基于广义回归神经网络的传感器故障检测

为了研究航空发动机试验中精确数学模型未知的多传感器故障诊断问题,采用基于广义回归神经网络(General Regression Neural Network,GRNN)组的故障检测方法,提炼出传感器之间的约束关系和故障规律,构建了一组多输入多输出GRNN,用于估计传感器输出,与测量值生成残差,通过与门限值比较判断可疑传感器,找到神经网络组中的具有最小可疑传感器数的GRNN。采用可疑传感器的估计信号做为重构信号交叉验证其它GRNN。通过验证即可确定可疑传感器为最终故障传感器。为了控制神经网络的回归精度,将多输入多输出神经网络分解为多个多输入单输出网络。通过仿真数据验证了该方法用于传感器故障检测的可行性。     

航空发动机双重传感器故障诊断逻辑研究

针对航空发动机控制系统的双重传感器故障,提出了一种采用双路容错设计的卡尔曼滤波器故障检测隔离系统.故障检测隔离系统由一系列卡尔曼滤波器组成,每个滤波器都假定2路传感器故障,而以故障支路外的测量值作为输入量.当双重传感器故障发生时,只有不包含故障传感器信息的滤波器保持较低的估计残差,其他滤波器都会产生较大的估计残差,如此双重传感器故障便可以被隔离.利用滤波器组估计残差的特征,进一步设计合理的运算逻辑,系统就可以同时对传感器单一故障进行检测和隔离.为了验证故障诊断系统的有效性,在发动机慢车状态分别对传感器发生双重故障和单一故障的情况进行仿真.仿真结果表明:故障诊断系统能够准确有效地对传感器双重故障和单一故障进行检测和隔离.      

基于模糊奇偶方程的非线性系统传感器故障诊断

 给出了一种非线性系统传感器的故障诊断方法。该方法将T-S 模糊模型、全解耦奇偶方程和参数估计相结合,同时对非线性系统的多个传感器的故障进行检测、隔离与识别。设计出用于产生残差的线性系统全解耦奇偶方程,并给出了全解耦奇偶向量的存在条件,全解耦奇偶方程产生的残差仅对一个传感器故障敏感,而对系统状态、扰动输入和其它传感器输出解耦。引入T-S 模型将全解耦奇偶方程推广到非线性系统中得到了模糊奇偶方程。传感器的故障模型表示为刻度因子和偏差的形式,根据残差信息应用卡尔曼估计方法可识别出故障模型的参数。最后给出了某型号飞机控制系统传感器的故障诊断仿真实例。     

航空发动机燃油系统执行机构及其传感器故障诊断

提出了基于执行机构模型和航空发动机逆模型的执行机构及其传感器单一故障诊断和定位方法.基于执行机构小闭环结构建立了3阶执行机构传递函数模型.基于两个并联的BP(back propagation)神经网络,建立了航空发动机稳态逆模块和动态补偿模块,形成航空发动机逆模型,以实现基于航空发动机输出的燃油流量估计.以执行机构模型输出和传感器输出之间的偏差为依据进行故障判别,以航空发动机逆模型输出和传感器输出偏差为依据对故障进行定位.以某型航空发动机及其燃油系统执行机构模型为对象进行的仿真,结果表明,该诊断系统可在航空发动机稳态、动态情况下准确地诊断出幅值在1.6%以上的执行机构及其传感器故障并进行定位,验证了所提出故障诊断方法的有效性.      

基于数据融合的航空发动机多余度 智能传感器故障诊断

针对航空发动机多余度智能传感器故障诊断问题,提出一种基于数据融合的故障诊断方法。该方法采用改进的模糊C均值聚类算法对多余度传感器信息进行数据融合,将多余度敏感单元测量值划分为合适的几个类,然后根据少数服从多数的原则,选择含有最多敏感单元测量值的类的中心作为融合值,并通过计算各个敏感单元测量值与融合值之间的残差来监控传感器的故障情况。仿真结果表明,得到的融合值具有较高的精度,绝对误差在0.5℃以内,通过判断残差可完成传感器故障自检测与定位。     

某型涡扇发动机控制系统传感器故障诊断研究

研究利用卡尔曼滤波器及多重故障假设检验方法来检测某发动机控制系统传感器硬、软故障,并实现故障传感器的输出重构。给出了传感器故障诊断原理及算法,针对传感器常见典型故障进行了故障诊断过程仿真。仿真结果表明,所研究的方法能及时、有效的检测到故障传感器,并对其进行隔离和重构,没有发生误报和漏报现象。      

脉冲输出冗余捷联惯导的故障诊断研究

箭载冗余捷联惯导采用脉冲量化形式输出测量数据。脉冲量化会打乱原始测量信号中的误差构成,带来50(°)/h的瞬时漂移,这给故障诊断带来困难。针对脉冲量化导致冗余捷联惯导故障诊断困难的问题,提出了利用低通滤波器降低量化噪声的方法。以冗余捷联惯导故障诊断方法中的GLT(Generalized Likelihood Test,广义似然比法)为基础,结合低通滤波器对比研究了输出量化前后故障诊断的效果,发现了低通滤波器可以改善量化后故障诊断的效果。仿真试验表明:改进后的故障诊断效果接近于量化前的故障诊断效果,能准确检测到5(°)/h的阶跃型故障。     

基于自组织映射网络的故障诊断推理方法研究

从故障诊断基本形式出发，结合飞机刹车系统故障的各类特点，研究了基于Kohonen自组织映射网络理论的故障推理模型，并且应用到起落架刹车系统故障诊断中。该方法只需选择听，具有代表性的故障样本训练神经网络，他将代表故障的信息输入给训练好的神经网络，根据神经网络的输出结果，就可以判断出发生故障的类型。该模型除能识别已训练过的故障，还能识别未训练过的故障，并且聚类能力强，速度快，因此，很符合复杂系统的故障诊断。     

均值检验方法及其在冗余惯性导航系统中的应用

采用了非线性滤波的方法对影响故障检测及分离（FDI）性能的传感器误差进行了补偿,同时提出了故障检测与分离的均值检验方法（MVT）,该方法可以对2个传感器同时出现故障的情况进行检测与隔离。5个陀螺冗余惯性导航系统仿真结果验证了本文算法的有效性。     

模型基涡轴发动机传感器故障诊断研究

基于干扰解耦思想,针对涡轴发动机工作中传感器瞬时断路硬故障模式,提出一种基于模型的涡轴发动机未知输入观测器传感器硬故障诊断方法。通过对地面、高空工作的涡轴发动机不同传感器故障的模拟,验证了该故障诊断方法的有效性。结果表明,基于模型设计的未知输入观测器(UIO),能够对系统输入中的测量干扰未知输入信号进行有效解耦,同时传感器故障信息通过UIO计算获得的输出估计具有鲁捧残差性能。     

基于自联想网络的发动机传感器解析余度技术

本文提出了一种基于自联想神经网络的传感器解析余度技术。在这种网络中,冗余传感器的信息被压缩、重组进入网络的第一部分,网络的第二部分将压缩信息恢复出来。基于数据融合原理,若一个传感器发生故障,其它传感器仍可提供足够的信息代替发生故障的传感器。理论分析和用于涡轴发动机的仿真结果表明,这种特殊结构的自联想网络具有良好的过滤噪声和故障信号的作用,特别适合于用作不易建模的复杂对象的传感器信号重构     

基于小波变换的容差电路故障诊断

针对目前模拟电路中电子元器件存在的容差与非线性导致电路故障难以检测的现状,设计了适用于诊断由器件超出容差所引起的模拟电路故障的小波分析诊断方法。通过设定故障进行蒙特卡罗容差实验,采用小波神经网络,对故障输出信号进行小波分析提取其小波高频系数参量,经PCA分析和归一化后形成训练特征向量,并经过BP神经网络训练后,故障信号通过小波神经网络后能够快速精准的对故障器件进行定位。通过大量样本进行仿真计算表明所设计的小波特征参量故障诊断法对于模拟电路具有很好的故障分辨率。     

加快神经网络训练速度的方法在旋转机械故障诊断中的应用

根据一双跨转子实验台,模拟了转子与静子在轮盘处及轴颈处碰磨、轴系不对中及转子不平衡故障,通过一个信号自动处理装置记录下转子正常振动信号及发生各种故障时的信号,然后利用研制的人工神经网络系统对故障示例进行学习。通过在实际中诊断故障,证明这种是可行的。本文还针对人工神经网络(BP算法)存在的训练速度慢的问题,提出了一个加快网络训练速度的新方法(ARBP算法),较大提高了网络的训练速度。      

动态神经网络在液体火箭发动机故障检测与分离中的应用

应用动态神经网络在线辨识方法，提出了一种液体火箭发动机故障实时检测与分离基本系统。检测逻辑通过度量包含发动机故障信息的辨识残差信号实现火箭发动机故障检测，故障分离通过分析辨识误差相关函数的不同空间特征来实现。仿真研究表明动态神经网络可成功地应用于泵压式液体火箭发动机故障检测与分离。     

基于神经网络和证据融合理论的航空发动机气路故障诊断

为解决航空发动机这一复杂系统的故障诊断问题,提高智能化诊断方法的准确率,使用了改良的D-S证据理论,对基于自组织竞争网络和BP神经网络的2个诊断子系统的诊断结果进行决策级融合。结果显示,经过融合整个系统降低了误诊率,改善了诊断性能。文章还针对噪声干扰的情况,通过调整对于2个子系统的权重,在保证高准确率的同时提高了系统的抗噪声性能。研究结果表明D-S证据理论的使用可以达到比单独运用2个神经网络子系统都要好的诊断效能。     

传感器故障检测、识别和适应方法

对现有的方法进行了研究，着重阐述用检测滤波器思想进行传感器故障检测、识别和适应的方法。并利用这些方法，对一个具体的模型设计一个传感器故障检测、诊断和适应系统。通过故障仿真计算，验证了本文提出的方法使用的有效性     

OLS算法在无人机传感器故障诊断中的应用

在故障诊断领域,神经网络故障诊断方法以其优良的特性正得到越来越广泛的应用。本文针对无人机的特点提出一种基于RBF神经网络故障诊断方法,通过建立神经网络预测器来实现无人机机载传感器的故障诊断,其中网络学习算法的选取将直接影响神经网络故障诊断的性能。正交最小二乘算法(OLS)以其在设定网络参数方面的优点常用来作为RBF神经网络学习算法。本文将介绍OLS算法的原理和实现步骤,通过VC 6.0编程实现OLS算法,并利用无人机机载传感器数据来验证OLS算法的有效性。     

涡扇发动机气路故障定量诊断的BP网络研究

为了克服ＢＰ算法收敛速度慢的问题,提出了一种基于混合学习规则的ＢＰ算法,并采用模归一化方法,成功地定量组织了故障的学习样本,建立了能够定量分析发动机气路部件故障的人工神经网络（ＢＰＮ）。通过分析测量系统随机误差的影响和实际试车数据的效验结果,表明该网络具有较强的推广能力及适应性,能基本满足故障定量诊断的要求,并具有较好的工程实用性。     

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.