基于极大后验原理的非线性系统传感器故障估计

针对扩展卡尔曼滤波算法(Extended Kalman filter,EKF)计算复杂,粒子滤波算法动态跟踪能力差,单一无先导扩展卡尔曼滤波算法(Unscented Kalman filter,UKF)滤波精度低等缺陷,本文根据极大后验原理(Max-imum posterior principle,MPP),针对一类非线性系统设计了一种改进型的无先导卡尔曼故障估计滤波器来估计被控系统所发生的加性传感器故障。首先根据极大后验估计原理,推导出一种最优常值故障估计器。在此基础之上,推导出次优的加性常值故障估计滤波器,并对故障估计滤波器进行了无偏性证明。最后,将得到的理论结果应用于非线性倒立摆系统,仿真验证了所提方法的有效性。     

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Internet的网络化三容水箱实验平台

基于网络的故障诊断与容错控制算法的现有研究大多止于数值仿真,而简单的数值算例无法准确反应实际的工业过程,需要利用真实的物理实验平台对各种算法进行评估。本文构建了基于Internet的网络化三容水箱系统,为网络化故障诊断与容错控制算法提供了一个基准的实验平台。该系统有较为精确的数学模型,可以方便地设置多种故障。整个系统立足于真实的物理系统、真实的网络传输特性以及真实的故障种类,可作为基准平台对网络化故障诊断与容错控制算法的效果进行评估。     

基于EMD和SVM的滚动轴承故障诊断方法

将支持向量机(SupportVectorMachine,简称SVM)、经验模态分解(EmpiricalModeDecomposition,简称EMD)方法和AR(Auto-Regressive,简称AR)模型相结合应用于滚动轴承故障诊断中。该方法首先对滚动轴承振动信号进行经验模态分解,将其分解为多个内禀模态函数(IntrinsicModeFunction,简称IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法在小样本情况下仍能准确、有效地对滚动轴承的工作状态和故障类型进行分类,从而实现了滚动轴承故障诊断的自动化。      

一种新颖的直升机舵回路故障诊断方法

研究了基于案例推理的直升机舵回路在线故障诊断方法。针对传统的CBR方法一般采用离散数据和符号向量来建立案例的不足,提出了动态系统多源异类信息的案例表达方法,利用系统特性集、征兆集和特征集混合模型作为案例的条件属性。在此基础上,研究了案例检索的综合相似性度量方法。最后,将上述方法在某型直升机的俯仰舵回路进行了试验验证,结果表明,该方法可以诊断出舵回路的控制参数漂移故障,为复杂动态系统的故障诊断提供了一种有效的新途径。     

基于新型多分类支持向量算法的发动机故障诊断

层次支持向量机(H-SVM)比通常的"一对多" (1-V-R)和"一对一" (1-V-1)等多分类支持向量算法具有更快的训练速度和分类速度.提出一种基于H-SVM的航空发动机气路部件故障诊断方法,根据特征空间中各类故障样本中心之间的距离来逐层划分子类,距离较近的故障样本归为同一个子类进行训练,得到的H-SVM层次结构合理,各层的SVM分类间隔大、泛化能力强;同时,用ν-SVM代替通常的C-SVM作为两类分类器,分类器参数意义明确、变化范围小,更容易确定.仿真实验表明,基于H-SVM的故障分类器具有良好的分类准确性和泛化性能,能够对发动机气路部件的单一故障和复合故障进行快速诊断.     

基于模型的航天器推进系统故障诊断

本文设计了基于模型的推进系统的故障诊断系统。根据推进系统的结构和行为模型,分析出各组件所处的工作状态及组件之间的连接关系,利用JMPL建模语言建立了推进系统各组件的定性模型。把推进系统模型和系统场景文件输入给诊断推理引擎,可实现推进系统的实时诊断。诊断结果表明,建立的推进系统模型是准确可靠的,开发的诊断系统能有效地找出故障组件并确定故障组件的状态。     

人工神经网络融合诊断航空发动机气路故障

为了提高诊断的准确性,提出了一种利用人工神经网络融合诊断航空发动机气路故障的新算法.由4个子系统有机结合起来建立了神经网络融合诊断系统,对从飞参数据中得到的气路故障数据进行预处理之后,分别输入广义回归神经网络子系统和BP神经网络子系统进行诊断,然后研究了一种新的信息融合算法对两者的诊断结果进行融合,使诊断结果的故障特征更加明显,提高了诊断的准确性.通过测试表明,该信息融合算法十分有效,具有较高的实用价值.      

结合统计的模型辨识在发动机故障诊断中应用

以一个双轴分排涡扇发动机为例,研究了数理统计和模型辨识组合方法诊断发动机双故障的可行性和效果.模型辨识法基于发动机性能仿真模型,在辨识的过程中利用了发动机平衡技术,考虑了模型的非线性.运用数理统计方法对辨识法得到的结果进行再处理,弥补了单纯以拟合程度为标准进行故障隔离的不足,定义和选择合适的故障指标,可以在多重故障模型下得到良好的故障隔离效果.      

基于SPSO-SVR的融合航空发动机传感器故障诊断

针对航空发动机常见的传感器故障问题, 提出了一种利用改进的粒子群算法训练支持向量回归机, 并利用融合机制将其应用于传感器故障诊断.论述了用一簇支持向量回归机(SVR)预测器对传感器进行实时检测, 通过逻辑判断机制隔离故障传感器, 并且依据剩余的无故障传感器信息实现信号重构.以某型航空发动机传感器在其整个工作范围内受到的冲击、偏置和漂移故障为例, 验证了基于自协调粒子群优化支持向量回归机(SPSO-SVR)算法的融合诊断机制对传感器单一故障和多重故障具有较高的精度和计算效率.