状态关联及其在故障树自动建造中的应用

为了对状态关联复杂的系统进行精确的故障诊断 ,需要开发包括状态关联的故障树自动建造方法。提出了描述状态关联关系的状态树与状态关联矩阵 ,依据状态关联设置了状态叠加算子 ,描述了状态关联在故障树自动建造中的应用     

知识作业的内涵辨析与界定

借鉴泰勒对工作（task）的定义，结合现代认知科学信息加工、问题解决等理论，在分析比较知识作业与操作作业、知识作业与脑力劳动以及知识作业与问题解决的基础上，适应知识经济时代生产率提高的要求，从管理工程与工效、信息加工、问题解决三个角度给出知识作业的内涵，分别为：知识作业是“一连串的动作”，心智操作是知识作业过程的“动素”；知识作业是人脑的信息加工和计算过程，心智操作是知识作业的“算法”；知识作业是根据作业目标所确定的心智操作序列，包括结果的规范化输出。     

基于ILLE和SVM的卫星执行机构系统故障检测与定位

针对某超高指向精度要求的卫星平台,采用增量式局部线性嵌入(ILLE)与支持向量机(SVM)结合的方法,研究系统配置的多组磁伺服机构的故障检测与故障定位技术。在分析执行机构故障模式以及故障影响的基础上,采用LLE算法实时提取并更新与故障相关的卫星姿态控制系统高维信息,对其进行降维及特征提取,实现执行机构系统故障检测。当检测到故障时,提取执行机构系统输入输出信息,利用支持向量机(SVM)方法进行故障定位。该方法无需采集离线数据生成样本集,直接利用卫星姿控系统产生的在线故障特征数据集进行故障检测,并能根据故障检测结果,有效地实现卫星姿控系统执行机构的故障定位。算例仿真结果验证了所提方法的有效性。     

基于全解耦奇偶方程的动态系统执行器故障检测与识别

给出了基于全解耦奇偶方程的动态系统执行器故障的检测与识别方法。讨论了全解耦奇偶向量的产生方法,给出了全解耦奇偶向量的存在条件,并结合卡尔曼滤波方法得到了故障模型参数的估计方法。最后给出了仿真实例。结果表明,全解耦奇偶方程方法能估计出动态系统执行器故障模型。     

飞机电源系统故障诊断方法综述及发展趋势

飞机电源系统是机上一切用电设备的电能来源,其安全性与可靠性至关重要。在环保和高效发展需求的背景下,现代航空工业正在推进以电能为核心的多电/全电飞机技术的研究和应用。电驱动装置和电力电子器件的广泛使用导致飞机电源系统结构的复杂化,对飞机的可靠性、安全性、测试性和维修性提出了更高的要求,研究飞机电源系统的故障诊断技术具有重要意义。首先介绍了飞机电源系统的组成结构和各自功能,概述了飞机电源系统的发展历程,对比了国内外典型电源系统的特征,总结了飞机电源系统中的主要故障模式、故障特点和失效原因,并提出了一种飞机电源健康管理系统的设计架构,然后综述了国内外基于模型和基于数据的故障诊断方法研究进展,从准确度、数据需求量、适用性和实现难易程度等方面评述了各类诊断方法的特点,最后指出了飞机电源系统故障诊断技术面临的挑战和发展趋势。     

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。     

综合模块化航电系统FC网络的机内测试设计

针对综合模块化航电系统FC网络单元分布范围广、故障定位困难、维修效率低的问题,设计了一种机内自测试方法.在网络构建时间和通信效率的约束条件下,通过网络构建和故障检测同步进行的机制实现快速的任务前故障检测,通过实时监测和故障触发相结合实现低开销的任务中故障检测.在网络故障发生后,通过网络遍历和通信自环绕测试将故障有效地隔离至单个模块,提高检测和维修的效率.     

组合导航信息融合滤波的研究(英文)

提出一种组合导航信息融合新方法,该方法能提高容错性能,更好地进行故障检测、隔离和重构.同时,当故障发生时,由于融合了系统信息,它能使重构的系统以更高的精度工作.采用这种滤波器设计了捷联惯导系统、GPS、多普勒雷达三传感器信息容错系统.仿真结果表明, 这种设计方法对陀螺、加速度计、GPS、多普勒雷达的软故障是有效的.     

应用于电机轴承和不对中复合故障的RNN诊断方法

提出一种基于伺服电机转速信号的轴承和不对中复合故障的故障诊断方法。首先,探讨了复合故障励磁引起的电机转速变化,分析了通过转速法实现复合故障诊断的理论可行性。实验表明,复合故障中轴承等微弱故障信号的检测容易受到不匹配安装故障的干扰,这将使传统的诊断算法失效。将预处理后的速度信号和通过FFT得到的信号分别通过循环神经网络（Recurrent neural network,RNN）,将输入的时域特征和频域特征融合在一起,作为故障分类的基础。这种时频域特征复合RNN模型（Time-frequency feature compound-RNN,TFFC-RNN）对不对中故障干扰下的轴承故障和正常信号的分类准确率可达90%以上。最后,研究了各RNN变体对于模型准确率的影响。实验结果表明利用门控循环单元进行频域部分的特征提取,模型的诊断正确率最高。