system’s reliability and safety. The existent detection methods based on analytical model draws back at simultaneously detecting gradual and sudden faults. On account of this reason, we propose an online detection solution based on non-analytical model. In this article, the navigation system fault detection model is established based on belief rule base (BRB), where the system measuring residual and its changing rate are used as the inputs of BRB model and the fault detection function as the output. To overcome the drawbacks of current parameter optimization algorithms for BRB and achieve online update, a parameter recursive estimation algorithm is presented for online BRB detection model based on expectation maximization (EM) algorithm. Furthermore, the proposed method is verified by navigation experiment. Experimental results show that the proposed method is able to effectively realize online parameter evaluation in navigation system fault detection model. The output of the detection model can track the fault state very well, and the faults can be diagnosed in real time and accurately. In addition, the detection ability, especially in the probability of false detection, is superior to offline optimization method, and thus the system reliability has great improvement.     

基于DSmT的航空发动机早期振动故障融合诊断方法

提出在航空发动机多个部位安装多个振动传感器组成传感器网络.采用多传感器信息融合技术进行早期振动故障的诊断方法,并引入Dezert-Smarandache理论(DSmT)来处理由早期微弱故障本身所导致的各个传感器信息相互冲突的问题.在构建的早期微弱故障诊断系统框架中,采用基于本征模态函数(IMF)的信息熵特征提取方法提取各路振动数据的特征,采用反向传播(BP)神经网络完成对故障属性的判断并生成各种故障模式的基本置信分配,最后根据DSmT融合规则得到最终的诊断结果.算例表明采用该方法可以有效地解决早期微弱故障条件下的高冲突信息融合问题,故障诊断结果准确可靠.      

基于GSP仿真和SDAE的航空发动机故障诊断

为了深入研究航空发动机故障机理,提出基于航空燃气涡轮发动机性能仿真软件(GSP)和堆栈降噪自编码器(SDAE)的航空发动机故障诊断方法。通过GSP性能仿真方法模拟发动机在不同设计参数下的部件故障,并得到对应的运行状态参数;从每种故障类型下的长时间序列的状态参数中提取出向量化的曲线特征,构成故障样本;将故障样本带入SDAE模型中进行深度特征提取,经过前向传播和反向微调得到训练好的模型用于发动机故障诊断。结果表明:GSP能够通过参数更改来模拟微弱故障下的状态参数,从而构建多故障样本集;SDAE的重构误差和反向传播误差能够快速收敛到较小值,SDAE的故障诊断正确率为99.5%;与深度信念网络(DBN)、人工神经网络(ANN)以及经典机器学习方法支持向量机(SVM)相比,SDAE的故障分类正确率分别提高了0.8%、6.9%和10.1%。     

基于VMD-CWT和改进CNN的直升机轴承故障诊断

由于直升机自动倾斜器滚动轴承振动信号具有非平稳、非线性特点,并夹杂非敏感故障特征信息,导致网络模型对周期信号过于敏感,不能充分利用故障信息的问题;针对此问题,提出一种变分模态分解(VMD)与连续小波变换(CWT)联合提取敏感故障特征的方法。研究表明:在相同模型训练下,该方法相对其他方法最高可提升模型准确率20.8%。为了解决卷积神经网络(CNN)进一步提高故障识别精度难的问题,提出一种基于K最近邻(KNN)改进的CNN的模型,在课题组和西储大学公开轴承数据集验证,测试精度达到99.8%和100%,可有效实现直升机自动倾斜器滚动轴承的故障诊断。     

基于协调近似表示空间的航空发动机故障诊断

航空发动机故障诊断的一个主要目标即是求出具有最大分布的故障类型,协调近似表示空间为统一处理不同信息系统提供了工具,并且考虑到航空发动机故障是典型的小样本问题,因此针对航空发动机故障诊断决策信息系统,在求取其基于最大分布的协调近似表示空间的基础上,引入规则融合方法得到所有不同条件下的决策规则,并将其用于历史故障数据的分析,得到了高的识别率,从实践的角度证明了该方法的有效性以及融合所得规则的普适性.      

基于故障检测的某涡扇发动机维修决策方法

为有效解决某涡扇发动机过度维修造成发动机性能衰减、维修周期长、维修成本高的难题,以某涡扇发动机大修手册和维修工艺为依据,研究了基于故障检测的发动机维修流程和修理模式,建立专家诊断系统和基于BP(back propagation)神经网络的故障诊断模型,并用数台涡扇发动机真实性能数据验证故障诊断模型的可靠性,其诊断准确率高达95%,综合两者的诊断信息,制定可靠的维修方案,优化维修流程,提出了一种基于故障检测的维修决策方法.通过某涡扇真实排气温度高发动机应用验证表明:所提出的维修决策方法,有效排除故障,提高发动机的修理质量,降低维修成本,具有良好的工程应用价值.      

基于信度规则库的惯性平台健康状态参数在线估计

 实时准确的健康状态预测是规划惯性平台系统及时、经济的维修策略的关键技术。由于平台系统的健康状态是不能够直接观测的,假设平台系统的特征参数监测数据是可以获取到的,而且平台系统的健康状态与特征量是相关的。基于信度规则库(BRB),以平台系统的状态监测特征参数作为BRB系统的输入,以平台的健康状态作为输出结果,组建了惯性平台健康状态预测系统。为了克服现有BRB参数优化方法的不足,实现实时状态预测,基于期望最大化(EM)算法,研究了健康状态预测系统的参数在线估计算法。该算法在获取系统新的输入输出信息后,就对参数进行更新。利用本文提出的方法对惯性平台系统的健康状态实时预测问题进行了实验分析,实验结果表明：该方法可以有效地实现惯性平台系统健康状态预测模型参数实时估计;与参数离线优化方法相比,该方法不仅在预测精度上,而且在运行时间上都具有明显的优势;在工程实际中有良好的应用潜力。     

利用神经网络规则提取方法获取转静碰摩故障诊断知识

 获取易于理解的航空发动机转静碰摩故障诊断知识规则对于深刻认识碰摩故障机理、有效诊断碰摩故障具有重要意义。鉴于此,研究了一种新的基于功能性观点的神经网络（NN）规则提取方法,介绍了连续属性离散、训练样本产生、神经网络训练、示例样本产生及规则提取等关键算法,并用Iris数据对方法进行了验证。最后,通过航空发动机转子实验器获取碰摩故障样本,利用神经网络规则提取方法从故障样本中提取了碰摩故障诊断知识规则,并对其进行了验证分析,验证结果充分表明了该方法的正确有效性。     

Loopy belief propagation based data association for extended target tracking

The data association problem of multiple extended target tracking is very challenging because each target may generate multiple measurements. Recently, the belief propagation based multiple target tracking algorithms with high efficiency have been a research focus. Different from the belief propagation based Extended Target tracking based on Belief Propagation (ET-BP) algorithm proposed in our previous work, a new graphical model formulation of data association for multiple extended target tracking is proposed in this paper. The proposed formulation can be solved by the Loopy Belief Propagation (LBP) algorithm. Furthermore, the simplified measurement set in the ET-BP algorithm is modified to improve tracking accuracy. Finally, experiment results show that the proposed algorithm has better performance than the ET-BP and joint probabilistic data association based on the simplified measurement set algorithms in terms of accuracy and efficiency. Additionally, the convergence of the proposed algorithm is verified in the simulations.     

基于SVM和SNN的航空发动机气路故障诊断

为了区分航空发动机气路故障诊断过程中出现的相似故障,提高诊断准确率,提出了一种支持向量机(SVM)和协同神经网络(SNN)相结合的故障诊断方法.首先利用参数优化后的SVM对测量数据进行初步故障诊断分类,对诊断结果进行分析统计,得出难以区分的相似故障类型,并根据SNN对这些相似故障进一步地区分判断,最后根据实际数据对此故障模型进行仿真.结果显示:基于SVM的初步故障诊断准确率达到96%;而经过SNN进一步地相似故障区分后,诊断准确率提升到100%.     

基于双重注意力机制及S-BiGAN的机电设备故障诊断

标签样本少条件下机电设备的准确故障诊断对于提高复杂机电设备的健康管理能力具有重要意义。针对标签样本少条件下难以建立准确故障诊断模型的问题,在半监督生成对抗网络的基础上,将注意力模块引入生成对抗网络,并利用格拉姆角场将一维数据转换为二维图像;结合双向生成对抗网络特点,提出一种基于双重注意力机制的半监督双向生成对抗网络（S-BIGAN）机电设备故障诊断模型,以轴承数据为例进行验证。结果表明：与CNN-SVM、SGAN 等算法相比,本文提出的模型能够提高样本生成质量和故障分类特征,有效解决标签样本少情况下的故障诊断问题,极大地提高了故障诊断准确率。     

模糊Petri网在电站燃气轮机故障诊断中的应用

本文给出了用模糊 Petri网模型来表示燃气轮机故障诊断专家系统中模糊产生式知识库的方法。并在这个模型的基础上, 给出了有效的推理算法, 并举例验证其正确性和在燃气轮机专家系统中应用的可行性。      

航空电子设备远程智能故障诊断与监测系统的研究

在传统远程故障诊断结构的基础上,以Agent为基本单元,构造了一种航空电子设备远程智能故障诊断与监测系统模型,并对智能诊断与监控系统的任务分解、组成结构、实现方法和关键技术进行了分析研究。利用多Agent技术是未来复杂设备故障诊断的发展方向,将对实现设备的智能故障诊断产生巨大的推动作用。     

基于MISG算法的风力发电机液压变桨系统故障诊断

针对受状态延时影响的风机变桨系统故障诊断,提出了一种基于多新息随机梯度(MISG)的故障诊断方法。该方法将复杂系统转化为状态空间模型,并建立系统辨识模型。将新息标量扩展成新息向量改善算法精度,利用系统发生故障引起参数改变的特征,算法对风机状态延时变桨系统完成参数估计,将系统故障诊断问题转换为系统辨识问题。仿真所得结果验证该方法可以达到诊断风机状态延时变桨系统故障的目的。     

基于LMD与AO-PNN的中介轴承故障诊断方法

针对航空发动机中介轴承受噪声干扰大、传递路径复杂导致采用传统方法难以进行故障诊断的问题,提出了一种基于局部均值分解（LMD）与相关系数-能量比-峭度准则、结合天鹰座优化算法（AO）优化概率神经网络（PNN）的中介轴承故障诊断方法。使用LMD对传感器采集的振动信号进行分解;利用相关系数-能量比-峭度准则判决筛选分解得到的PF分量,重构筛选后的信号;计算重构信号的多尺度排列熵（MPE）,以构建特征向量;通过AO优化的PNN的平滑因子,将优化后的神经网络用于中介轴承的故障诊断。基于中介轴承故障试验数据对诊断结果进行了分析,结果表明：提出的方法可以有效诊断高背景噪声、复杂路径干扰下的航空发动机中介轴承的典型故障,与粒子群优化的概率神经网络方法（PSO-PNN）和传统的PNN方法相比,其诊断准确率分别提高了3.875%和8.125%,具有较好的全局收敛性和计算鲁棒性。     

基于时频脊线和阶次分析的转子故障诊断

为解决采用在转子升降速过程中产生的非平稳信号难以进行故障诊断的问题,提出一种基于2维时频脊线和阶次分析的转子故障诊断方法。采集转子升降速信号,采用2维时频分布的峰值脊线提取法获得信号脊线特征,结合脊线特征与等角度重采样技术依次获得信号角度域、角-阶域和阶次域图像,将信号阶次域内的特征参数作为故障敏感特征,输入人工神经网络诊断模型,对转子信号的故障类型进行分类。利用实测信号验证所提方法的实际应用效果,并与传统特征提取法的结果进行对比。结果表明:阶次分析方法的测试准确率约为99.8%,标准差小于0.09%,均优于传统特征提取法。基于时频脊线和阶次分析的转子故障诊断方法具有更高的诊断准确率,在非平稳信号特征提取过程中具有很好的可行性和准确性。     

航空发动机部件性能参数融合预测

为了改善目前单独采用基于模型和数据驱动的部件健康参数预测精度,提高数据驱动方法的故障诊断的泛化能力,提出一种自调整决策融合机制,对航空发动机部件性能蜕化在连续蜕化空间进行融合诊断。传感器测量值同时输入到机载自适应模型和数据驱动的诊断模块中,分别利用卡尔曼滤波算法和自适应遗传算法优化的支持向量回归机(AGA-SVR)对主要部件性能进行预测,再利用自调整决策权重的量子粒子群寻优(QPSO)进行决策级融合诊断。以某型涡扇发动机为对象进行气路部件蜕化的仿真研究表明,与单独使用基于模型和数据驱动的诊断方法相比,采用决策融合机制有效地提高了部件故障诊断精度。     

基于正则化多核判别分析的航空发动机滚动轴承早期故障融合诊断方法

针对基于机匣测点信号的航空发动机滚动轴承早期故障诊断问题,提出了一种基于正则化多核判别分析的融合诊断方法.该方法首先提取多种类型的滚动轴承故障特征;然后采用相同的一组核参数为不同类型的特征分别构造一组核矩阵,并将所有核矩阵组合在一起;最后通过求解一个半无限线性规划得到该组核矩阵关于正则化核判别分析的目标函数的最优线性组合系数,进一步采用该系数计算所有核矩阵的线性组合,从而实现多种类型特征信息的融合.实验结果表明:该方法诊断正确率与采用单一类型特征诊断的最高正确率相比提高了9.25%,同时可以避免核矩阵需要人工选择的问题,从而进一步提高了故障诊断的自动化水平.