自治式水下机器人推进器故障检测、分离与重构

研究自治式水下机器人推进器故障检测、分离与重构问题。针对水下机器人故障诊断残差法中残差阈值不易选取的问题,提出了一种基于观测器的水下机器人推进器故障检测与分离方法,通过构建故障检测观测器对推进器故障与残差信号进行解耦,使推进器出现故障后仅引起与其相关的残差呈单调变化,从而可选择较大的阈值进行故障检测以提高诊断系统的可靠性,该方法在故障检测的同时可进行故障分离。针对系统不确定性导致的推进器故障重构精度低的问题,提出了一种RBF神经网络与等效输出注入相结合的故障重构方法,采用等效输出注入方法估计不确定性项,从神经网络输出中重构推进器故障。     

基于奇异值分解的铅锌冶炼过程故障二次分离

铅锌冶炼过程是非常复杂的反应工艺,工况变化较大,在线监控和故障诊断的难度很大。铅锌冶炼过程故障分离的目的是根据异常监控变量来判断故障类型,由于铅锌冶炼过程故障的特殊性,不同类型的故障可能导致相同的监控变量发生异常,采用传统的故障分离方法不能有效地判断故障类型。本文提出一种基于奇异值分解的故障二次分离的方法,通过进一步分析监控变量和故障类型的对应关系,解决故障分离不彻底的问题。试验结果证明了方法的有效性。     

基于主元空间动态模型的故障检测方法

建立了一种基于主成分分析的主元空间线性动态模型,将主成分分析的得分变量视为由高斯白噪声驱动的线性动态模型输出,可有效去除主元得分向量的动态相关性,动态模型参数可以通过期望最大化方法迭代辨识。分别在主元残差空间和主元空间线性动态模型上建立监控统计量,从而实现对动态过程的故障检测。通过数值仿真验证,该算法故障检测的检测率和误警率均表现良好。     

基于多尺度指定元分析的多故障诊断方法

主元分析(Principal component analysis,PCA)固有的模式复合效应使得多尺度主元分析(Multi-scaleprincipal component analysis,MSPCA)仍无法做故障模式辨识,且各尺度上和重构后数据分别建立PCA模型的计算量非常大。本文建立一种多尺度指定元分析(Multi-scale designated component analysis,MSDCA)方法,将具有明确物理意义的指定模式作为多尺度空间中观测数据和重构后观测数据的统一投影框架,旨在解决MSP-CA在多尺度空间中仍无法进行故障模式辨识的不足,并避免其在各尺度上需分别建立不同统计模型的繁琐性,同时可改进单尺度指定地分析(Designated component analysis,DCA)方法的诊断性能。仿真结果表明了该方法的有效性。     

基于逆高斯过程的加速退化试验失效机理一致性判定

针对加速退化试验中逆高斯过程的特点,建立基于逆高斯过程的加速退化试验失效机理一致性判定方法。首先考虑带有随机波动影响的逆高斯过程模型,给出针对单个样本退化数据及融合所有样本退化数据的极大似然函数,进而得到逆高斯模型假设下参数的极大似然估计。其次结合加速试验失效机理一致性理论,基于加速系数不变原则给出逆高斯过程模型参数应满足的条件,并利用t统计量对加速过程进行失效机理一致性检验。最后,在案例中应用本文方法对某电子器件的应力松弛数据进行了统计分析。     

核统计分析和监测方法处理多模式批处理过程

提出了一种解决批处理过程多种工作模式故障检测问题的方法。该方法从多种工作模式中提取各个模式相类似的信息,解决了该工作模式下故障检测建模问题;将核函数应用到算法中,利用核技术提高算法处理非线性数据故障检测的能力;将在每种工作模式下的数学模型进行分解,将反映相似信息和各个模式不同的信息进行分离,并分别建立故障检测模型,通过分析可以辨别出当前所处的工作模式,并且有效地检测故障的发生。     

基于机器学习的机翼气动载荷重构及传感器优化布置

风洞实验通过在机翼表面布置传感器来测量相应位置的气动载荷，由于传感器布置数量有限，难以直接得到整个机翼全息气动载荷分布。本文采用机器学习方法通过有限传感器数据重构机翼表面全息气动载荷，并提出了利用仿真数据对传感器进行优化布置的方法。从计算流体力学（Computational fluid dynamics,CFD）计算所得的机翼全息气动数据中选取有限位置数据模拟传感器实验数据，对比深度学习模型、高斯过程回归（Gaussian process regression, GPR）、支持向量回归（Support vector regression, SVR）与BP神经网络（Neural network, NN）对气动载荷的重构精度。通过评估由传感器数据重构的全息载荷精度对传感器布置方式进行优化设计。以M6机翼为例在给定的两个工况条件下验证本文所提出的方法。实验结果表明，GPR模型获得了最高气动载荷重构精度；给出了M6机翼在不同传感器总数下最优的截面数和单个截面布点数，最低传感器布置数下的最优布置方式，以及流场变化相对剧烈的前缘区域与展向截面的传感器布置方式。     

基于多智能体系统的飞机舵面故障诊断方法

采用了多智能体系统方法对飞机系统的舵面故障诊断问题进行分析.首先从飞机系统的复杂性角度分析了该方法对其进行故障诊断的适应性,然后提出了对组成飞机舵面故障诊断系统的各智能体进行分类、建模和编码的方法,并在此基础上提出了故障诊断智能体的交互模型.在仿真实例中,采用Simulink建立了F-16飞机的仿真模型,用JADE平台构造了故障识别智能体以通过数据融合来对具体的舵面故障进行诊断,并利用MAC-Sim建立了Simulink与JADE平台之间的信息互通.仿真结果说明,该方法能够通过智能体的交互与协作来实现飞机舵面单故障和组合故障的在线协同诊断.     

基于多噪声数据训练CNN的自动倾斜器滚动轴承故障诊断

针对传统卷积神经网络(Convolutional Neural Network,CNN)在直升机自动倾斜器滚动轴承噪声环境下诊断效果不佳的问题,提出一种基于多噪声数据训练CNN的自动倾斜器滚动轴承故障诊断方法。该方法首先在原始振动信号中随机添加不同大小的高斯白噪声,然后利用小波变换方法构造不同噪声下的时频图,最后利用CNN对不同噪声下的时频图进行故障分类。利用课题组和美国凯斯西储大学的公开轴承数据集开展真实诊断实验,结果表明,与传统CNN相比,极大地提高了在噪声环境下的故障识别率。     

基于深度学习与高斯差分法的ADS-B异常数据检测模型（英文）

受地形结构、气象条件等多种因素的影响,用于低空通航飞行器定位的广播式自动相关监视(Automatic dependent surveillance-broadcast,ADS-B)设备获取的位置信息存在异常数据。为检测异常数据,提出一种基于深度学习与高斯差分法的ADS-B异常数据检测模型。首先,依据ADS-B位置数据的特点,将ADS-B位置数据转换到以起飞点为原点的坐标系中,利用运动学原理去除ADS-B位置数据中的离群点。然后,利用高斯差分法(Difference of Gaussian,DoG)获取位置数据的细节信息。最后,利用长短期记忆单元(Long short-term memory,LSTM)神经网络优化在ADS-B位置数据中梯度减小严重的循环神经网络(Recurrent neural network,RNN)。通过LSTM神经网络构成的seq2seq(Sequence to sequence)模型对位置数据进行重构,利用重构误差检测异常数据。通过实际数据对模型进行验证和对比分析表明:利用seq2seq模型对ADS-B位置数据重构的方法能有效地检测异常数据,运行时间得到减少,而且相较于RNN神经网络,检测的平均准确率提高了近2.7%,相较于传统的异常检测模型具有更高的准确率。     

基于模糊Petri网的设备故障诊断新方法研究

专家系统用于计算机数控（CNC）设备的故障诊断日益受到人们的重视。为了能够解决故障现象的模糊性，本文将模糊理论与Petri网结合，建立了模糊Petri网（FPN）理论体系。引出了FPN转移被激发规则，确定了FPN的动态运行过程。应用FPN能够清楚地表达与或树、产生式规则等知识表达形式。基于FPN理论，建立了CNC设备故障诊断专家系统（CNCM-FDES）。该系统由知识库系统、知识库管理系统、诊断推理机制、诊断过程解释机制、故障评价、故障决策与入机界面组成。文中分别介绍了该系统的各个组成部分。     

航空发动机磨损故障的智能融合诊断

运用了4种最常用的滑油分析技术——铁谱分析、光谱分析、颗粒计数分析及理化指标分析,同时结合发动机试车台监测数据,提出了运用神经网络和D—S证据理论对发动机试车状态进行融合诊断的方法。首先依据各种分析方法的标准磨损界限值,将原始数据进行了预处理,转换成故障征兆的布尔值;其次,建立了各子神经网络的拓扑结构。并依据专家经验建立各子系统的输入征兆与故障论域的映射关系,由此获得了各子神经网络的训练样本,对各网络成功训练后。利用神经网络实现各子网络的诊断并得到了中间诊断结果;然后,将每种方法的神经网络诊断结果作为各故障模式的基本概率分配值,利用改进的D—S证据理论。实现了对神经网络诊断结果的融合,由此获得了最终的融合诊断结果,最后,通过算例证明了该方法的有效性。     

基于神经网络的直升机自动倾斜器轴承故障诊断方法

为了进一步提高直升机的安全性,利用BP神经网络和RBF神经网络对直升机自动倾斜器轴承进行故障诊断。完成了直升机自动倾斜器轴承故障植入试验,获取了自动倾斜器轴承的故障振动数据,并进行了振动数据的特征信号提取。采用振动数据特征信号的多参数融合作为神经网络的输入,对自动倾斜器轴承故障进行诊断,获得了较高的故障诊断率。采用基于神经网络的故障诊断方法,自动倾斜器轴承各类故障的最高故障诊断率均大于89%。     

竖炉焙烧过程智能故障诊断系统

针对赤铁矿石竖炉焙烧过程故障诊断问题,将专家系统、神经网络与案例推理技术相结合,提出了由故障预报、质量监督、故障分析与处理模块构成的竖炉焙烧过程智能故障诊断系统。讨论了系统的体系结构、功能及实现方法,并成功应用于中国最大的赤铁矿选矿厂的竖炉焙烧过程。经过现场运行,故障诊断准确率达到90%,设备运转率提高了2．98%。工业应用结果表明,本文提出的智能故障诊断系统对竖炉焙烧这类复杂工业过程的故障诊断可行。     

网络控制系统的故障诊断

网络控制系统(Networked control systems,NCSs)是反馈通过数据网络的控制系统,跟传统控制系统相比,具有很多优点.但是,网络包含的时滞和其他数据特性会使得设计时未考虑网络的反馈系统性能下降.本文总结了近年来一些关于网络控制系统故障诊断的主要思想和结果,包括具有时滞的网络控制系统的故障检测及诊断技术,基于简单时滞系统模型;Markovian跳跃系统模型,混合系统模型及T-S模型的网络控制系统;以及对今后研究的展望.     

某火箭发动机故障检测及诊断算法设计分析

针对某型号液体火箭发动机故障检测及诊断软件存在瞬态段（起动段、关机段）故障检测功能缺失、故障诊断无法给出故障量大小的问题,在原软件故障诊断算法——余弦相似度分类的基础上,通过引入故障因子定量给出故障量大小,实现发动机故障诊断的定性定量分析。同时,采用基于统计学基础的包络线算法,通过Python语言对发动机瞬态段故障检测算法进行设计开发,使原软件实现发动机瞬态段故障检测功能。通过仿真试车数据对软件算法进行验证,结果表明优化后的故障诊断功能可实现故障量大小计算,基于包络线算法开发的故障检测功能提高了发动机故障检测效率。     

飞机复杂系统故障诊断的灰色粗集推理方法

传统的复杂系统故障诊断规则不易获取且方法单一,不能满足系统维护要求.文中全面考虑复杂系统诊断的数据来源,用灰色关联理论降低系统复杂性并通过粗糙集约简数据的思想实现灰色粗集推理.基于灰色粗集推理方法实现了故障诊断规则的获取,并通过实例验证方法的可行性,结果明显优于神经网络算法,可有效提高诊断效率.     

航空发动机气路故障诊断研究现状与展望

航空发动机气路故障诊断是通过对发动机系统、部件的气路参数进行分析,以识别气路部件性能退化或故障的主动过程,是提高飞行安全性和可靠性、降低发动机维修成本的重要途径,当前已成为飞行推进技术研究领域的热点。本文较为详尽地阐述了发动机气路故障诊断技术的发展历程;讨论了发动机气路故障诊断的主要方法,包括基于线性/非线性模型的诊断方法、基于数据驱动的诊断方法、基于信息融合的诊断方法等,评述了这些方法的优缺点;最后指出了气路故障诊断技术中的关键技术和难点,并对未来的发展趋势进行了展望。     

Compressive Sensing Sparse Sampling Method for Composite Material Based on Principal Component Analysis

Signals can be sampled by compressive sensing theory with a much less rate than those by traditional Nyquist sampling theorem,and reconstructed with high probability,only when signals are sparse in the time domain or a transform domain.Most signals are not sparse in real world,but can be expressed in sparse form by some kind of sparse transformation.Commonly used sparse transformations will lose some information,because their transform bases are generally fixed.In this paper,we use principal component analysis for data reduction,and select new variable with low dimension and linearly correlated to the original variable,instead of the original variable with high dimension,thus the useful data of the original signals can be included in the sparse signals after dimensionality reduction with maximize portability.Therefore,the loss of data can be reduced as much as possible,and the efficiency of signal reconstruction can be improved.Finally,the composite material plate is used for the experimental verification.The experimental result shows that the sparse representation of signals based on principal component analysis can reduce signal distortion and improve signal reconstruction efficiency.