总线互连故障的一种快速诊断算法

数字总线的互连测试与故障诊断对于电子产品的生产和维护具有重要的意义.针对现有算法存在冗余测试以及测试时间长等问题,通过对总线互连故障的特征分析,提出了一种自适应快速诊断算法.该算法将测试过程分成两个阶段:第1阶段,诊断各个超网络上的短路和呆滞故障,按照短路关系将超网络分成若干集合;第2阶段,根据第1阶段的分组结果,对各集合中的超网络加载"并行走步1"向量,以诊断其开路故障.仿真结果表明,该算法可在保证故障诊断最大化的前提下,减少冗余测试,有效压缩测试向量长度,实现故障的快速诊断.      

基于自适应观测器的非线性系统故障诊断

研究一类非线性系统执行器故障诊断问题。对于故障系统,建立一种自适应观测器,通过在线调整,故障后执行器的未知参数被在线逼近。所提出的自适应调整律能够保证观测器稳定及故障估计误差收敛。最后引入卫星反作用飞轮模型,对单飞轮发生故障的情况进行了仿真,结果表明提出的方法有效、可行。     

旋转机械振动故障诊断的灰度-梯度共生矩阵方法

研究了基于灰度-梯度共生矩阵的旋转机械故障诊断方法,利用灰度-梯度共生矩阵直接提取旋转机械振动参数图形中的特征信息,应用人工免疫系统实现旋转机械故障诊断.实验验证该方法可以获得较高的诊断精度,证明了该方法的可行性.      

旋转机械故障诊断的灰度-基元共生矩阵方法研究

研究了基于灰度-基元共生矩阵的故障诊断方法,该方法利用图形的灰度空间分布情况和描述纹理的纹理基元法结合起来提取和挖掘旋转机械振动状态参数图形特征,可以有效地提取图形中纹理特征信息,直接利用BP人工神经网络实现旋转机械故障诊断。在600MW模化汽轮机转子试验台上进行了转子正常、转子不平衡故障、转子不对中故障及轴承松动故障的试验,诊断结果表明可以获得较高的诊断精度.      

考虑容错的平面二自由度过驱动机构力矩分配

针对过驱动机器人的故障驱动器数目不多于驱动冗余个数的情况,探讨如何进行故障前后的驱动力矩分配以保证机构具有容错能力.以平面二自由度过驱动并联机器人为研究对象,基于达朗伯原理和等效力方法建立其动力学模型,在此基础上分析了部分驱动器故障后机构的动力学方程,并进一步推导故障后容错力矩再分配方法.为减小故障后驱动力矩瞬时突变对机器人末端操作的影响,提出以故障前后的力矩差值平方和最小作为优化目标来进行过驱动机构力矩分配的方法.通过数据计算比较了采用传统方法和优化方法的各关节驱动力矩的突变量之和,结果表明所提出的优化力矩分配方法可以改善容错性能.      

基于协调近似表示空间的航空发动机故障诊断

航空发动机故障诊断的一个主要目标即是求出具有最大分布的故障类型,协调近似表示空间为统一处理不同信息系统提供了工具,并且考虑到航空发动机故障是典型的小样本问题,因此针对航空发动机故障诊断决策信息系统,在求取其基于最大分布的协调近似表示空间的基础上,引入规则融合方法得到所有不同条件下的决策规则,并将其用于历史故障数据的分析,得到了高的识别率,从实践的角度证明了该方法的有效性以及融合所得规则的普适性.      

基于分层有向图的航天器故障诊断

针对航天器在轨故障诊断系统在实时性、准确性和完备性上的要求,提出了基于分层有向图的新的定性诊断方法。采用有向图分层策略,减小故障源搜索空间的大小;利用故障传播路径上的测试节点间的定性关系,回溯搜索不相容支路找出故障源候选集合,并且通过部件故障概率和故障传播的权重对候选故障源进行故障可能性的排序。应用提出的方法,建立了某卫星一次电源系统的定性诊断模型,并进行了故障诊断的仿真测试。结果表明该诊断方法是高效的,诊断结果准确而且完备。该方法适用于航天器在轨故障诊断。     

基于小波包分析的转子振动信号故障特征提取研究

针对处理转子振动故障时,FFT等传统方法不能很好地分析同一频率下不同类型故障并发的复杂信号的情况,提出采用小波包分析的方法并分离故障特征向量。通过对比FFT与小波包分析方法,可以明显看出小波包分析的先进性和有效性。     

基于知识的贝叶斯诊断网络模型建造方法

复杂系统贝叶斯诊断网络模型需要一个非常艰难的人工建造过程,而且故障样本的获得比较困难,通常面临故障样本缺乏的情况.围绕这些问题,本文提出了提取领域专家知识建造因果映射网络,转化因果映射网络为贝叶斯诊断网络的方法,并以运载火箭伺服系统关键部件伺服阀为应用对象,阐述了运用此方法建造贝叶斯诊断网络模型的关键步骤.最后,通过在单故障情况和多故障情况下的案例仿真,验证了贝叶斯诊断网络模型和模型建造方法的有效性.     

基于小波分析的转子故障信号自适应降噪技术研究

在转子故障信号的小波降噪研究中,降噪效果常常依赖小波分解层数、故障转子转速和信号的采样频率,难于自动完成.针对该问题,提出了一种转子故障信号的自适应小波降噪新方法,该方法先对原始数据进行重采样,然后将重采样信号用小波变换分解到规定的层数,最后运用Donoho软阈值法实现降噪.该方法无需人为选取小波分解层数,降噪过程自动完成.大量的仿真和实验算例验证了方法的正确有效性.