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。     

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.     

基于蚁群优化的长短时神经网络变外形飞行器故障模式识别

变外形飞行器机械结构复杂,在变外形过程中发生故障的概率大,传感器测量成本高,针对这些问题,提出了一种基于长短时神经网络进行飞行器测试故障诊断的方法。首先根据变外形飞行器的气动参数模型和非线性动力学模型,构建变外形飞行器执行机构故障特征数据库。然后针对变外形飞行器发生故障时的序列化特征数据,提出基于长短时神经网络的执行器故障诊断框架。利用蚁群优化算法对网络训练的超参数进行优化,提高故障诊断的准确性与泛化性。通过仿真验证了该方法可实现变外形飞行器的低成本,高效率,高精度的故障快速定位。     

一种闭环冗余系统可重构控制方法

提出一种闭环冗余系统在线可重构控制方法,包括控制器、控制分配和故障诊断.在故障诊断算法中,首先采用有向图方法快速确定可能的故障源.对于难以隔离的故障,提出了一种在线故障定位方法.故障定位后,通过控制分配,重新分配控制律.以航天器冗余动量轮系统的故障重构为例,说明了如何在系统级角度在线定位故障,重构系统.最后,给出了冗余动量轮卫星姿态调节过程中故障重构的仿真算例.     

基于故障建模的双余度舵机故障诊断技术

针对双余度舵机系统结构复杂、故障诊断困难的问题,提出了根据故障模型反向推理的故障诊断方法.在充分考虑各元件失效机理的基础上,将故障注入闭环系统建立典型故障模型.故障模型仿真了不同元件故障如何导致系统性能下降甚至完全失效.基于故障模型的仿真结果,对可观测到的异常状况进行分类和逆向推理归纳出故障诊断方法,并利用数学公式对一些故障量化评估.该诊断方法涵盖系统各元件,可快速定位故障元件,判断失效原因并进行定量分析,而且算法简单易于工程实现.      

一种全局的无关线性图嵌入故障特征提取算法

针对故障特征数据维数高、非线性且系统难以建立物理模型的故障诊断问题,提出了一种全局的无关线性图嵌入故障特征提取算法.通过监督学习建立原始特征的关系图,以线性图嵌入为框架进行特征降维.特征的降维过程既保留了同类数据的局部结构,又考虑了异类数据之间的全局分布,同时最大程度地消除了特征之间的统计相关性.在标准故障数据集上的实验结果表明:与已有的经典算法相比,能更有效地提取出故障的典型特征,因而更有利于故障诊断系统训练网络的快速收敛,实现快速、准确的故障诊断.     

基于深度残差收缩网络的滚动轴承故障诊断

滚动轴承的准确故障诊断是确保机械设备安全可靠运行的必要手段。针对多故障、长时间序列的滚动轴承振动信号,提出了一种基于深度残差收缩网络(DRSN)模型的故障诊断方法。首先,根据采集到的滚动轴承数据构造故障样本,针对多种故障类型下的长时间序列的振动信号,按照一定尺寸将长时间序列矩阵化,构成多故障类型的灰度图故障样本。从正常到故障的滚动轴承性能退化过程,通过多个采样点的随机采样,构造全寿命周期的故障样本用于故障诊断。其次,在多层深度学习模型基础上,将残差收缩网络模块加入到卷积神经网络(CNN)中构建深度残差收缩网络模型用于故障诊断,其中通过将残差项加入到网络中训练解决了多层网络模型的模型退化问题,利用软阈值化实现了样本降噪。最后,为了验证所提方法的有效性,采集了滚动轴承的多故障时间序列样本和全寿命周期故障样本用于故障诊断。实例验证的结果表明:所提深度残差收缩网络模型在处理含噪声样本时仍具有良好的鲁棒性,多层网络模型下没有明显的网络退化,能够保持较高的故障诊断正确率。在处理2种轴承故障数据集时,与其他模型相比,所提方法训练误差更低,平均故障诊断正确率提高1%~6%。      

推力矢量对飞机操纵面失效的补偿与重构

讨论了推力矢量控制对飞机俯仰、偏航通道气动力的补偿效果和飞行中操纵面失效故障下利用推力矢量进行控制律重构的概念.给出了系统的控制余度定义和伪逆重构条件.针对飞机方向舵失效故障,利用推力矢量进行了重构设计和仿真研究,结果是令人满意的.     

飞机机翼故障的动态飞行包线估算方法

进行机翼故障情况下的飞行包线估算可为驾驶员正确操纵和包线保护控制提供必要的信息.考虑到飞机机翼故障的动力学特点,提出一种动态飞行包线估算方法.建立故障参数模型,应用最小二乘辨识算法进行气动参数辨识与故障诊断;基于参数辨识结果估算飞行包线;根据故障特点,分别对系统进行配平计算,在每个配平点建立飞行包线数据库,根据故障诊断结果实时调用包线库中的数据,形成当前时刻的飞行包线.     

不完备信息条件下的并发故障诊断方法

在实际的装备故障诊断过程中,经常存在测试信息不完整的情况,而此时对并发故障进行诊断,则更为困难。针对这种情况,首先,对目前应用于不完备信息条件下的故障诊断方法以及并发故障诊断方法进行了分析。定义了不完备并发故障诊断决策系统对存在缺失的测试信息进行表述。提出了不完备边界粗糙熵对决策系统的不确定性进行度量,给出每条测试属性的重要度,同时给出了不完备信息条件下属性值频率的计算方法。然后,为了对并发故障进行诊断,在DSmT框架下构建了并发故障诊断模型,在此模型下提出一种融合证据特征的区间信度合成规则。最后,通过故障诊断实例,验证了方法的有效性和适用性。      

独立电源多智能体信息融合故障诊断方法

对独立电源系统进行故障诊断与预测研究是保证整个复杂运动装置系统安全性工程的重要环节.分析了目前独立电源故障诊断系统中存在的问题,提出采用多传感器信息融合和多智能体技术相结合的方法来提高故障诊断的可靠性和系统的扩展性.利用智能体的自主性、分布性和协作性,构建了独立电源多智能体信息融合故障诊断系统.根据独立电源故障征兆的特点,将D-S(Dempster-Shafer)证据理论引入到多神经网络的诊断结果融合技术中,阐述了多神经网络局部诊断智能体和D-S证据理论融合诊断智能体的具体实现方法.最后,以某型航空电源故障诊断为例,给出了故障实例的诊断仿真,结果表明该方法可有效提高诊断可信度.     

小卫星多级故障诊断系统设计

提出一种基于模糊神经网络的小卫星多级故障诊断系统,利用多级的方式对小卫星的故障进行诊断。其中第一级采用模糊聚类的方法,将故障定位于模块级;第二级采用模糊径向基神经网络,完成故障的部件级定位。最后用该故障诊断方法针对卫星故障仿真系统做了实验,对其预设故障进行了诊断,诊断结果与仿真系统预设故障完全一致。实验表明:多级故障诊断结构提高了故障诊断的系统性、准确性并大大降低了故障诊断中的计算量。     

基于深度学习的航空发动机故障融合诊断

通过对航空发动机故障诊断,能够正确判断各部件工作状态,快速确定维修方案,保证飞行安全。在结合深度信念网络和决策融合算法的基础上,提出了基于深度学习的航空发动机故障融合诊断模型。该模型通过分析发动机的大量性能参数,先利用深度学习模型提取出性能参数中的隐藏特征,得出故障分类置信度;其后对多次故障分类结果进行决策融合,从而得出更准确的诊断结果。将普惠JT9D发动机故障系数用于数据仿真,通过算例验证本文算法的有效性;算例计算结果表明:多次实验结果经数据融合提高了可信度,该模型具有较高的故障分类诊断准确性和抗干扰能力。      

基于粗糙集理论的卫星故障诊断方法

卫星结构和控制的复杂性、独特性和诱发故障的多源性导致其故障诊断的困难．卫星的一种故障模式与许多症状变量有关,目前的故障诊断推理因未充分考虑症状变量的冗余变量而比较复杂．提出了基于粗糙集理论的故障症状约简新方法,用卫星故障实例研究了新方法的应用,结果表明该约简方法对消除卫星故障症状信息冗余、简化和优化故障诊断推理非常有效。     

RLV再入神经网络自适应姿态控制器设计

可重复使用运载器（RLV）大包线再入过程中,广泛存在模型不确定与外界干扰,会给姿态控制器的设计带来不利影响,为此提出了一种神经网络自适应控制器设计方案。基于时标分离原理设计了快、慢双回路控制结构。在此基础上设计了径向基神经网络（RBFNN）自适应律,用于在线估计模型不确定和外界干扰力矩,并在控制器中进行补偿。仿真验证表明,RBFNN 自适应控制器能良好地完成姿态跟踪控制,有效地抑制干扰力矩对姿态控制的影响。自适应律能够在线估计真实的飞行器动态和外界干扰力矩,控制器具有抗扰动能力。     

融合粗糙集与D-S证据理论的航空装备故障诊断

针对航空电子装备故障诊断中出现的多源诊断信息存在冲突的情况,基于粗糙集与证据理论在处理不确定问题时的优势,提出了一种融合粗糙集与证据理论的故障诊断方法.该方法利用粗糙集将信息源给出的诊断数据转化为证据理论中的mass函数,进行结果融合.同时,该方法给出边界粗糙熵的定义,并基于边界粗糙熵获得反映各信息源在诊断融合过程中重要度的动态权重参数,提出一种新的证据理论的冲突合成规则.仿真实验表明,该方法可以有效地提升诊断信息融合结果的准确性,在航空电子装备故障诊断方面有较好的实用价值.      

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.      

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。     

神经网络专家系统在姿控系统诊断中的应用

为了解决传统专家系统在知识获取和推理方面的问题,提出了一种神经网络和专家系统相结合的诊断系统。采用主成分分析方法简化神经网络训练样本,进而优化网络的结构。采用神经网络集成技术,克服选取网络中间层节点数目及判断阈值的困难。给出了诊断推理过程和对诊断结果进行解释的方法。把此技术应用在了卫星姿控系统的故障诊断中,结果表明提高了诊断效率和诊断的正确率。