非线性系统多故障诊断方法

给出了非线性系统的一种基于模糊奇偶方程的多故障诊断方法.解决了非线性系统中同时出现多种故障时的故障检测与识别问题.首先构造线性系统的全解耦奇偶方程,再应用T-S模型融合非线性系统各个工作点处的线性模型的全解耦奇偶方程得到模糊奇偶方程.模糊奇偶方程产生的残差仅对一个执行器故障敏感、对一个传感器不敏感,而对其他执行器不敏感、对其他传感器敏感.将传感器和执行器故障模型表示成偏差的形式,根据残差信息可以估计出故障的模型参数.给出了应用递推最小二乘方法对各故障模型的参数进行估计的方法.给出了铁路牵引控制系统的感应电机仿真实例.结果表明,新方法能够对传感器故障和执行器故障同时存在的多故障进行诊断.     

卫星姿态控制系统执行器微小故障检测方法

针对卫星姿态控制系统执行器微小故障检测问题,提出一种基于神经网络干扰观测器的微小故障检测方法。该方法利用卫星姿态控制系统内的冗余关系,分别构建陀螺干扰观测器和干扰力矩观测器,对系统内的测量误差、扰动等进行估计,并对故障检测观测器进行扰动补偿,提高对执行器微小故障的检测能力。仿真结果表明,与基于解析模型的方法相比,该方法能够较精确地对解析模型的误差进行补偿,明显降低了检测阈值,实现了对扰动掩盖下的微小执行器故障检测。      

用于识别两颗故障卫星的RAIM算法

提出了一种可以识别两颗故障卫星的接收机自主完好性监测算法.将最优奇偶矢量法应用于两颗故障卫星识别,指出由于故障偏差可能会抵消而使得正确识别率较低.对最优奇偶矢量法进行了改进,利用对单颗卫星故障敏感的最优奇偶矢量对所有可能的两颗故障卫星组合分别构造两个新的奇偶矢量,用于两颗故障卫星的检测和识别.计算机仿真结果显示,改进后的算法与直接利用最优奇偶矢量法相比,可以显著提高两颗故障卫星正确识别率,识别率可超过90%.同时,改进算法的奇偶矢量构造方法简单,计算量将减少90%以上,更有利于工程实现.      

火箭发动机基于神经网络非线性辨识的故障检测

应用神经网络方法，提出了一种液体火箭发动机故障实时检测算法。神经网络采用非线性辨识技术贴近发动机的工作过程，并输出包合发动机故障信息的辨识误差信号。若辨识误差变大超过一定阈值，检测逻辑就预报发动机故障。在发动机启动阶段离线训练神经网络，在发动机稳态过程可以采用离线或在线学习算法。实验研究表明神经网络可以成功地应用于大型泵压式液体火箭发动机的故障检测。     

组合导航系统的鲁棒故障诊断

 讨论了导航系统的故障检测问题,提出通过设计对特定导航系统故障敏感的最优鲁棒向量来检测组合导航系统故障,只利用传感器的测量数据,不需要具体的动态模型,并与常用的奇偶检测法进行了比较.最后以3个导航系统的组合为例,仿真结果显示,鲁棒故障诊断的检测故障、隔离故障效果明显提高.     

基于自适应神经网络的飞行器主动容错控制

针对飞行器非线性系统执行器故障,利用RBF神经网络和自适应控制律,提出了基于自适应神经网络的故障重构和容错控制方法。设计了自适应神经网络观测器,利用神经网络逼近故障,引入调节因子,设计自适应律以在线调整神经网络权重向量和中心向量。构造自适应神经网络控制器,结合神经网络设计补偿控制输入。利用Lyapunov稳定性定理证明了所提方法可以实现系统渐近稳定。仿真实验结果验证了所提的方法对故障系统具有良好的观测性能、控制精度和响应速度。     

四旋翼无人机的自适应容错控制

针对四旋翼无人机执行机构部分失效故障和传感器偏差问题,为了可靠,安全、稳定的飞行,采用自适应容错控制策略.当无人机飞行时,利用二阶卡尔曼滤波器在线快速估计状态、检测执行器故障和传感器偏差,当执行器故障检测和诊断出来后,将故障因子视为自适应因子,用来调节自适应容错控制器的参数,使故障影响变小,同时估计传感器的偏差,如有偏差,则将偏差部分补偿给输出信号.在Matlab实验平台上对所提方法的可行性和有效性进行仿真验证,结果表明四旋翼无人机执行机构在发生部分失效故障和传感器偏差时,采用自适应容错控制策略,输出信号能够快速跟踪参考输入信号,实现了对四旋翼无人机的容错控制.     

基于BP神经网络的高精度陀螺恒流源补偿方法

为了提高陀螺恒流源精度,提出一种基于BP神经网络的陀螺恒流源补偿方法.采用BP神经网络训练恒流源控制指令与恒流源输出之间的非线性映射稳态模型,以实时估计恒流源输出偏差.设计恒流源控制指令补偿判据,当输出偏差超出设定裕度时,按比例对恒流源控制指令值进行实时补偿,使得恒流源输出更接近控制目标值,以实现更优的精度.通过实物在回路仿真验证了上述方案的有效性,并通过与传统对控制指令进行分段线性标定方法相比较,显示了上述方案的恒流控制优势.     

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.     

基于SCSO-BP神经网络的卫星姿态控制系统故障预测

近年来,随着人工智能的迅速发展,基于人工神经网络的卫星姿态控制系统故障预测方法得到了越来越多的重视。在反向传播(Back Propagation ,BP)神经网络中,权重和偏置是重要的可调节参数,与神经网络的预测性能密切相关。BP神经网络的初始权重和偏置为随机生成,设置不当容易导致网络在训练过程中陷入局部极值,进而影响预测性能。为了提高BP神经网络的预测性能,提出了一种将沙猫群优化(Sand Cat Swarm Optimization ,SCSO)算法与BP神经网络相结合的预测方法。在训练过程中,首先通过SCSO 算法对BP神经网络权重和偏置进行预训练,在此基础上,利用精调后的BP神经网络对卫星姿态控制系统周期渐变故障数据的未来趋势进行预测。实验结果表明,与原始BP神经网络预测方法相比,SCSO-BP预测方法能够有效减小预测误差,具有更好的预测精度。     

一种前馈神经网络的变误差主动式学习算法

研究误差反向传播多层前馈神经网络的主动式学习方法.文章分析了目前用于训练前馈神经网络改进BP算法的特点和存在的不足,在此基础上提出逐次主动调整网络学习误差的网络训练思想,根据网络输出误差趋势,主动变化输出层的调整误差δ_pl,使W\+k\-\{ji}和θ\+k\-j在调整过程中受到每次学习效果信息的控制,从而得到一种主动式变误差的学习算法.实验表明,在训练多层前馈神经网络时,变误差主动式算法的学习效率比改进BP算法的学习效率有明显提高.     

带马尔可夫参数容错控制系统的可靠性分析

带马尔可夫参数的容错控制系统(FTCSMP,Fault Tolerant Control System with Markovian Parameters)作为一种描述主动容错控制系统(AFTCS,Active Fault Tolerant Control System)的模型,在一些文献中被用于系统稳定性分析.然而很少有文章研究FTCSMP的可靠性问题.以故障检测与隔离(FDI,Fault Detection and Isolation)装置监视下的冗余传感器组为研究对象,建立了其FTCSMP模型,进而研究该传感器/FDI装置的可靠性.在该模型中,用2个定义在不同状态空间中的齐次马尔可夫随机过程分别表示系统元件的故障过程和FDI装置的决策过程.基于马尔可夫理论,研究了传感器/FDI装置的可靠性和安全性.当FTCSMP中的系统故障过程和FDI过程为生灭过程时,将故障检测延迟时间分为"有效"和"无效"2种类型,分析了这2种延时对传感器/FDI装置可靠性、安全性的影响.以双余度惯导系统为例,给出了仿真例子.      

基于神经网络的撞球机器人控制器设计

对撞球机器人的母球控制问题展开研究,设计了一种基于神经网络(NN)的控制器,使机器人能够控制母球在击打目标球后按照预定的模式运动至目标点——即完成走位。针对该问题非线性且非光滑的特点,对坐标系进行阐述并给出机器人击球的模型;在光滑的假设下使用理论分析的方法建立母球的运动学模型与边库反弹的理想镜像模型;进而使用神经网络方法对理想模型进行修正,并对不同的轨迹模式进行分析与分类。测试结果表明:经过训练的机器人能够掌握各种模式的走位,统计结果与模型分析结果相吻合;相比于单一使用神经网络方法,本文使用理论分析与神经网络相结合的方法能够有效地提升网络的品质,降低训练的误差。     

基于BP神经网络X频段调制器故障预测

本文采用BP神经网络对X频段调制器的故障预测进行研究,通过仿真软件编程构建BP神经网络故障预测模型,验证X频段调制器输出功率指标的精确性,根据测试结果表明建立的BP神经网络故障模型预测误差很小,能够较准确对X频段调制器的输出功率故障进行预测。     

利用神经网络逆控制系统提高 Turbo码译码性能

对Turbo码译码逆模型建立问题,提出使用神经网络结构的非线性滤波器来建立Turbo码译码自适应逆模型.采用最优常系数比例因子统计得到Turbo码期望衰减系数,通过利用期望衰减系数训练神经网络非线性自回归外输入NARX滤波器,建立全局范围内的Turbo码译码逆输入输出映射模型.在线性逆控制系统中采用该自适应逆模型,与非线性逆控制结构的自适应逆控制系统相比,具有系统结构简单、运算量小等特点.仿真结果表明在信噪比大于0?dB时,该自适应逆模型算法收敛迅速、稳定,计算误差保持在较小的范围之内.自适应逆译码模型从译码机理角度提供了一种改善译码性能的新途径.     

An optimization iterative algorithm based on nonnegative constraint with application to Allan variance analysis technique

It is well known that inertial integrated navigation systems can provide accurate navigation information. In these systems, inertial sensor random error often becomes the limiting factor to get a better performance. So it is imperative to have accurate characterization of the random error. Allan variance analysis technique has a good performance in analyzing inertial sensor random error, and it is always used to characterize various types of the random error terms. This paper proposes a new method named optimization iterative algorithm based on nonnegative constraint applied to Allan variance analysis technique to estimate parameters of the random error terms. The parameter estimates by this method are nonnegative and optimal, and the estimation process does not have matrix nearly singular issues. Testing with simulation data and the experimental data of a fiber optical gyro, the parameters estimated by the presented method are compared against other excellent methods with good agreement; moreover, the objective function has the minimum value.     

基于RT-LAB的组合导航仿真平台设计

设计了一种基于RT-LAB的SINS/GPS/CNS（Strapdown Inertial Navigation System/Global Positioning System/Celestial Navigation System）组合导航系统仿真平台方案,建立具有故障检测、隔离和系统重构能力的基于联邦卡尔曼滤波器的姿态、位置、速度组合导航系统方案和结构.将SINS与GPS的位置之差和速度之差作为SINS/GPS子滤波器的观测量,通过CNS给出的载体惯性姿态信息获得SINS的姿态误差角测量信息.仿真结果表明,该系统方案具有较强的容错性能、较高的导航精度和很强的实时性能,为组合导航技术的研究提供了有益的参考.