基于故障树和神经网络模型的航天器智能诊断研究

提出基于故障树和神经网络模型的诊断方法,提出面向故障树的基于框架和广义规则的知识表示方法及相应的确定性和可能性推理策略,对于可能性推理的结果,通过基于神经网络模型的学习诊断来进一步确定其状态。在Ｗｉｎｄｏｗｓ环境下,用Ｂｏｒｌａｎｄ Ｃ＋＋实现了一个原型系统。通过对“实践４号”卫星能源系统故障模拟实验台的诊断验证了系统的有效性。     

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.     

基于神经网络模型的学习诊断

基于故障树模型的诊断把故障树的底事件分成三部分：必然的故障源集（ＣＦＳ）、正常底事件集（ＮＥＳ）和可能的故障源集（ＰＦＳ），及如何进一步确定ＰＦＳ中各元素的状态（正常或异常）。在存在大量训练样本的情况下，可采用基于神经网络模型的学习诊断方法来确定ＰＦＳ中各元素的状态，并通过对某卫星能源系统故障模拟原理性试验台的故障诊断验证了该方法的有效性。     

复合材料层合梁分层问题解析解法

根据叠加原理将含有分层的复合材料层合梁在横向载荷作用下的受力状态分解为对称与反对称受力状态,再将反对称受力状态分解为无分层梁受反对称横向载荷状态与含分层梁在分层表面承受附加剪切载荷状态.将分层问题归结为在附加剪切载荷状态中,层合梁附加位移与附加应力的分析,并据此建立了一个简单的力学模型.最后,根据工程梁理论得到了由分层引起的附加位移与应力的解析解答,并用能量释放率方法确定了应力强度因子.     

基于DWNN的机电作动器渐变性故障诊断

飞机飞行控制系统机电作动器（EMA）的渐变性故障很难准确预判,若不能及早发现而任其发展就会影响到飞机的飞行安全性。针对EMA的渐变性故障,提出一种基于动态小波神经网络（DWNN）的故障诊断方法。首先,利用EMA在电机电枢绕组匝间短路、传动装置丝杆和滚珠磨损等多种渐变性故障状态下的运行数据来训练DWNN故障诊断模型;然后,利用训练好的DWNN模型对EMA渐变性故障进行诊断。创新之处在于DWNN模型利用小波分解算法去除了传感器测量信号中高频分量的影响,利用反馈神经网络的记忆能力融合了过去输入的信息和过去预测的信息,提高了对EMA渐变性故障诊断的准确性。通过对某型EMA进行故障诊断实验,仿真结果表明所提出的DWNN方法可以实现对EMA部件渐变性故障的准确诊断。      

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。     

基于深度神经网络的航天器姿态控制系统故障诊断与容错控制研究

针对传统航天姿控系统故障诊断与容错控制诊断精度及控制分配效率较低的问题，提出了一种基于深度神经网络的航天器姿态控制系统故障诊断与容错控制方法。以控制力矩陀螺为执行机构的航天器发生执行机构故障工况时，所提出的方法可保证鲁棒的姿态控制。首先，利用三个异构深度神经网络实现传统容错控制器的故障诊断、姿态控制和力矩分配等功能，建立了全神经网络的智能自适应容错控制器架构。然后，对三个神经网络的网络层数、神经元数目和激活函数等参数进行优化调整，对比分析了神经网络参数对控制器性能的影响。最后，对所提出的新型控制器在控制力矩陀螺发生故障时的控制精度和鲁棒性进行了仿真验证。仿真结果表明，对于具有冗余控制力矩陀螺的航天器，提出的方法不仅能在单一陀螺故障下实现高精度的容错控制，也能在发生多陀螺故障时保证一定的姿态稳定控制。     

基于多信号流图的分层系统测试性建模与分析

为了对分层系统进行测试性分析,提出基于多信号流图模型的分层系统测试性建模与分析方法.该方法利用多信号流图模型建立分层系统的层次结构模型,进行测试性分析时,首先利用相关性模型法对顶层模型进行测试性分析,当层次性模块与其它模块不能区分时,再利用相关性模型法对模糊组进行测试性分析,最终实现对分层系统的诊断设计.最后,利用某具有层次性结构的滤波放大器电路对该方法进行了验证,试验结果证明,该方法对于分层系统的测试性建模与分析是有效的,能够为分层系统制定有效的诊断策略.      

神经网络理论在微分对策中的应用

阐述了微分对策理论在实际应用中存在的问题,并从动态冲突的实际过程出发,将神经网络理论与分层式智能控制理论相结合,来模型化微分对策问题.将微分对策的双向优化问题转化成基于神经网络理论的目标机动性辨识和单向优化控制问题,将微分对策的定性与定量结合起来,为有效加入人的经验提供了一种技术途径.并采用自适应分布式学习速率,大大提高了神经网络的学习速度和精度.     

基于ANN的故障诊断专家系统的应用研究

介绍一种基于ANN的设备故障智能诊断专家系统模型,探讨了该模型的基本结构和相应的推理机制及故障诊断策略,提出将设备故障分为低层故障和高层故障的思想以及相应的分层诊断、分块进行的诊断策略,并以MK9-5卷接机组为诊断对象,研究了该模型及诊断方法在设备故障智能诊断中的具体应用.     

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%。      

基于多分类AdaBoost的航空发动机故障诊断

对航空发动机运行数据进行数据挖掘的方法,是发动机故障诊断研究领域的重要研究内容。由于各种算法自身的局限性,通过某种单一算法很难大幅度提升故障分类的准确性。运用组合分类的AdaBoost算法,综合多个分类模型进行诊断,是提升故障识别精度的一种较好的方法。通过AdaBoost算法及其改进算法的结合,建立一种多分类的AdaBoost算法,以支持向量机（SVM）为基础分类器,进行综合诊断模型的建立。通过单位向量法、比值系数法和相关系数法将指印图中统计的故障标识数据进行处理,得到不受故障程度影响的训练数据,再进行建模。实验表明,AdaBoost相关结合算法能够显著提升分类器性能。根据实际故障案例,验证了所建立的诊断模型能够较好地用于发动机的故障诊断。      

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。      

火箭发动机基于神经网络非线性辨识的故障检测

应用神经网络方法，提出了一种液体火箭发动机故障实时检测算法。神经网络采用非线性辨识技术贴近发动机的工作过程，并输出包合发动机故障信息的辨识误差信号。若辨识误差变大超过一定阈值，检测逻辑就预报发动机故障。在发动机启动阶段离线训练神经网络，在发动机稳态过程可以采用离线或在线学习算法。实验研究表明神经网络可以成功地应用于大型泵压式液体火箭发动机的故障检测。     

基于键合图模型的SHA/EMA余度系统的故障诊断

针对液压伺服作动器（SHA）和机电作动器（EMA）组合的余度系统中故障模式复杂的问题,采用基于键合图模型的故障诊断方法,可以诊断出系统中多种参数故障。首先建立SHA/EMA余度系统的行为模型,然后根据因果关系倒置法转换成诊断键合图模型,进而推导出计算残差的解析冗余关系式（ARR）,并创建故障特征矩阵（FSM）作为故障隔离的依据。联立行为模型和诊断模型对可隔离故障进行诊断,并通过ARR估计故障参数以诊断不可隔离故障。选取典型故障进行仿真验证,结果表明可隔离故障和不可隔离故障均被成功隔离,验证了所提方法对SHA/EMA余度系统的故障诊断是有效可行的。      

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%。     

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.     

基于深度迁移学习的航天器故障诊断

随着航天科技的发展,智能故障诊断技术是确保航天器控制系统安全、自主运行的关键技术之一.由于在轨航天器遥测数据样本少、噪声高、未标记,因此缺乏自适应能力、学习能力的传统故障诊断方法难以准确诊断在轨航天器故障.本文针对上述问题提出一种基于深度迁移学习的航天器故障诊断方法,为在轨航天器实时故障诊断提供了可行方法.首先,对航天器运行数据进行预处理,将多维时域信号转换为二维图像信号;其次,搭建基于残差网络的故障诊断深度学习框架,并利用地面测试数据与其他航天器在轨运行数据对网络进行预训练;进而,为了实现当前在轨航天器实时故障诊断,本文采用迁移学习自适应方法,设计网络联合分布自适应代价函数,对故障诊断模型进行参数重调,使模型适应当前在轨航天器故障诊断任务.仿真结果表明,所提出的基于深度迁移学习的故障诊断方法可以快速准确的诊断出航天器故障.     

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.