基于贝叶斯网络的故障诊断系统性能评价

故障诊断系统的性能评价是开发和验收故障诊断系统不可或缺的重要环节.针对基于贝叶斯网络(BN)故障诊断系统的性能评价需要,考虑系统诊断结果真实分布,提出采用二项分布参数估计方法来计算诊断准确度的置信区间,采用准确度期望值及其置信区间全面客观评价诊断模型的性能,形成贝叶斯网络模型诊断能力的量化评价指标,为诊断结果的可接受、可信程度以及诊断模型的训练充分性提供参考依据.最后通过燃油系统故障诊断实例验证所述性能评价的有效性.      

汽车动态称重中的一种信号处理方法

为了提高汽车动态称重(WIM, Weigh-In-Motion)系统的称重精度,基于"逆模型"的思想,使用了自适应逆滤波器来充分抑制混叠在重量信号频带内的噪声信号.在有限长冲激响应滤波器的框架下,通过最小均方自适应算法,离线构建了WIM系统的逆系统,并用此逆系统作为一个新型的滤波器使用.而且,为了进一步提高称重精度,同时又采用了低通滤波器,来滤除分布在重量信号频带以外的噪声干扰.经过由自适应逆滤波器和低通滤波器构成的复合滤波器处理后, 称重结果较经参数估计方法处理后得到的结果,在称重精度上有了很大提高.      

基于混合系统粒子滤波和二元估计的故障预测算法

针对一类故障预测问题提出了一种基于粒子滤波的故障预测算法。在算法的状态估计阶段,采用混合系统粒子滤波和二元估计算法同时估计对象系统故障演化模型混合状态和未知参数的后验分布。在算法的状态预测阶段,在一定的假设条件的前提下,将混合模型连续状态变量的预测问题转化为一个基本状态空间模型的状态预测问题。通过对连续状态变量当前时刻的后验分布进行迭代采样从而获得其未来时刻的先验分布。在算法的决策阶段,在获取的故障演化模型连续状态变量分布基础上,结合一定的故障判据近似计算出对象系统剩余寿命分布。故障预测仿真实验结果证明了算法的有效性。     

工程系统健康描述及基于GFRF方法的健康监测

健康管理概念是伴随着工程系统应用而产生的.针对目前复杂系统综合健康管理技术领域缺乏有效的系统健康表示方法的问题,提出了健康向量、健康指数、健康函数、健康态变映射、健康状态映射等一系列描述工程系统健康的基本概念.与传统的部件状态参数描述方法相比,引入健康向量等概念可以全面地描述系统级健康,并且能够有效地刻画系统健康的动态变化本质.分析了Volterra级数系统描述方法和广义频率响应函数分析技术,利用系统健康形式化定义构建系统健康向量,讨论了一类非线性系统基于广义频率响应函数的健康监测技术.以非线性弹簧-阻尼-质量块系统为研究对象,通过仿真计算,给出了系统健康监测数据与系统健康指数的对应关系.仿真实验结果证明了系统健康形式化描述方法的有效性以及基于广义频率响应函数健康监测方法的可行性.      

综合运载器健康管理健康评估技术研究

健康评估是综合运载器健康管理的关键技术之一.针对健康评估的需求,提出适合于健康评估功能要求的五要素建模理论,研究了基于面向对象的贝叶斯网络(OOBN,Object-Oriented Bayesian Networks)的健康评估实现技术,提出了五要素结构化OOBN健康评估推理模型的建模方法,鉴于贝叶斯网络(BN,Bayesian Networks)要推理计算属于NP-hard难题,难于工程化应用,提出了适用于结构化BN模型的,以变化证据信息为导向的,基于贝叶斯球和交叉熵测度的变模型快速推理算法,Monte-Carlo仿真实验验证了算法的有效性,最后以变速箱健康评估为例,说明本文所提健康评估理论的有效性.     

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.     

一种全局的无关线性图嵌入故障特征提取算法

针对故障特征数据维数高、非线性且系统难以建立物理模型的故障诊断问题,提出了一种全局的无关线性图嵌入故障特征提取算法.通过监督学习建立原始特征的关系图,以线性图嵌入为框架进行特征降维.特征的降维过程既保留了同类数据的局部结构,又考虑了异类数据之间的全局分布,同时最大程度地消除了特征之间的统计相关性.在标准故障数据集上的实验结果表明:与已有的经典算法相比,能更有效地提取出故障的典型特征,因而更有利于故障诊断系统训练网络的快速收敛,实现快速、准确的故障诊断.     

基于数字孪生的飞机起落架健康管理技术

针对飞机起落架系统，传统健康管理方式存在知识不完备、数据不平衡和模型固化等问题，开展了数字孪生驱动的健康管理技术研究，提出以自更新模型为基础实现故障诊断与预测的数字孪生健康管理框架。从起落架系统物理和行为2个维度建立孪生模型来实现真实系统的数字映射，依托强化学习算法实现数字孪生模型参数的更新，确保孪生模型实时跟踪和反映实体健康状态，并以此为基础设计基于事件的故障诊断和基于粒子滤波的故障预测方案。以起落架收放系统为例完成实验验证，与传统方法相比，本文方法在实时性、准确性和鲁棒性方面表现更优。     

基于功耗残差的航天器CMG退化特征提取方法

为实现航天器控制力矩陀螺（CMG）性能退化状态评估，提出了一种基于卷积神经网络（CNN）与功耗残差的CMG退化特征提取方法。由于CMG控制系统对高速转子运动状态的高精准控制，CMG退化特征难以从转子运动状态数据中直接提取。针对该问题，从转子系统的能量损耗角度出发，通过分析CMG工作机理确定了影响单位时间内转子电机功耗的变量，并通过CNN建立了CMG运行状态参数与电机功耗之间的映射。将退化状态下电机实际功耗与模型输出的残差作为退化特征对CMG退化状态进行评价。通过某型号CMG的加速寿命实验数据进行验证，结果表明:构建的退化特征能够表征CMG转子轴承的性能退化情况，从而为CMG状态监测和故障预警提供参考。