平台-捷联冗余姿控系统设计

从系统冗余的角度研究了提高运载火箭姿态控制系统可靠性的途径 ,介绍了平台 -捷联主、从式冗余姿态控制系统的组成和工作原理及故障诊断、切换和重构的模式。对平台 -捷联冗余方案进行了半实物仿真试验 ,试验中用典型致命性故障模式分别在几个特征秒和不同通道加入系统 ,记录和观察飞行过程中姿态控制系统对故障的适应能力和响应特性 ,同时研究了故障诊断阈值等对系统的影响。仿真试验证明 ,冗余方案正确、可行 ,在主、从系统出现一度故障的情况下 ,系统控制软件能正确诊断出故障 ,并且把故障部分切除 ,使系统处于稳定飞行状态     

基于MSPCA的液体火箭发动机试车台氢供应系统传感器故障诊断方法

研究了多尺度主元分析方法在传感器故障诊断中的应用问题。利用小波变换得到传感器信号在各个尺度上的系数，然后根据尺度系数矩阵建立主元分析模型进行传感器故障诊断。设计了固定窗长的移动窗口，对窗内数据进行小波变换后，用最后一个尺度系数计算平方预报误差进行故障检测，采用传感器有效指标这种具有定量辨识标准的参数对故障传感器进行辨识。最后，以液体火箭发动机试车台氢供应系统几个关键传感器的故障诊断为例验证了这种方法实用性和有效性。     

卫星动量轮闭环系统的UIO双观测器故障诊断

本文对于卫星动量轮闭环系统提出了一种基于UIO双观测器的故障诊断方法,该方法通过分析观测器残差向量的变化来分离执行机构、传感器及系统参数故障,并且可以通过隔离观测器反映出传感器的故障模式.文中首先对闭环系统故障诊断特点、UIO故障诊断方法及卫星动量轮闭环系统进行了简要介绍;接着分析了UIO双观测器法应用的条件;然后引入卫星动量轮闭环系统的模型;最后通过仿真实验证明利用本文中所提出的方法可以成功地诊断并分离出执行机构、传感器及系统参数的故障,并在传感器故障时可以确定出故障模式.     

基于模型知识的液体火箭发动机故障诊断方法研究

提出了一种基于定性模型的液体火箭发动机故障诊断方法，该方法首先通过建立发动机的定性偏差模型。以及对故障模式进行效应分析组建发动机的诊断模型知识，然后通过检测模型与系统实际行为的一致性进行故障诊断，用某实际大型发动机的故障数据进行测试的结果表明该方法是一种有效的定性故障诊断方法。     

机床主轴承多源信息融合故障诊断

针对机床主轴承的故障诊断,为解决传统方法仅由单一传感器数据分析准确性低的问题,提出基于主元小波包、递归神经网络以及振动及噪声信号多源数据融合的轴承故障诊断方法,实现对锻压机床主轴承的故障诊断。将振动及噪声传感器采集的信号,经主元小波包处理提取特征值,再利用递归神经网络进行局部故障诊断,得到不同传感器对轴承故障互相独立的故障证据,然后采用基于数据修正D-S证据理论将振动及噪声诊断结果融合,发现基于递归神经网络及数据修正D-S证据理论的诊断方法。该方法解决了单一传感器的不稳定性和局限性以及传统D-S证据理论冲突证据失效的问题,使故障诊断具备容错能力,提高了传统故障诊断的精确度。     

基于主元分析法的液体火箭发动机传感器故障检测与诊断

针对液体火箭发动机的压力、温度、流量等传感器数据,给出了一种基于主元分析法的传感器故障检测与诊断方法。该方法能够在对测量参数相关性分析的基础上,将传感器测量值所组成的测量空间分解为主元和残差两个子空间,通过传感器实际测量数据与正常数据矩阵在残差子空间投影的比较,对传感器的故障进行检测与诊断。以某型LRE传感器组为研究对象,通过故障模拟,给出了该方法对4种典型传感器故障的检测与诊断实例。结果表明主元分析法对LRE传感器具有很好的故障检测和故障诊断能力。     

基于时空结构的卫星智能诊断模型研究

针对卫星这类复杂系统的故障诊断,提出了基于时空结构的智能故障诊断系统模型(iFDS),从系统结构,结构模型,推理机制、流程模型等方面进行论述,通过对各种故障诊断方法进行融合,实现了卫星系统网络化、个性化、远程并行诊断的智能故障诊断.在故障推理机制研究中,将故障分为系统故障、多发故障和单元故障3类,分别对每一类故障提出相应的智能故障推理方法.     

姿态控制系统冗余设计方法与半实物仿真试验

从系统冗余的角度研究了提高运载火箭姿态控制系统可米住的途径，论述了捷联／捷联，平台／捷联冗余姿态控制系统的组成和工作原理，介绍了用姿态角判别故障和用姿态角速度判别故障的两种故障诊断、切换和重构的模式。对捷联／捷联冗余方案进行了半实物仿真试验。     

基于图论模型的运载火箭漏电故障诊断方法

漏电是航天发射过程中最常见也是危害极大的故障,建立漏电故障诊断系统是快速定位故障的有效方法.在分析航天器故障诊断现状的基础上,采用了基于图论模型的故障诊断方法,通过将运载火箭的供电系统模型转化为故障关系传播图,结合工程实践赋予部件相应的权值,运用信息论中的对分法原理设计了漏电故障诊断算法,并在实践中进行了检验.     

动力学环境试验技术在航天器结构故障诊断中的应用

文章概括介绍了故障诊断领域的应用发展情况,并以某航天器结构故障诊断为例,详细介绍了运用多种动力学环境试验技术对故障原因进行诊断的过程。说明有效地运用动力学环境试验技术,不但可以暴露结构设计缺陷,还可对航天器的结构故障状态进行诊断分析,准确查找出故障产生原因,为设计人员改进设计、排除故障提供有力的依据。     

基于时域分析的风电机组电控系统故障诊断

随着风电产业迅速发展壮大,风电机组的故障问题受到广泛关注。风电机组中的核心部分为其电控系统,本文针对电控系统故障频发的现象,主要讨论了系统的故障诊断问题。文中介绍了电控系统中的常见故障,主要对影响系统较大的主控PLC故障和变桨故障进行研究。提出将时域分析方法应用于以上的故障诊断中,通过相关参数的比较,检测系统故障。     

液体火箭发动机智能故障诊断的研究现状

综述了液体火箭发动机的故障模式，总结了液体火箭发动机故障诊断技术的最新成果，包括基于物理模型、信号分析和人工智能的故障诊断方法；将不同故障诊断方法的应用进展及其诊断效果进行了对比分析；并对液体火箭发动机故障诊断方法的发展趋势进行了展望。     

应用经验模态分解的箱型结构裂纹诊断方法

为获得航天器结构的更多故障信息,文章提出了一种应用经验模态分解对一个两层箱型结构进行裂纹故障诊断的方法。先对该结构进行有限元建模和模态分析,发现结构有无故障均对模态的影响非常小;再对实际结构进行正弦振动试验,对振动响应信号进行经验模态分解,利用固有模态函数构造标识向量,提取用标识向量间的标识夹角作为诊断结构故障的指标。分析结果表明,结合施加给结构的主振方向,利用标识夹角能识别出裂纹的位置和方向。该方法为航天器结构故障的诊断提供了一种新的思路。     

航天器动力学环境试验故障诊断专家系统

文章概述了对卫星及星上组件进行振动环境试验现有的故障诊断方法,并阐述了建立经济、有效的航天器故障诊断专家系统的重要性。提出了航天器故障诊断专家系统的研究方案,并通过对卫星结构模型的应用,验证了将小波系数作为故障诊断特征向量的可行性。利用此系统可在航天器研发过程中提高航天器结构的可靠性,缩减用于排查故障的时间与财力,缩短卫星研制周期。     

一种自旋稳定卫星姿态传感器数据异常的诊断方法

针对自旋稳定卫星遥测数据异常时,故障类型和故障源难于辨识的问题,提出一种数据驱动的故障诊断新思路.该方法提出将卫星姿态与传感器之间固有冗余关系是否保持作为判断故障类型的依据,并利用主成分分析把这种关系通过测量空间的特征值进行量化,监测特征值之间相应比例的变化实施判定;借助正交子空间的结构分析,选择SPE统计量进行故障检测和故障源的定位.在遥测数据的基础上模拟风云某型气象卫星的不同故障模式,并应用本文方法进行分析,结果表明,该方法克服了传统贡献图方法无法判别故障类型的缺点,可以实现对故障的正确诊断.     

基于小波分析的航天器姿态控制系统故障诊断方法研究

小波分析是一种全新的时频两维的信号分析技术,本文将其引入航天器姿态控制系统故障诊断,并针对姿态控制系统所采用的红外地球敏感器、陀螺和姿控发动机的典型故障模式,研究了基于小波分析技术的故障诊断方法。仿真结果证明了所提方法的有效性。     

基于分层神经网络的航天器故障诊断技术

为了提高卫星、飞船等复杂系统的故障诊断速度和精度,文章提出了一种基于分层神经网络的整星故障诊断模型。模型中的上层神经网络采用自组织特征映射网络,完成整星故障的初步定位与辨识;下层神经网络采用广义回归神经网络,实现整星各分系统故障的精确定位和定因。引入主元分析法实现原始状态变量的降维,减少神经网络神经元数量。该模型已成功应用于某卫星各分系统的故障诊断,提高了诊断效率,并能精确给出诊断结果。     

基于BP神经元网络的PLC故障诊断系统

首先建立可编程控制器控制系统的故障诊断模型,对可编程控制器控制系统的故障产生特点进行了分析,然后详细介绍了 BP 神经元网络的原理及如何应用 BP 神经元网络建立可编程控制器故障诊断系统,最后根据上述分析建立可编程序控制器故障诊断实例。     

卫星故障模式及演示技术

简要介绍了卫星故障模式及演示系统技术的三个组成部分：卫星故障模式、故障诊断专家系统和演示技术。说明了系统工作原理和主要研究成果，以及在太阳同步轨道卫星上的应用前景。     

热备份冗余二次电源中的“备压主”工作模式研究

文章列举了航天器二次电源中常用的冗余设计方式,并针对某航天器热备份冗余二次电源在轨出现的“备压主”现象进行了详细分析,说明了其产生的机理,并通过多个产品的地面试验进行了验证和分析,对热备份冗余二次电源的工作模式有了进一步的认知,指出“备压主”是这种冗余设计方式的一种特定工作模式,而非产品故障。