A Fault-tolerance Estimating Method for Ionosphere Corrections in Satellite Navigation System

 Aiming to the reliable estimates of the ionosphere differential corrections for the satellite navigation system in the presence of the ionosphere anomaly, a fault-tolerance estimating method, which is based on the distributed Kalman filtering, is proposed. The method utilizes the parallel sub-filters for estimating the ionosphere differential corrections. Meanwhile, an infinite norm (IN) method is proposed for the detection of the ionosphere irregularity in the filter processing. Once the anomaly is detected, the sub-filter contaminated by the anomaly measurements will be excluded to ensure the reliability of the estimates. The simulation is conducted to validate the method and the results indicate that the anomaly can be found timely due to the novel fault detection method based on the infinite norm. Because of the parallel sub-filter architecture, the measurements are classified by the spatial distribution so that the ionosphere anomaly can be positioned and excluded more easily. Thus, the method can provide the robust and accurate ionosphere differential corrections.     

某型运输机飞控计算机动态故障树分析

针对现代运输机飞行控制系统具有结构相对复杂,大量使用数字技术,可靠性要求高和具有容错功能等特点,本文以某型运输机为例,建立飞行控制系统主计算机动态故障树模型,并应用动态故障树分析方法进行动态故障树分析。     

贝叶斯网络在飞控系统可靠性评估中的应用

把一种基于贝叶斯网络的故障树分析法应用于飞控系统俯仰控制功能的可靠性评估中,突破传统故障树分析法的局限性——各部件独立、状态为二值,不但可以计算系统的可靠性指标,而且可以定量给出某个事件或某几个事件在系统可靠性中所占的地位,找出系统的薄弱环节。     

基于数据关联的故障快速检测

 多数情况下,快速实时地进行故障检测是很重要的。将故障看做是通过多传感器观测的动态模型,进行多传感器多模型概率数据关联,以各个模型的关联结果和设定的阈值为依据,可以有效地实现故障检测。联合概率数据关联（JPDA）算法是解决多传感器多目标跟踪的一个有效方法,文中通过分析概率数据关联算法,对联合概率数据关联算法进行了改进：（1）通过正确地选择阈值,移除小概率事件,进而建立一个近似的确认矩阵;（2）根据被跟踪目标故障跟踪门的相交情况,将跟踪空间进行数学划分,形成若干相互独立的区域;（3）对同一区域内公共有效量测的概率密度值进行衰减,计算出关联概率。仿真对比表明,本文的改进算法能显著减少计算时间,有效提高故障检测的快速性和实时性。     

支持向量机用于液体火箭发动机的故障诊断

支持向量机（Support Vector Machine,简称SVM）是一种基于机器学习的模式分类算法,其在解决小样本、非线性及高维模式识别等问题中都表现出许多特有的优势。用SVM对液体火箭发动机的故障数据进行检测和诊断。通过对发动机仿真模型的9种故障数据的学习,能检测出18组故障数据中的17组,但有4组出现误报,对误报故障进行二次学习和再检测,能对这4种故障正确检测。经过对C75试车4种故障数据的学习,能正确检测其故障类型,进一步验证了该方法的正确性和可行性。     

基于改进LS-SVM的航空发动机传感器故障诊断与自适应重构控制

提出了一种基于改进LS-SVM的航空发动机传感器故障诊断与自适应重构控制方法.该方法通过给误差变量赋予不同权值因子提高LS-SVM的鲁棒性,采用修剪算法提高LS-SVM的稀疏性;该方法从某涡扇发动机输入输出空间中建立其正常模型,采用阈值判别法对传感器故障进行实时监视与诊断,并用模型输出值代替故障传感器测量值反馈回闭环控制系统,实现对发动机的自适应重构控制.仿真结果表明,该方法能及时准确地定位故障,并进行有效的自适应重构控制.      

旋转机械振动故障诊断的灰度-梯度共生矩阵方法

研究了基于灰度-梯度共生矩阵的旋转机械故障诊断方法,利用灰度-梯度共生矩阵直接提取旋转机械振动参数图形中的特征信息,应用人工免疫系统实现旋转机械故障诊断.实验验证该方法可以获得较高的诊断精度,证明了该方法的可行性.      

基于SCSO-BP神经网络的卫星姿态控制系统故障预测

近年来,随着人工智能的迅速发展,基于人工神经网络的卫星姿态控制系统故障预测方法得到了越来越多的重视。在反向传播(Back Propagation ,BP)神经网络中,权重和偏置是重要的可调节参数,与神经网络的预测性能密切相关。BP神经网络的初始权重和偏置为随机生成,设置不当容易导致网络在训练过程中陷入局部极值,进而影响预测性能。为了提高BP神经网络的预测性能,提出了一种将沙猫群优化(Sand Cat Swarm Optimization ,SCSO)算法与BP神经网络相结合的预测方法。在训练过程中,首先通过SCSO 算法对BP神经网络权重和偏置进行预训练,在此基础上,利用精调后的BP神经网络对卫星姿态控制系统周期渐变故障数据的未来趋势进行预测。实验结果表明,与原始BP神经网络预测方法相比,SCSO-BP预测方法能够有效减小预测误差,具有更好的预测精度。     

基于BP神经网络X频段调制器故障预测

本文采用BP神经网络对X频段调制器的故障预测进行研究,通过仿真软件编程构建BP神经网络故障预测模型,验证X频段调制器输出功率指标的精确性,根据测试结果表明建立的BP神经网络故障模型预测误差很小,能够较准确对X频段调制器的输出功率故障进行预测。     

基于LSTM和CNN的高速柱塞泵故障诊断

针对高速轴向柱塞泵容易发生空化,且目前空化故障诊断方法存在依赖手工特征提取、鲁棒性不高的问题,提出了一种基于长短时记忆（LSTM）和一维卷积神经网络（1D-CNN）相结合的空化故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同空化等级下的壳体振动信号。利用LSTM和1D-CNN搭建的分类模型对不同进口压力情况下的振动信号进行空化等级识别。实验结果表明：提出的方法能够准确地识别出4类不同的空化等级,准确率高达99.5%,同时在不附加降噪方法的情况下,具有良好的鲁棒性,在0 dB信噪比的情况下,识别准确率高达87.3%。