基于降维观测器的最优故障诊断算法研究

为降低诊断算法的计算量,优化算法参数,设计了一种基于降维观测器的最优故障诊断算法。首先,利用正交原理,将故障状态与系统状态进行解耦,从而构造了用于故障估计且无需进行矩阵分块运算的降维观测器。其次,基于对偶原理,将诊断算法的增益优化问题转化为诊断误差方程对偶系统的最优控制律设计问题,从而实现了对故障的最小方差估计。然后,利用诊断结果设计了基于故障补偿思想的容错控制律,以此实现了系统与故障的隔离。最后,通过数值仿真验证了所提方法的有效性。结果表明,对于二阶系统,该诊断算法可在7s内快速收敛到故障真实值。     

基于PCA和WPSVM的航天器电特性识别方法

针对航天器电特性监测系统识别过程中存在测试数据量大、特征维数高、样本少、计算速度慢和识别率低等问题,提出基于主成分分析(PCA)的特征提取和加权近似支持向量机(WPSVM)的在线故障诊断方法.实现了对信号故障特征的主成分分析、选择和提取,并对高维特征数据实现了降维,提高了航天器电特性在线故障诊断的准确性和速度.针对PCA中的结果选取问题,提出运用数据贡献度阈值进行数据截取的方法,有效地保证了数据的有效性与一致性.结果表明:该方法充分利用了航天器电特性监测系统的有用数据特征,有效提高了识别的精度,且计算时间较短,效率较高.      

基于NMF的SVM故障诊断方法

针对大维数系统故障诊断中存在特征提取困难和识别率低的问题,提出基于非负矩阵分解(NMF,Non-negative Matrix Factorization)的支持向量机(SVM,Support Vector Machine)诊断方法,避免了直接对故障特征的选择和提取,实现特征降维,提高故障模式分类的准确性和速度;对于NMF中的结果随机性问题,提出用前次分解所得系数矩阵求解样本降维特征矩阵的方法,保证多次NMF分解尺度一致.实验表明该方法能对故障特征有效降维,并具有较高的诊断效率和故障识别率.     

多元线性回归在引气系统故障诊断中的应用

针对利用快速存取记录器(QAR)数据进行民机系统故障诊断问题,以民机引气系统为对象,提出了一种适合多飞行循环数据特点的多元线性回归模型的故障检测方法.首先建立了多飞行循环数据的引气系统性能多元线性回归模型,设计了飞行循环和飞行循环内故障检测方法;然后采用最大后验估计方法进行模型参数估计;最后设计了适合多飞行循环数据的模型参数最大后验估计算法.借助仿真数据和航空公司收集的实际飞行数据对方法进行了验证,结果表明了该方法有效且具有一定工程应用价值.      

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.      

基于局部线性嵌入的高光谱影像特征提取算法

特征提取能够消除冗余信息,提高高光谱数据处理的精度和计算效率,是分类等分析必要的预处理手段.传统特征提取算法基于线性变换,无法准确描述高、低维特征空间的关系,因此采用一种新型非线性特征提取算法,即局部线性嵌入(LLE,Locally Linear Em-bedding),挖掘高光谱影像的本征信息.针对分类问题,使用训练样本类别属性修正距离矩阵,并借鉴LLE计算未知样本低维映射的方法求解测试样本的特征向量,实现监督局部线性嵌入(SLLE,Supervised Locally Linear Embedding).使用机载可见光/红外成像光谱仪数据,与3种分类算法结合进行测试,实验结果表明:SLLE优于线性特征提取算法,能够解决高光谱影像的小样本分类问题.     

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。      

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.      

一种闭环冗余系统可重构控制方法

提出一种闭环冗余系统在线可重构控制方法,包括控制器、控制分配和故障诊断.在故障诊断算法中,首先采用有向图方法快速确定可能的故障源.对于难以隔离的故障,提出了一种在线故障定位方法.故障定位后,通过控制分配,重新分配控制律.以航天器冗余动量轮系统的故障重构为例,说明了如何在系统级角度在线定位故障,重构系统.最后,给出了冗余动量轮卫星姿态调节过程中故障重构的仿真算例.     

二维类间边界Fisher分析的多元时间序列降维

针对传统边界Fisher分析及相关方法用于多元时间序列降维的局限性，提出一种基于二维类间边界Fisher分析的多元时间序列降维方法。针对边界Fisher分析进行模型改进，在本征图和惩罚图的基础上引入类间惩罚图，用来描述各个类中心之间的距离，并对目标函数进行改进，提出类间边界Fisher分析模型；对所提模型进行二维化拓展，提出基于二维类间边界Fisher分析的降维模型，使其能够直接处理二维矩阵数据，有效保留结构信息；通过计算协方差矩阵将多元时间序列集转化为等长特征集，利用降维模型将等长特征集投影到低维空间，达到数据降维和特征表示的目的。实验结果表明：所提方法能够有效对多元时间序列进行降维，达到良好的分类效果。     

基于高置信局部特征的车辆重识别优化算法

根据车辆重识别中区域置信度不同，提出了基于高置信局部特征的车辆重识别优化算法。首先，利用车辆关键点检测获得对应的多个关键点坐标信息，分割出车标扩散区域和其他重要的局部区域。根据车标扩散区域的高区分度特性，提升局部区域的置信度。使用多层卷积神经网络对输入图片进行处理，根据局部区域分割信息，对卷积得到的特征张量进行空间维度上的切割，获得代表全局信息和关键局部信息的特征张量。然后，通过全连接层特征张量转化为表示车辆个体的一维向量，计算损失函数。最后，在测试阶段使用全局特征，并利用训练好的车标扩散区域提取分支获得高置信局部特征，缩短局部识别一致的车辆目标距离。在典型车辆重识别数据集VehicleID上进行测试，验证了所提算法的有效性。      

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。      

Android恶意软件检测低冗余特征选择方法

针对Android恶意软件检测特征选择中,对类间具有相同频率分布的特征过度关注而导致特征冗余问题,提出了一种Android恶意软件检测低冗余特征选择方法。利用Mann-Whitney检验方法选择出存在频率分布偏差的特征;通过外观比率间隔算法量化偏差程度和特征出现频率剔除低偏差和整体软件中低频使用的特征;结合粒子群优化算法和分类器检测效果得到最优特征子集。使用公开数据集DREBIN和AMD进行实验,实验结果显示,在AMD数据集上选择出了294维特征,进行特征选择后6种分类器的检测准确率提高了1%~5%,在DREBIN数据集上选择出了295维特征,少于4种对比方法,且进行特征选择后6种分类器的检测准确率提高了1.7%~5%。实验结果表明,所提方法能够降低Android恶意软件检测中特征的冗余性,提升恶意软件的检测准确率。      

基于随机森林的航天器电信号多分类识别方法

针对航天器电特性信号数据存在数据量大、特征维数高、计算复杂度大和识别率低等问题,提出基于主成分分析(PCA)的特征提取方法和随机森林(RF)算法,对原始数据进行降维,提高计算效率和识别率,实现对航天器电信号数据的快速、准确识别分类。随机森林算法在处理高维数据上具有优越的性能,但是考虑到时间复杂度问题,利用主成分分析方法对数据进行压缩和降维,在保证准确率的同时提高了计算效率。实验结果表明:与其他算法相比,针对航天器电特性信号数据,本文方法在准确率、计算效率和稳定性等方面均显示出优异的性能。     

考虑多故障的测试性建模改进方法

分析了测试性建模的现有方法及在工程应用中存在的不足.在信号流图方法的基础上,提出了一种测试性建模的改进方法.该方法支持单元的多故障模式设置,能够区分全局故障和局部故障,并允许设置全局故障沿单元特定信号流方向传递.给出了测试性模型的图形定义、隐含属性定义、相关性矩阵定义和相应的测试性分析推理方法.在此基础上,提出了基于高阶相关性分析的相关性矩阵生成改进算法.以某惯导系统为例进行了应用,建立了测试性图形模型并生成改进的相关性矩阵,与现有方法建立的相关性矩阵进行对比,结果验证了测试性建模改进方法的可行性和有效性.     

基于多尺度联合学习的行人重识别

现有的行人重识别方法主要关注于学习行人的局部特征来实现跨摄像机条件下的行人辨识。然而在人体部件存在运动或遮挡、背景干扰等行人数据非完备条件下，会导致行人局部辨识信息丢失概率的增加。针对这个问题，提出了一种多尺度联合学习方法对行人辨识特征进行精细化表达。该方法包含3个分支网络，分别提取行人的粗粒度全局特征、细粒度全局特征和细粒度局部特征。其中粗粒度全局分支通过融合不同层次的语义信息来增强全局特征的丰富性；细粒度全局分支通过联合全部局部特征，在对全局特征进行细粒度描述的同时学习行人局部部件间的相关性；细粒度局部分支则通过遍历局部特征来挖掘行人非显著性的信息以增强局部特征的鲁棒性。为了验证所提方法的有效性，在Market1501、DukeMTMC-ReID和CUHK03三个公开数据集上开展了对比实验，实验结果表明:所提方法取得了最佳性能。      

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。