基于自适应阈值的粒子滤波非线性系统故障诊断

针对实际非线性系统传统方法难以实现可靠故障诊断的问题,采用粒子滤波算法,利用对数似然函数和作为评价指标,并借助自适应阈值的设计,研究了非线性非高斯系统的故障检测和故障隔离。阈值的选取,是准确判别系统是否发生故障的标准,本文通过分析非线性系统残差的统计特性,在判定残差统计特性成正态分布的基础上,设计了一种基于粒子滤波故障诊断的自适应阈值方法,减少了故障诊断的漏报和误报。通过非恒温连续搅拌水箱式反应堆的仿真实例,验证了该方法在故障诊断中的准确性和有效性。      

基于多模型简化CDKF的故障诊断方法

针对使用传统卡尔曼滤波器对非线性系统进行故障诊断,估计精度低的问题,提出了一种新的故障诊断方法.该方法结合多模型自适应估计和简化中央差分卡尔曼滤波器的优点,能在线快速地检测出故障,利用中央差分代替了雅可比矩阵的求解,使系统状态估计准确收敛到真实值附近,而且避免了反复求解量测预测方差等一系列繁杂过程.在执行机构不同故障的情况下,通过与其他算法进行诊断对比,结果表明提出的算法在精度上和运行速度上具有明显的优势.     

基于模糊自适应Kalman滤波的MEMS惯导系统在线修正研究

MEMS惯性导航系统中,针对传感器零偏存在随机启动的不确定性误差,以及抗外界干扰能力低的实际问题.本文提出了一种基于模糊自适应Kalman滤波在线修正的方法,与常规Kalman滤波相比,该方法通过制定模糊规则,将残差的理论方差与实测方差迹的比值模糊化处理作为模糊推理的输入,量测方差的修正因子作为输出,实时评估系统的观测噪声,既抑制了滤波的发散又增强了估计修正过程中的稳定性.仿真结果表明:该方法能够准确的估计出系统的随机误差,并且在系统观测噪声的统计特性发生变化时,估计的精度和系统鲁棒性依然优于常规Kalman滤波.     

1基于模糊自适应Kalman滤波的MEMS惯导系统在线修正研究#br#

MEMS惯性导航系统中,针对传感器零偏存在随机启动的不确定性误差,以及抗外界干扰能力低的实际问题.本文提出了一种基于模糊自适应Kalman滤波在线修正的方法,与常规Kalman滤波相比,该方法通过制定模糊规则,将残差的理论方差与实测方差迹的比值模糊化处理作为模糊推理的输入,量测方差的修正因子作为输出,实时评估系统的观测噪声,既抑制了滤波的发散又增强了估计修正过程中的稳定性.仿真结果表明：该方法能够准确的估计出系统的随机误差,并且在系统观测噪声的统计特性发生变化时,估计的精度和系统鲁棒性依然优于常规Kalman滤波.     

基于键合图模型的传感器布局方法

为研究传感器布局对于故障诊断性能的影响,使用键合图方法对系统建模。通过在键合图模型中设置虚拟传感器模拟测点,利用键合图的结构信息和因果关系约束推导出一组解析冗余关系式,即系统残差,通过分析残差、故障及传感器配置的关系,提出了一种基于满足故障检测性和隔离性要求的传感器布局方法,在最大限度满足系统诊断性能前提下选择数量最少的传感器配置方案。最后,以同步发电机为例建立键合图传感器布局模型,通过残差推导其结构故障特征矩阵以及传感器特征矩阵,并对所提出的传感器优化布局方法进行验证,得出在参数性故障检测和隔离性能最高前提下的传感器配置方案。      

非线性系统多故障诊断方法

给出了非线性系统的一种基于模糊奇偶方程的多故障诊断方法.解决了非线性系统中同时出现多种故障时的故障检测与识别问题.首先构造线性系统的全解耦奇偶方程,再应用T-S模型融合非线性系统各个工作点处的线性模型的全解耦奇偶方程得到模糊奇偶方程.模糊奇偶方程产生的残差仅对一个执行器故障敏感、对一个传感器不敏感,而对其他执行器不敏感、对其他传感器敏感.将传感器和执行器故障模型表示成偏差的形式,根据残差信息可以估计出故障的模型参数.给出了应用递推最小二乘方法对各故障模型的参数进行估计的方法.给出了铁路牵引控制系统的感应电机仿真实例.结果表明,新方法能够对传感器故障和执行器故障同时存在的多故障进行诊断.     

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FDDPB方法的卫星姿态控制系统故障诊断

针对卫星姿态控制系统故障诊断问题,将执行机构及输出传感器的阶跃型和缓变型输出偏差统归于一种"参数偏差"型故障,介绍了改进的参数偏差型故障的实时检测与诊断 (FDDPB,Fault Detection and Diagnostics of Parameter Bias)算法,说明了此算法在卫星姿态控制系统执行机构和传感器故障诊断中的应用.引入卫星姿态动力学模型和飞轮模型,建立了算法仿真模型,选取执行机构阶跃型和缓变型故障作为故障注入条件,将该算法用于实验验证.仿真结果表明:该算法能够检测出系统发生的故障,且能够准确估计出故障幅值.      

基于观测器的传感器故障检测与信号重构方法

针对含未知有界干扰输入的线性系统进行传感器故障检测研究.通过对输出信号进行非奇异线性变换,将传感器故障等效转化为执行机构故障,提出对干扰具有鲁棒性、对故障具有敏感性的残差生成方法,设计滑模观测器进行残差估计,实现对传感器故障的检测,得到对传感器故障信号的精确估计,并实现对传感器信号的重构.基于飞机纵向小扰动模型,对于传感器的缓变偏差、突变偏差、完全失效和反相等故障的信号重构仿真结果都表明了该方法的有效性.     

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。      

基于线性最小均方差估计的星敏感器故障诊断

针对使用两个星敏感器进行姿态测量的三轴稳定控制系统,利用星敏感器输出值与陀螺输出值的解析冗余关系,通过设计两个滤波器实现对不同星敏感器的故障隔离.考虑到陀螺测量噪声以乘性噪声的形式出现在姿态运动学方程中,利用陀螺输出测量值和目标星敏感器的测量值,采用线性最小均方差估计器得到包含目标星敏感器故障信息的残差; 以无故障情况下残差的统计方差为基础得到阈值,通过检验残差评价值是否超过相应的阈值,实现对目标星敏感器故障的检测; 分别将两个星敏感器作为目标星敏感器,综合两个故障检测结果隔离故障.对星敏感器出现测量偏差和精度逐渐下降两种故障的仿真验证了该方法的有效性.     

基于双观测器的卫星姿控系统敏感器故障隔离

卫星的姿态测量部件通常包括光学敏感器和惯性敏感器,这两类敏感器的故障隔离是卫星闭环姿控系统故障诊断的难点之一。利用双观测器方法实现两类敏感器的故障隔离,由卫星姿态运动学方程可知,这两类敏感器的输出存在解析冗余,可建立一个"虚拟"系统。对这个系统设计两个不同的观测器,其中一个是Kalman滤波器,能检测两类敏感器的故障;另一个是隔离观测器,能检测光学敏感器的故障,通过比较这两个观测器的输出残差,达到故障隔离的目的。将该方法应用于包含太阳敏感器、红外地球敏感器和陀螺的卫星姿控系统的故障诊断,数学仿真结果验证了这种方法的有效性。     

基于比例积分强跟踪滤波器的故障估计

研究了线性系统执行机构和敏感器的故障估计方法．基于比例积分观测器具有同时估计系统状态和故障大小的能力,将比例积分观测器和强跟踪滤波器相结合,组成比例积分强跟踪滤波器来估计执行机构和敏感器故障,这种方法增强了对突变故障的快速跟踪能力．在系统发生故障时,比例积分强跟踪滤波器不仅能够快速检测、定位故障,而且还能估计出故障的大小．以某卫星为例,将此方法应用于推力器和陀螺的故障估计,并通过仿真验证了这种方法的有效性．     

卫星姿态控制系统的故障可诊断性评价研究

在不依赖任何诊断算法的前提下,对卫星姿态控制系统中传感器和执行器的故障可诊断性进行评价,旨在将提高系统故障诊断能力的工作重点前移到设计阶段.由于反馈控制的存在,导致故障会在整个系统中进行传播,使得单故障源表现出多异常征兆,这给闭环系统的故障诊断带来极大挑战.将故障视作扩展状态,并考虑模型不确定性,得到卫星姿态闭环控制系统的状态空间模型;根据可观测性判据,给出并证明考虑建模不确定性的加性故障和乘性故障可诊断性条件.所得相关结论可为卫星姿态控制系统设计提供理论参考依据.     

基于非线性未知输入观测器的航天器故障诊断

针对一类满足Lipschitz条件的非线性系统,设计了一组非线性未知输入观测器,并依据故障解耦的思想,产生结构化的残差集,实现非线性系统执行器的故障隔离。研究考虑了未知扰动对非线性系统的影响,并利用Lyapunov理论证明了所设计观测器的稳定性。最后,以三轴稳定卫星的姿态控制系统为对象,仿真验证了所提方法对各种典型执行器故障诊断的有效性。     

航空发动机传感器故障与部件故障诊断技术

结合局部学习思想与集成学习技术,提出了一种基于支持向量机-极端学习机-卡尔曼滤波器(SVM-ELM-KF,Support Vector Machine-Extreme Learning Machine-Kalman Filter)的航空发动机传感器故障与突发性部件故障诊断的方法.将改进的迭代约简最小二乘支持向量回归机训练技术推广到分类机中,用于区分传感器故障与部件故障,使得该分类机具有一定的稀疏性.对于传感器故障,利用ELM分类机对故障进行定位.对于部件故障,利用改进的卡尔曼滤波器对发动机各部件的健康参数进行估计,从而对部件故障进行定位.仿真结果表明,提出的故障诊断方法能够准确地区分传感器故障和部件故障,实现故障的有效定位,验证了方法的可行性.