基于多信号流图与分支定界算法的故障诊断

针对实时在线故障诊断问题,提出了一种基于多信号流图和分支定界算法的故障诊断方法。通过建立多信号流图模型生成相关矩阵作为诊断知识,进而由相关矩阵以及观测向量产生冲突集,使最小诊断集的求解过程映射为整数规划问题;采用分支定界算法,通过对冲突集的分支、定界以及剪支得到故障诊断的最优解,从而避免了穷举问题造成的搜索"爆炸"。以某型机载燃油系统为对象对本文提出的算法进行了验证。结果表明:本文算法与常用的多信号流图诊断推理算法TEAMS-RT相比,算法速度相当,故障定位精度更高,很好地涵盖单故障以及多故障组合,可以胜任大规模复杂系统的故障诊断。      

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.      

基于多信号流图的诊断贝叶斯网络建模

多信号流图与贝叶斯网络是两种不同的建模方法,对两种建模方法的异同分析表明多信号流图到贝叶斯网络的转化是可行的.为了降低诊断贝叶斯网络模型的开发费用,提出了一种基于多信号流图的诊断贝叶斯网络建模方法,从模型结构和模型参数两个方面论述了多信号流图向诊断贝叶斯网络的转化方法.依据该方法生成的诊断贝叶斯网络模型具有应对复杂系统故障诊断的证据冲突及不确定性问题的优点.实验证明所获得的诊断贝叶斯网络模型的诊断准确性与多信号流图模型一致.     

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。     

可重复使用运载器递归积分滑模姿态控制方法

针对存在模型不确定和外部干扰的可重复使用运载器再入段姿态控制问题,提出了一种基于自适应滑模干扰观测器的递归积分滑模控制方法。首先,基于可重复使用运载器再入段姿态运动模型,建立了面向控制的模型;其次,设计了自适应滑模干扰观测器,以精准估计和补偿由模型不确定和外部干扰构成的复合干扰;然后,基于递归思想设计了一种新型递归积分滑模控制器,利用Lyapunov稳定性理论证明了闭环系统的有限时间稳定性;最后,数值仿真结果验证了该方法具有较强的鲁棒性和较快的收敛速度。     

基于粒子滤波和不确定图的动态系统诊断方法

在动态系统基于模型诊断中,状态空间大小与元件个数、时间是双指数关系.K-Best枚举方法每个时刻只考虑K个可能性最大的状态,有效减小了枚举空间,但当系统复杂庞大或诊断周期长时,状态更新仍是一项巨大工程.提出一种结合粒子滤波和不确定图的动态系统诊断方法PF_LUG,利用粒子在状态空间的分布近似其概率,并用不确定图标签的反向匹配代替传统的正向轨迹枚举.算法有效解决了由时间导致的计算量增长问题,使时间对复杂度的影响由指数运算降为乘积运算.仿真结果表明该算法的运行时间相对诊断周期线性增长,比K-Best枚举有明显优势.     

基于定性模型的故障诊断方法

基于定性模型的故障诊断方法，利用定性模型描述系统结构和定性地预测系统行为，并通过与实际行为进行比较，可推理得到系统的故障诊断结果。详细介绍了基于定性模型故障诊断方法的诊断机理、建模方式及优缺点。此外，还概述了该方法的研究与应用现状及发展趋势。     

多级协同项目执行中的资源冲突检测与管理

以航空航天型号工程项目为背景,针对多级协同项目中的资源冲突问题,利用基于时间约束网络的冲突检测算法实现了多级协同项目中的资源冲突检测,该算法建立了任务关系的时间约束网络模型,给出了基于模型的线性化、实例化方法和检测判据.针对资源冲突的检测结果表达及冲突信息的管理提出多视图表达方式,建立了基于UML的信息模型.基于研究结果设计开发了项目资源管理原型系统,以某航天项目任务的管理为例进行了验证,表明了研究结果的有效性.      

定性因果与多项式算法的模型诊断方法

在基于模型的诊断方面，Ｒｅｉｔｅｒ最初提出了使用第一原理的诊断方法，但它应用于复杂物理系统时遇到很多困难。后来，Ｍｉｋｉｔｏ等人提出了使用定性因果与覆盖集的模型诊断方法，此方法有很大改进，但覆盖集的计算复杂费时。提出一种使用定性因果与多项式算法的模型诊断方法，此方法可以明显地减少诊断的计算量，并且对这种新算法的正确性给予了证明。     

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。     

混合电路故障诊断中的状态分割法

在故障字典法和离散事件系统(DES, Discrete Event System)离线诊断模型的基础上,提出一种对混合电路统一建模的方法:状态分割法.围绕系统状态和状态的划分之间的关系,以数学分析为主,提出交叉交运算的定义,证明了交叉交运算在划分集上的封闭性以及该运算是划分集上的划分积等性质.借用DES离线诊断模型的建模思想,提出系统的可诊断性定义,利用交叉交运算的性质证明了最小现象集存在并可达的结论.以故障现象分割系统状态集合的方式来定位系统所处的故障状态,把故障字典法和DES离线诊断模型统一起来,指出了状态分割法的通用性.      

基于RBF神经网络的控制电器元件故障诊断

针对控制电器元件故障征兆与故障类型之间的非线性映射关系,提出了基于径向基函数神经网络RBFNN(Radial Basis Function Neural Network)的控制电器元件故障诊断方法.在分析控制电器元件故障机理和失效形式的基础上,提取出描述故障类型的典型故障特征矢量.给出在获得足够多故障信息的情况下,运用RBFNN进行故障诊断的模型及整个故障诊断算法的实现过程.为了验证故障诊断模型的有效性和合理性,利用训练好的RBFNN对故障特征矢量进行识别.仿真结果表明,RBFNN能克服诊断过程中容易陷入局部极小的缺点,并能满足故障诊断的快速性和准确性要求.      

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.      

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.      

基于模糊神经网络的故障诊断方法的研究

根据模糊逻辑和神经网络网络对故障诊断方法做了研究，并介绍了具体实现过程，最后结合某液压系统对该方法作了验证，并给出了直接用前馈感知器进行故障诊断的对比结果。     

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%。     

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.