基于引力球结构支持向量机多类算法的涡轮泵故障诊断

在涡轮泵故障诊断中，多类故障诊断是经常出现的问题。为提高多类故障诊断速度，在球结构支持向量机的基础上，提出一种引力球结构的支持向量机多类算法，该算法充分考虑样本分布疏松程度，经过试验优化分析得到最佳分类引力公式。用该算法和其他常用算法对涡轮泵仿真故障进行分类比较，结果表明基于引力球结构的支持向量机故障诊断算法学习速度快，诊断效果好。     

基于特征提取的容错控制及其应用

在黄金分割鲁棒自适应控制器的基础上，设计了一种自适应被动容错控制器，能在线辨识对象特征模型，在线提取系统动态性能特征和故障特征，对控制系统执行机构和测量部件的某些软故障具有被动容错能力。与传统PID控制的对比仿真充分说明了这种控制方案的优越性。     

航天计算机自检测技术

介绍航天容错计算机（ＣＰＵ）容错的一种硬件设计方案。这种方案采用四台ＣＰＵ的冗余来实现ＣＰＵ的自检测，以达到ＣＰＵ容错的目的。     

基于神经网络模型的学习诊断

基于故障树模型的诊断把故障树的底事件分成三部分：必然的故障源集（ＣＦＳ）、正常底事件集（ＮＥＳ）和可能的故障源集（ＰＦＳ），及如何进一步确定ＰＦＳ中各元素的状态（正常或异常）。在存在大量训练样本的情况下，可采用基于神经网络模型的学习诊断方法来确定ＰＦＳ中各元素的状态，并通过对某卫星能源系统故障模拟原理性试验台的故障诊断验证了该方法的有效性。     

发动机故障的数值模拟及模式分析

针对发动机的邦联特点，提出了其工作状态过渡的非线性动态数学模型。利用随机模拟结果，对发动机的邦联特性进行了简单分析。     

基于模糊观测器的不确定非线性系统故障检测方法

给出了一种不确定非线性系统的基于模糊观测器的故障诊断方法。用T-S模型描述不确定非线性系统,从而得到一种新的模糊观测器,并给出了其稳定性约束条件LMI。将模糊观测器和实际系统的输出之差作为残差可对不确定非线性系统进行故障检测。最后给出了一个控制系统感应电机的故障诊断应用实例。     

竞争学习模糊神经网络及在导弹故障诊断中的应用

尽管基于解析冗余的故障诊断方法有许多突出的优点而越来越多地得到的研究和应用，但它依赖于系统的模型，当系统存在非线性或不确定性时，存在难以建模的困难，模糊神经网络可以通过学习建立系统的模型，且模型参数有明确的物理意义，初始参数易于选择，成为解决这一问题的优选途径，作者通过把模糊神经网络的学习转化为竞争聚类和线性优化问题，基于竞争聚类和最小二乘原理，提出了一种模糊神经网络学习算法，并在某伺服机构上进行     

基于导航定位原理的火箭涡轮泵轴承故障诊断

为准确判断火箭发动机涡轮泵轴承在试验台上试验时发生故障的部位，同时避免通过轴承特征频率诊断轴承故障的方法所带来的不确定性，基于GPS卫星导航定位原理，利用时幅曲线的相位信息，提出一种新的轴承故障诊断方法:振源坐标定位法，即通过四个已知坐标的振动传感器测得同一振动波的时幅曲线相位差判定振源位置。将试验台上轴承和四个振动信号传感器安放在坐标已知的直角坐标系中，利用时幅曲线拐点分析法准确捕获振动信号到达四个传感器的时刻，再利用这四个时刻和已知坐标计算出振源位置坐标，最后根据振源位置坐标判断其是否为轴承故障及具体故障部位。通过仿真计算证明该方法理论上可行。     

在轨卫星异常报警和故障诊断方法研究

及时发现卫星出现的异常是卫星在轨管理的一项重要工作，它关系到卫星在轨使用寿命。能够及时发现并判断卫星异常的方法有很多，本文对这些方法进行了研究，并将其归纳为2类，一类是基于遥测参数超限报警方法，另一类是故障诊断方法。分别对这2类方法从功能、效果、软件实现的难度进行比较，结果表明，在不同的管理和实现难度要求下，这些方法完成卫星管理的效果不同。另外，本文还提出了一种遥测参数相对判断算法，简化了报警门限设置，能够及时发现卫星任何参数突跳，是一种有效的卫星异常报警方法。     

Real-time fault detection method based on belief rule base for aircraft navigation system

Real-time and accurate fault detection is essential to enhance the aircraft navigation system’s reliability and safety. The existent detection methods based on analytical model draws back at simultaneously detecting gradual and sudden faults. On account of this reason, we propose an online detection solution based on non-analytical model. In this article, the navigation system fault detection model is established based on belief rule base (BRB), where the system measuring residual and its changing rate are used as the inputs of BRB model and the fault detection function as the output. To overcome the drawbacks of current parameter optimization algorithms for BRB and achieve online update, a parameter recursive estimation algorithm is presented for online BRB detection model based on expectation maximization (EM) algorithm. Furthermore, the proposed method is verified by navigation experiment. Experimental results show that the proposed method is able to effectively realize online parameter evaluation in navigation system fault detection model. The output of the detection model can track the fault state very well, and the faults can be diagnosed in real time and accurately. In addition, the detection ability, especially in the probability of false detection, is superior to offline optimization method, and thus the system reliability has great improvement.