鲁棒故障诊断中特征结构配置的有关问题

讨论了用于故障检测的特征结构配置方法，给出了特征结构设计的必要条件。此外，还讨论对加权矩阵与增益矩阵的最优鲁棒设计问题，提出了一种直接的、降秩逼近的设计方案，指出了Ｐａｔｔｏｎ的设计方案有可能实现不了的原因，并举例给予验证。     

基于CBR的数控设备故障诊断系统知识表示

随着数控设备越来越复杂,对设备故障诊断与维修提出了更高的要求,采用专家系统的方式建立故障诊断系统以实现数控设备的快速诊断和维修.针对CBR (Case-Based Reasoning)系统自身的增量学习模式使系统的实例库逐渐增大,系统效能大大降低的缺点.根据数控系统结构的特点采用分层检索的方法,依据该检索方法采用框架型的知识表示方式,提高了大实例库的检索效率.将该方法应用于数控设备的故障诊断系统中,提高了故障诊断的诊断效率.      

基于改进的动态故障树的惯导系统安全性分析

惯导系统的安全性是影响整个飞行器安全的重要因素.在利用动态故障树对惯导系统进行安全性分析时,针对马尔科夫链的组合爆炸和无法分析事件服从非指数分布系统的问题,引入了Monte - Carlo方法.提出了一种基于改进的最小割集的动态故障树分析方法,该方法通过改进最小割集的生成方法,确定相应的分析流程,综合了二元决策图、马尔...     

航天器传动部件振动数据稀疏多分类智能故障诊断

针对航天器传动链机械零部件发生故障时训练数据稀缺以及信号的强非平稳\非线性特点,提出了动态数据驱动的子空间稀疏多分类智能故障诊断算法。首先对采集的单一传感器动态信号进行分形小波变换,生成常规和非常规二进小波尺度。然后对生成的各子空间提出基于故障能量指标的稀疏多分类器,以监测部件的故障特征频率为搜索目标,在子空间的包络解调谱上计算特征频率及其倍频附近的能量峰值,导出特定故障模式的稀疏评价指标,以各种故障模式的最大值识别和判定故障类型。所提出的算法完全实现了无人工监督的智能故障诊断。最后以航天器轴承故障诊断为例验证了该算法的有效性。所研究算法的泛化能力较强,技术路线同样适用于其他航天器传动部件的在线监测与故障智能预警。     

基于SVM方法的APU故障预测方法

针对辅助动力装置(Auxiliary power unit,APU)故障预测时,仅基于快速存取记录器(Quick access recorder,QAR)数据存在实时性欠缺或精度不足的问题,提出了基于实时报文数据的APU故障预测方法。首先,对报文所采集的数据进行预处理,将每次航班的报文数据规整为一条数据集;其次,从参数阈值、维修记录及APU序列号变化情况等角度对数据集进行标注工作;随后,针对特征选择算法具有较差解释性的缺点,提出通过相关性分析选取能够表征APU运行性能的参数;最后,建立基于支持向量机(Support vector machine,SVM)的多参数故障预测模型并优化。经验证,该模型提高了预测正确率,为APU视情维修策略的制定提供参考。     

一种基于二次分配的测试性指标分配方法

针对现有主流测试性分配方法均为一次性分配,缺乏必要的反馈和修正,一旦有单元分配指标过高无法实现,会导致系统指标也无法实现的问题,提出了一种基于二次分配的测试性指标分配方法。利用基于反正切函数的改进故障率分配法实施初次分配,由单元开展测试性初步设计和预计,基于单元测试性指标预计结果判断是否需要实施再次分配,如需要再次分配,则基于单元相对难度系数的修正函数,对指标偏高/偏低的单元实施再次分配,得到最终分配结果。通过仿真算例和实例验证了二次分配方法的有效性和先进性。     

基于ATSUKF算法的卫星姿控系统故障估计

针对卫星姿态控制过程中可能发生的执行机构或敏感器故障,提出了一种基于无损卡尔曼滤波（UKF）及偏差分离原理的自适应二阶无损卡尔曼滤波（ATSUKF）算法。首先,提出TSUKF算法,通过UKF处理姿态机动时的非线性并通过偏差分离原理将非线性系统的状态及故障分别估计,避免非线性模型的线性化过程同时降低了计算过程中的矩阵维度。然后,在TSUKF算法的基础上提出了ATSUKF算法,通过滑动窗口内的残差计算自适应矩阵,使滤波器在统计特性不准确的情况下仍然具有较快的收敛速度,特别适用于卫星快速机动过程中的姿态与故障估计。数值仿真结果表明,ATSUKF算法相较于TSUKF算法能有效降低统计特性不准对系统造成的不利影响,实现卫星姿态、执行机构/敏感器故障的快速估计。     

基于ACMPE、ISSL-Isomap和GWO-SVM的行星齿轮箱故障诊断

针对从行星齿轮箱非线性、非平稳振动信号特征提取困难的问题,提出了一种基于自适应复合多尺度排列熵(ACMPE)、改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)和灰狼群优化支持向量机(GWO-SVM)相结合的行星齿轮箱故障诊断方法。利用ACMPE从复杂域提取振动信号的故障特征,构建高维故障特征集;采用ISSL-Isomap方法对高维故障特征集进行维数约简,提取出低维、敏感故障特征;应用GWO -SVM分类器对低维故障特征进行模式识别,判断故障类型。行星齿轮箱故障诊断实验结果分析表明:与多尺度排列熵(MPE)、复合多尺度排列熵(CMPE)等特征提取方法相比,ACMPE方法在分类效果和识别精度上更具优势;与局部切空间排列(LTSA)、等度规映射(Isomap)、加权Isomap(W-Isomap)、监督Isomap(S-Isomap)和监督型自组织增量学习神经网络界标点Isomap(SSL-Isomap)等降维方法进行比较,ISSL-Isomap方法降维效果最佳;所提方法的故障识别率达到100%,具有一定优越性。      

基于MED和LMD的自动倾斜器轴承广义Shannon熵谱分析

针对轴承信号微弱故障特征易被强背景噪声淹没的问题,提出采用最小熵反褶积,通过逆滤波器最优化设计,对目标信号进行降噪处理,其峭度值提高了约3.8倍,增强了信号的微弱故障特征;针对非平稳非线性信号频率成分复杂难以解调的问题,提出采用局部均值分解(LMD)和峭度-相关系数筛选准则,其可对非平稳非线性信号进行自适应分解和最优重构,提高了信号的信噪比;针对信号耦合调制及边频突出的问题,通过引入广义Shannon熵进行包络谱带内降噪处理,信号一阶故障特征调制频率与故障特征频率的幅度比降低了24%~43%。通过实验室信号及某型直升机自动倾斜器轴承故障诊断地面试验的分析结果验证了该方法的合理性和可行性。      

基于HIL的车用电机控制器故障保护策略测试

随着新能源汽车电控系统的发展以及复杂度和集成度的提高,整车故障保护策略已成为软件开发的重要组成部分之一,但测试难度较大且风险较高,尤其针对电机控制系统,传统的台架和实车测试往往不能满足需求。通过对电机控制系统故障保护策略及硬件在环(HIL)测试方案的介绍,并结合dSPACE仿真系统,针对车用电机控制单元搭建了信号级HIL仿真测试平台。借助上位机实时模拟电机不同故障工况,并进行试验和测试结果的分析,验证了电机控制器故障保护策略的正确性,同时体现出HIL测试方法的优越性。