基于数值微分方法的卫星陀螺故障诊断(英文)

提出一种基于数值微分的卫星陀螺故障诊断方法。通过引入代数可观测的概念,将故障诊断问题转化为求解数值微分问题。并根据卫星姿态运动学方程证明了陀螺故障的代数可观性。然后通过高增益观测器的方法来近似姿态敏感器测量输出的数值导数,并利用李雅普诺夫理论分析和设计高增益观测器。基于陀螺故障的代数可观性和星敏感器测量输出的数值微分,可以直接得到陀螺组件的故障估计值。最后,通过突变、缓变和并发故障等仿真算例验证了算法的有效性,仿真结果表明所提出的方法不仅可以检测故障的发生,而且能够估计故障幅值。     

VB6环境下的插件板故障诊断软件设计

介绍了在VB6环境下,利用串口通讯控件开发插件板的故障诊断软件,并论述了主要模块和窗体的设计,并给出了程序实例。     

基于能耗与可靠性约束的动量轮可重构性评价

针对目前在控制系统的可重构性评价中较少考虑系统能耗、可靠性限制的问题,文章研究了约束条件下卫星姿态控制系统可重构性度量及评价方法,建立了含执行机构失效因子的控制系统模型,并基于可控性格兰姆矩阵得到能耗约束下可重构性度量指标;然后将可靠性指标引入到系统可重构性评价度量中,进一步缩小可重构性集合;最终形成综合两种约束的可重构性评价方法。通过对含动量轮系统的重构构型仿真,得到约束前后的可重构性对比,仿真结果符合实际分析,验证了该方法的有效性。     

基于振动检测的发动机故障诊断算法研究

基于振动检测的发动机故障诊断算法,分析发动机发生故障时振动信号所具有的特征和故障诊断指标选择,对振动信号预处理、特征提取、状态识别和诊断决策分别进行了介绍,研究出采用振幅和频率两参量包络曲线法诊断发动机故障的算法,通过发动机热试车验证了采用发动机振动检测来判断发动机故障的算法的正确性。     

神经网络专家系统在电源系统诊断中的应用

为了解决卫星这类复杂系统采用单一的智能故障诊断技术的诊断局限性问题,提出一种基于模糊综合评判的神经网络和专家系统相结合的诊断方法。选用改进的BP神经网络,添加动量因子和可变学习速率,并通过计算十个相同结构神经网络输出的标准差获得诊断结果的可信度。采用基于可信度的专家系统不确定性推理,给出了可信度计算方法。采用代数积与代数和模糊算子对两种诊断方法的结果进行综合评判。成功地应用于某卫星电源系统的故障诊断中。结果表明诊断的可信度和诊断的正确率得到提高。     

涡扇发动机故障诊断的快速原型设计

提出一种基于发动机基线模型的面向气路故障诊断的快速原型设计方法.考虑到基于模型的发动机全包线范围的故障诊断方法需要有较高精度的模型,选择合适的换算参数对已有的相似变换参数进行修正,建立适用于全包线的发动机基线模型,设计基于加权最小二乘算法的故障诊断模型,并将其写入至CompactRIO构建了发动机故障诊断的快速原型.通过对某型涡扇发动机试验表明:该种故障诊断的快速原型设计方法是有效的.      

基于LMD的包络谱特征值在滚动轴承 故障诊断中的应用

滚动轴承故障振动信号往往是多分量的调幅-调频信号,而传统包络分析方法需要根据经验设置滤波器的中心频率与带宽,因而会带来解调误差.基于此,提出了一种基于局域均值分解(local mean decomposition,简称LMD)的包络谱特征值的滚动轴承故障诊断方法.该方法可以将一个多分量的调幅-调频信号分解成若干瞬时频率具有物理意义的PF (product function,简称PF )分量之和,由于每一个PF分量是分量包络信号和纯调频信号的积,因此可以直接对包络信号进行频谱分析得到包络谱.然后定义信号在包络谱中不同故障特征频率处的幅值比为包络谱特征值,并以此作为特征向量输入到支持向量机分类器中,用以区分滚动轴承的工作状态和故障类型.对滚动轴承正常状态、内圈故障和外圈故障振动信号的分析结果表明了该方法的有效性.      

基于DSP和FPGA的模拟机数字多通道电路测试系统研制

采用DSP和FPGA相结合的方式,研制出一套数字电路测试系统,以FPGA仿真运行环境、DSP作为系统控制,可对模拟机多通道数字信号板进行测试,实现故障通道的检测。该系统电路结构简单,实用,具有可扩展性。     

一种基于知识推送的故障诊断系统

分析了基于知识的故障诊断,针对现有系统不能主动将知识在适当的时候传递给决策者的缺点,提出了一种基于知识管理的、以数据流驱动的、知识主动推送的故障诊断系统的体系结构,分析了其主要层次结构及知识的组织和管理,提出了以数据流驱动的知识主动推送方式.建立了知识主动推送的控制模型,开发了知识管理和数据流驱动的集成原型系统,并以液体火箭发动机试车台的故障诊断为例,实现了基于知识推送的故障诊断系统,后续实验证明了该方法的有效性.      

基于小波神经网络的齿轮系统故障诊断

通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断.