一种卫星故障诊断的定性/定量混合建模新方法

卫星控制系统具有强非线性、系统参数大范围剧烈变化、存在严重不确定性和工作环境恶劣等特点,而传统的定性方法或者定量方法均难以取得满意的故障诊断效果.从寻求定性/定量方法结合的新机制出发,提出了采用定性仿真和奇偶空间法相结合的定性/定量混合建模新方法,并利用了模糊逻辑,较好地实现了定性/定量知识的有机结合.定性/定量混合模型可充分利用系统的信息,实现对卫星控制系统有效、准确、快速地故障诊断,仿真结果验证了该方法的有效性.     

基于Agent卫星故障诊断系统的开发研究

本文研究并建立了基于智能Ａｇｅｎｔ的分布式故障诊断系统模型,同时还研制了基于智能Ａｇｅｎｔ的卫星故障诊断原型系统。该系统客户机／服务器集成机制,满足故障诊断的工程需要。使多种软件相互通讯,多种诊断方法相互融,从而提供了新的故障诊断分析方法与手段,使并行同步多故障诊断成为可能。     

一种推进系统故障诊断反问题模型与算法

针对大型液体火箭推进系统故障诊断工作的需要, 建立了一种推进系统故障诊断反问题模型,并提出了基于遗传算法的反问题求解算法.在对故障诊断反问题的特点与困难及其求解方法研究的基础上,重点论述了基于遗传算法的反问题求解算法和基本过程.最后,给出了液体火箭推进系统故障诊断反问题求解的具体例子,表明所建立的推进系统故障诊断反问题模型及所提出的算法是合理有效的.      

定性因果与多项式算法的模型诊断方法

在基于模型的诊断方面，Ｒｅｉｔｅｒ最初提出了使用第一原理的诊断方法，但它应用于复杂物理系统时遇到很多困难。后来，Ｍｉｋｉｔｏ等人提出了使用定性因果与覆盖集的模型诊断方法，此方法有很大改进，但覆盖集的计算复杂费时。提出一种使用定性因果与多项式算法的模型诊断方法，此方法可以明显地减少诊断的计算量，并且对这种新算法的正确性给予了证明。     

基于模糊推理的卫星系统综合效能评估方法

卫星系统综合效能评估是开发，使用，优化卫星系统的基础。文章利用系统论原理建立了卫星系统综合效能评估指标体系结构，同时为评估指标的合理量化，研究了基于满意度模糊推理的定性与定量相结合评估指标量化的模型与方法。     

空间实验室天地一体化故障诊断技术研究

航天器故障诊断不仅可以提高航天器安全性和可靠性，而且可以节约航天器安全寿命期成本。文中详细阐述了空间实验室天地一体化故障诊断系统方案。整个故障诊断体系由在轨诊断系统和地面诊断系统组成，在轨诊断系统具有部分自主诊断能力，地面诊断系统又分为系统级故障诊断和分系统级故障诊断。强调了基于模型推理技术(特别是多信号建模技术)在空间实验室天地一体化故障诊断系统中的重要性；最后指出了当前需要深入研究的建模技术及故障诊断系统的组件化和网络化等关键技术。     

基于BHS-树的定性故障诊断方法

基于定性模型的诊断方法,由于无需系统定量模型,尤其适用于航天器等复杂系统的故障诊断.该方法推理过程包括冲突集的确定及诊断集的生成.基于BHS-树的方法,是一种由冲突集生成诊断集的有效途径,但存在诊断结果冗余及反向递归过程复杂的问题.采取异常/正常特征量相结合的措施,有效地解决了诊断结果冗余的问题,能够准确确定诊断集;同时在系统单故障的假设前提下,对反向递归过程进行适当简化,降低了推理的复杂程度,并通过实例对上述改进进行了验证.     

基于键合图模型的SHA/EMA余度系统的故障诊断

针对液压伺服作动器（SHA）和机电作动器（EMA）组合的余度系统中故障模式复杂的问题,采用基于键合图模型的故障诊断方法,可以诊断出系统中多种参数故障。首先建立SHA/EMA余度系统的行为模型,然后根据因果关系倒置法转换成诊断键合图模型,进而推导出计算残差的解析冗余关系式（ARR）,并创建故障特征矩阵（FSM）作为故障隔离的依据。联立行为模型和诊断模型对可隔离故障进行诊断,并通过ARR估计故障参数以诊断不可隔离故障。选取典型故障进行仿真验证,结果表明可隔离故障和不可隔离故障均被成功隔离,验证了所提方法对SHA/EMA余度系统的故障诊断是有效可行的。      

基于修正IMM的风机变桨系统故障诊断方法

针对交互式多模型（IMM）故障诊断方法固定模型转移概率导致的诊断准确性、速度下降和估计精度损失问题,提出了一种基于模型转移概率和模型概率修正的故障诊断方法,并与粒子滤波（PF）结合实现了风机变桨系统传感器的多故障诊断。在非模式切换阶段,采用后验模型概率梯度信息设计模型转移概率的修正函数,以抑制噪声对IMM估计精度的影响;在模式切换阶段,采用模型概率反转的策略快速切换模型,弥补模型软切换导致的诊断延迟和错误诊断。通过仿真实验证明所提方法的准确性、模型切换速度以及状态估计精度都得到了较好的提升。      

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.     

基于二进制标签的改进HSSE—tree算法

随着对航天器自主生存能力要求的提高,基于模型的故障诊断成为国内外的研究热点.计算全体极小碰集是基于模型的故障诊断中的关键步骤,以HSSE-tree算法为基础,结合二进制位标记,提出一种HSSE-tree的高效改进算法——Binary-label HSSE.改进算法采用二进制位标记来代替实际节点元素,并采用了有效的剪枝策略及节点扩展方式,避免了HSSE-tree算法中存在的节点个数及超集个数随着问题规模增大而产生的爆炸式增长的问题;此外,改进算法采用二进制位运算,避免了判断碰集及判断是否超集时的元素遍历,使算法的运行时间进一步减少.仿真结果表明,与HSSE-tree算法相比,改进算法的消耗时间及占用内存均有了大规模减少.这为航天器系统的故障诊断及实时诊断提供了理论依据和应用基础.     

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.      

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.     

基于模糊神经网络的故障诊断方法的研究

根据模糊逻辑和神经网络网络对故障诊断方法做了研究，并介绍了具体实现过程，最后结合某液压系统对该方法作了验证，并给出了直接用前馈感知器进行故障诊断的对比结果。     

基于多信号流图与分支定界算法的故障诊断

针对实时在线故障诊断问题,提出了一种基于多信号流图和分支定界算法的故障诊断方法。通过建立多信号流图模型生成相关矩阵作为诊断知识,进而由相关矩阵以及观测向量产生冲突集,使最小诊断集的求解过程映射为整数规划问题;采用分支定界算法,通过对冲突集的分支、定界以及剪支得到故障诊断的最优解,从而避免了穷举问题造成的搜索"爆炸"。以某型机载燃油系统为对象对本文提出的算法进行了验证。结果表明:本文算法与常用的多信号流图诊断推理算法TEAMS-RT相比,算法速度相当,故障定位精度更高,很好地涵盖单故障以及多故障组合,可以胜任大规模复杂系统的故障诊断。      

基于深度迁移学习的航天器故障诊断

随着航天科技的发展,智能故障诊断技术是确保航天器控制系统安全、自主运行的关键技术之一.由于在轨航天器遥测数据样本少、噪声高、未标记,因此缺乏自适应能力、学习能力的传统故障诊断方法难以准确诊断在轨航天器故障.本文针对上述问题提出一种基于深度迁移学习的航天器故障诊断方法,为在轨航天器实时故障诊断提供了可行方法.首先,对航天...     

航电设备故障诊断中的决策算法

设计了故障诊断专家系统中的多属性决策算法.分析了诊断决策算法对诊断效率的影响.根据各属性对诊断决策的影响,对属性值进行规范化.采用线性加权函数来评价各故障的优先级,利用对故障发生概率的偏好性求解各属性权值.设计修正向量对评价函数进行修正以满足它在属性边界点上跳变特性.通过实验分析了该多属性决策算法在不同情况下对诊断效率的提高程度.