独立电源多智能体信息融合故障诊断方法

对独立电源系统进行故障诊断与预测研究是保证整个复杂运动装置系统安全性工程的重要环节.分析了目前独立电源故障诊断系统中存在的问题,提出采用多传感器信息融合和多智能体技术相结合的方法来提高故障诊断的可靠性和系统的扩展性.利用智能体的自主性、分布性和协作性,构建了独立电源多智能体信息融合故障诊断系统.根据独立电源故障征兆的特点,将D-S(Dempster-Shafer)证据理论引入到多神经网络的诊断结果融合技术中,阐述了多神经网络局部诊断智能体和D-S证据理论融合诊断智能体的具体实现方法.最后,以某型航空电源故障诊断为例,给出了故障实例的诊断仿真,结果表明该方法可有效提高诊断可信度.     

基于模式重要度的航空电源系统可靠性估计

针对航空电源系统可靠性分析的需要,研究现有典型系统的结构特点,提出基于模式重要度的系统可靠性估计方法。该方法首先根据航空电源各子系统的组成,采用蒙特卡罗方法对各子系统可靠性进行分析。根据子系统中各部件的模式重要度,建立子系统可靠性估计模型,进而获取并联系统和总系统的可靠性估计模型。该方法结合了蒙特卡罗方法的优势和系统本身的结构特点,既解决了复杂航空电源系统可靠性分析的难题,又克服了单纯采用蒙特卡罗方法对其进行分析时,仿真效率较低的问题。最后,采用所提出的方法对两种类型的电源系统进行仿真分析,并与单纯蒙特卡罗方法仿真分析结果进行比较,验证了该方法的可行性和有效性。     

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.