基于多方法联合的故障诊断技术研究

针对基于故障树（ FTA）的故障诊断方法存在的空间爆炸问题和基于神经网络的故障诊断方法存在的训练样本整理困难问题,将故障树和BAM神经网络融合的方法应用于航电系统故障诊断,利用FTA得到系统的故障模式,进而分析归纳出BAM的训练样本,通过联想记忆矩阵并行联想,得到诊断结果,扩展综合故障诊断能力。对航电系统进行故障诊断仿真分析,验证了方法的有效性。并联合基于BP神经网络故障诊断方法,将二者优点结合进行联合故障诊断,验证了联合故障诊断方法的可行性。     

两种神经网络应用于数控系统故障诊断

介绍了双向联想记忆（ＢＡＭ）学习算法神经网络和误差后向传播（ＢＰ）神经网络在数控系统故障诊断中的应用实例。这两种神经网络在数控系统故障诊断方面都有着重要的应用价值，都能实现故障的联想、容错、自学习等功能。但因为各自具有的特点不同，又使得ＢＰ网络更适于故障样本多的情况，而ＢＡＭ则适于要求对错误的故障征兆进行纠错的故障诊断系统     

基于神经网络理论的建筑施工安全等级评定

从建筑施工实际出发，基于函数型连接神经网络，采用神经网络——专家系统组成的混合系统方法，建立了建筑施工安全等级评定系统。该评定系统根据建筑施工安全情况，基于给定安全等级数据参数，经过神经网络的学习、联想、记忆和分类，能较准确地评定出建筑施工安全等级。     

航空发动机内窥故障诊断专家系统研究

采用BP神经网络准确识别内窥故障信息,并且建立综合基于规则推理和基于案例推理的混合专家系统,对内窥故障进行智能诊断。实验结果证明,该专家系统能快速有效地给出损伤评估和维修策略。     

基于粗糙集和神经网络的导弹故障诊断方法

人工神经元网络（ANN）具有本质的非线性特性、并行处理能力以及自组织自学习的能力,但单独使用ANN处理问题时,往往会存在一些缺陷。文章介绍导弹驾驶仪故障智能诊断的一种新方法：首先,利用粗糙集原理约简故障特征属性数据;其次,用带动量项的批处理BP神经网络方法对故障数据进行训练并检验;最后,将故障数据处理后输入神经网络分类器,对故障实施诊断。     

神经网络集成在发动机故障诊断中的应用研究

提出一种基于A daBoost的集成神经网络故障诊断方法,利用多层前向神经网络作为故障弱分类器,通过简单地训练若干个单一神经网络并将其预测结果进行合成,实现了对航空发动机多类故障的诊断。针对一个涡轮喷气发动机气路部件的仿真实验表明,这种方法提高了最终故障分类器的泛化能力,便于工程应用。      

一种基于神经网络的航空发动机剩余寿命预估方法

针对航空发动机剩余寿命预估中模型建立困难且计算精度低等问题,提出了一种基于卷积神经网络和长短期记忆神经 网络进行航空发动机剩余寿命预估的方法。利用卷积神经网络中的卷积层与池化层提取传感器数据中的特征,并依据卷积层提 取出的特征,利用长短期记忆神经网络进行时间序列预测,并使用全连接层输出航空发动机剩余寿命。在NASA的C-MAPSS提 供的涡扇发动机退化仿真数据集上对该方法进行了验证。结果表明：基于卷积神经网络和长短期记忆神经网络的航空发动机剩 余寿命预估方法,可以在保证预测精度的前提下,对航空发动机剩余寿命进行较为保守的预估,在保证资源不被浪费的情况下,尽 可能提前发出故障预警信号,从而提高飞行的安全性,进而为航空发动机健康管理系统提供有用信息。该预测方法在对称指标和 非对称指标上均优于此前提出的方法。     

基于深度学习的飞行器故障情况下可配平能力快速预示方法

针对飞行器在执行机构故障条件下配平能力受限的问题，本文提出了一种基于深度学习的故障情况下可配平能力快速预示方法。首先，建立飞行器气动力矩和执行机构故障模型，并给出飞行器旋转配平条件。其次，在不同执行机构故障情况下，采用基于二次规划的可配平能力求解方法，在迎角/侧滑角二维平面内进行遍历求解，得到当前故障情况下的可配平能力剖面，并采用8个特征点进行包络，同时为所提方法提供样本。再次，利用深度神经网络强大的拟合能力，从样本中提取故障和气动力矩信息作为网络输入，特征点的迎角和侧滑角的值作为网络输出，离线训练深度神经网络。利用训练好的深度神经网络根据当前故障信息实时计算可配平能力剖面。最后，通过仿真验证了所提方法的有效性和实时性。     

广义回归神经网络在冗余捷联惯导故障诊断中的应用研究

针对冗余捷联惯导的故障诊断问题，研究提出了一种基于广义回归神经网络的故障诊断方法。该方法在传感器输出数学模型未知的情况下，仅通过传感器之间的冗余关系，利用传感器正常工作时的测量值和改进的神经网络估计输出值生成残差进行故障诊断。仿真试验表明，利用神经网络补偿产生的残差可以检测到未补偿时的故障。该方法不仅可以检测到单故障，还对多传感器同时发生故障具有一定的检测能力。     

基于神经网络的红外型空空导弹故障诊断专家系统

普通的导弹自动测试系统只能给出主要参数的检测结果,针对以上不足,通过对神经网络和专家系统在自动测试领域中的深入研究,设计完成了一种基于神经网络的故障诊断专家系统,克服了传统专家系统故障定位慢、容易出错、数据库难修改的缺点,提高了装备保障工作的时效性和可靠性。重点阐述了知识库和推理机的构建思路和方法,采用VC＋＋6.0进行软件设计。通过大量实验验证得出,该系统执行速度快、故障定位准确,具有广阔的应用前景。     

基于NN-ELM的航空发动机燃油系统执行机构故障诊断

提出了一种航空发动机执行机构及其传感器单一故障诊断及定位方法.首先通过执行机构模型判断是否发生故障,然后运用发动机逆模型对故障进行定位.基于离线训练BP(back propagation)神经网络建立执行机构模型,根据某半物理仿真试验台的测试数据训练网络参数.提出离线训练和在线训练相结合的极端学习机(ELM)算法建立发动机逆模型,使网络在初始时刻就具有诊断能力,工作过程中具有适应能力,且在线训练过程采用阈值判别法筛选训练样本,减小了在线训练时间,提高了逆模型的实时性.以某型发动机燃油系统执行机构为例的设计和仿真结果表明:该诊断系统能够准确地对发动机在稳态和动态工况以及蜕化状态下的执行机构及其传感器单一故障进行准确诊断和定位,具有很好的实时性.      

Accommodating controller malfunctions through fault tolerant control architecture

In previous work we have proposed a supervised globalized dual heuristic programming (GDHP) controller as a solution to the fault tolerant control (FTC) problem of nonlinear plants subject to abrupt and incipient faults capable of drastically modifying the system dynamics to maintain stability and performance. The neural network (NN) based adaptive critic controller presented the best choice for the flexibility and power necessary to accomplish the task, however no success guarantees can be made for the online training of neural weights for the unrestricted fault recovery problem. Built on the existing framework, we propose a novel supervisory system capable of detecting controller malfunctions before the stability of the plant is compromised. Furthermore, due to its ability to discern between controller malfunctions and faults within the plant, the proposed supervisor acts in a specific fashion in the event of a controller malfunction to provide new avenues with a greater probability of convergence using information from a dynamic model bank. The classification and distinction of controller malfunctions from the faults in the plant itself is achieved through an advanced decision logic based on three independent quality indexes. Proof-of-the-concept simulations over a nonlinear plant demonstrate the validity of the approach.     

航空发动机故障的支持矢量机智能诊断

引入支持矢量机和多元分类算法到航空发动机故障诊断当中。通过设计的多元分类支持矢量机构建了小样本多参数航空发动机故障智能诊断模型，然后通过发动机故障仿真器对典型发动机气路故障进行了诊断。结果表明，支持矢量机具有优秀的故障学习能力，采用它进行航空发动机故障诊断是可行、有效的。     

基于CBR的机载雷达故障诊断专家系统研究

以故障诊断的理论和方法为基础，综合运用神经网络、基于案例推理(CBR)和专家系统理论，对雷达装备的故障诊断问题进行研究，形成一个集成的智能诊断专家系统。介绍了系统的总体结构和工作原理，并给出具体的诊断实例，此方法充分利用神经网络和CBR的优点，将提高雷达装备故障诊断的正确性和效率。     

基于改进符号有向图模型的发动机引气系统多故障诊断方法

为了在符号有向图(SDG)模型中进行多故障诊断,提出了基于改进符号有向图(ISDG)模型的多故障诊断方法.ISDG模型满足了不完全信息条件下的多故障组合诊断的需求.通过交互式方法构建不完全信息条件下的诊断过程,利用最大增益费用比确定了最优的测试序列,实现了在多故障诊断过程中效率的提高和成本的降低.最后用交互式算法诊断某民用发动机引气系统多故障,ISDG模型能够诊断多故障,说明诊断多故障可以提高诊断效率;考虑组合逻辑后,最小费用比最大费用减小了7.25,增益费用比增大了32.2%,说明考虑组合逻辑可以减少32.2%的费用.      

涡扇发动机气路传感器故障诊断

为了实现对某涡扇发动机传感器故障的在线诊断,提出并设计了1种基于在线贯序极端学习机的故障诊断算法。其核心思想是在定位某传感器故障后,在线建立针对该故障传感器"预学习"的信号重构算法,解决多故障混叠问题。在线信号重构算法以泛化能力指标为判定条件,利用选择策略对算法网络权值进行选择性更新,提高了故障诊断系统的实时性。以某型涡扇发动机为对象开展了传感器故障诊断与重构仿真,结果表明:该算法能够对发动机单、双传感器故障进行准确地诊断与信号重构,且具有良好的实时性。     

粒子群优化的粗糙集-神经网络在航空发动机故障诊断中的应用

提出了一种基于粒子群优化算法的邻域粗糙集-神经网络的发动机智能故障诊断方法,首先利用基于邻域粗糙集模型的属性约简方法对样本数据进行属性约简,然后采用粒子群优化算法替代传统BP算法来训练神经网络的权值和阈值,再用训练好的神经网络对航空发动机气路故障进行诊断.仿真结果表明:该方法降低了神经网络结构的复杂性,减少了网络训练时间,提高了诊断精度.     

基于SVM和SNN的航空发动机气路故障诊断

为了区分航空发动机气路故障诊断过程中出现的相似故障,提高诊断准确率,提出了一种支持向量机(SVM)和协同神经网络(SNN)相结合的故障诊断方法.首先利用参数优化后的SVM对测量数据进行初步故障诊断分类,对诊断结果进行分析统计,得出难以区分的相似故障类型,并根据SNN对这些相似故障进一步地区分判断,最后根据实际数据对此故障模型进行仿真.结果显示:基于SVM的初步故障诊断准确率达到96%;而经过SNN进一步地相似故障区分后,诊断准确率提升到100%.     

A discrete event systems approach to discriminating intermittent from permanent faults

Almost all work on model-based diagnosis （MBD） potentially presumes faults are per- sistent and does not take intermittent faults （IFs） into account. Therefore, it is common for diag- nosis systems to misjudge IFs as permanent faults （PFs）, which are the major cause of the problems of false alarms, cannot duplication and no fault found in aircraft avionics. To address this problem, a new fault model which includes PFs and IFs is presented based on discrete event systems （DESs）. Thereafter, an approach is given to discriminate between PFs and IFs by diagnosing the current fault. In this paper, the regulations of （PFs and IFs） fault evolution through fault and reset events along the traces of system are studied, and then label propagation function is modified to account for PFs and the dynamic behavior of IFs and diagnosability of PFs and IFs are defined. Finally, illustrative examples are presented to demonstrate the proposed approach, and the analysis results show the fault types can be discriminated within bounded delay if the system is diagnosable.     

Automated Learning Applied to Fault Diagnosis

Automated learning methods can be used to design fault diagnosis procedures. When the characteristics of the measurements that distinguish the various faults are unknown, they can be ``learned' from example measurements on faulty systems. A learning algorithm is presented for determining which of several possible faults exists in a system. The procedure is demonstrated on a system where the test conditions preclude the use of traditional diagnosis procedures. When applied to actual hardware, the experimental results show good agreement with the theoretical limit of diagnosability. The resulting diagnosis is faster, simpler, and requires fewer measurements than other methods.