软件密集型装备软件故障诊断技术研究

针对当前软件密集型装备软件故障诊断方法的缺陷,提出了一种基于粗诊断与细诊断技术相结合的软件故障定位方法。对故障进行初步定位,找出软件故障可疑模块集,利用切片技术对故障模块集进行检测,将故障定位到程序语句集中,采用代码分析辅助诊断工具对可疑代码集进行排查、定位。软件密集型装备故障诊断原型系统的应用表明,该方法能有效地进行软件故障的定位。     

改进ART1神经网络在航空发动机故障诊断中的应用

根据航空发动机故障诊断原理和飞参数据,提出了一种改进ART1神经网络故障诊断方法。该法对数据预处理后,运用四阈值法和二次判断建立故障代码消除“伪故障”,并对ART1神经网络的输入层进行了改进,在诊断突发性故障的基础上,增加了对因为部件原因而引起的渐变性故障的诊断。实验结果证明,该方法精确度高,噪声抑制力强,而且诊断准确,大大降低了虚警率。     

改进ART1神经网络在航空发动机故障诊断中的应用

根据航空发动机故障诊断原理和飞参数据,提出了一种改进ART1神经网络故障诊断方法.该法对数据预处理后,运用四阈值法和二次判断建立故障代码消除"伪故障",并对ART1神经网络的输入层进行了改进,在诊断突发性故障的基础上,增加了对因为部件原因而引起的渐变性故障的诊断.实验结果证明,该方法精确度高,噪声抑制力强,而且诊断准确,大大降低了虚警率.     

基于DCCA-IWO-MKSVM的模拟电路故障诊断方法

为了提高模拟电路故障的诊断效果,提出基于DCCA-IWO-MKSVM的模拟电路故障诊断方法。采用DCCA算法对模拟电路的故障特征进行提取,构造新的融合特征。对支持向量机的核函数进行线性组合构造新的多核函数,并用IWO算法对其参数进行优化,以构建最优故障诊断模型,用于融合特征的学习分类。故障诊断实验结果表明:对于融合特征的故障诊断效率,该算法要优于单核函数的IWO-SVM算法,且整个故障诊断系统的诊断效果具有较高的准确率。     

轮毂电机电动车电子踏板诊断算法实验研究

轮毂电机电动车由于采用线控驱动技术,因此其故障诊断是重要的安全问题,其中电子踏板的故障诊断关系到整车安全,是至关重要的技术问题;提出了一种应用于轮毂电机电动车电子踏板模块的故障诊断算法;该算法采用门限值与相关性联合诊断方法检测出踏板信号的故障,对故障容错处理后计算出正常的信号值;采用LabVIEW RT工具对所研究的故障诊断算法进行了实验验证;实验结果表明,该诊断算法能准确诊断电子踏板的短路和开路故障,输出正常的信号值,提高了轮毂电机电动车的安全性。     

基于神经网络技术的汽车故障诊断算法及其优化

该文论述了一种基于汽车OBD-Ⅱ故障代码到具体故障的汽车故障诊断算法,实现了利用BP神经网络算法由OBD-Ⅱ故障代码向具体故障的映射,并且利用遗传算法将神经网络加以优化,以提高识别率。     

基于神经网络信息融合的智能故障诊断方法

飞行状态时的飞机舵面故障诊断系统,含有系统和测量噪声及其时变、非线性等特点,采用常规的故障诊断方法很难实现对飞机舵面故障的准确诊断和告警,为了更好的实现对飞机舵面系统的故障诊断,将神经网络信息融合的智能故障诊断方法首次运用到舵面系统故障诊断中.该智能诊断方法应用神经网络的非线性拟合能力扩展舵面相关线位移传感器测量信息,同时采用D-S算法将相关传感器的输出信息进行融合,最后信息融合诊断策略根据这些信息确定出舵面相应的故障类型,从而可以对舵面故障信号进行有效识别和诊断.建立了某机舵面系统故障诊断的数学模型,并利用该模型对提出的智能故障诊断方法进行仿真验证,最后的仿真实验结果表明:该故障诊断结构形式对于舵面常见的故障能够进行识别和告警,诊断效果令人满意.     

基于改进的证据更新工业过程故障诊断研究

工业生产过程的故障成因颇为复杂,一种故障的故障特征可能有多种表现形式,而多种故障又有可能表现出一种故障特征。因此单模型、单因素的故障诊断方法已显其不足。提出了改进的证据更新的动态故障诊断算法,并结合人工智能方法应用到硝酸生产过程故障诊断系统中。该方法通过对模糊神经网络的描述来确定故障诊断的辨识框架,应用新型的模糊推理方法生成诊断证据,诊断证据再基于改进的证据更新规则来实现证据的动态更新,根据结果来进行故障决策,从而解决了故障模式多样性、故障诊断动态性以及故障特征不确定性的问题。经实例验证,该方法的应用可提高故障诊断确诊率。     

基于电流信息的CMOS SRAM存储单元故障测试

针对深亚微米技术,提出了差分静态电流技术和动态电流技术相结合的方法对CMOS SRAM存储单元进行故障诊断,针对该方法改进了0-1算法。改进的0-1算法与传统的March算法相比,明显降低了测试开销。以四单元存储器为诊断实例,针对桥接故障、开路故障与耦合故障,实现了100%故障诊断覆盖率。实验结果证明了新方法具有故障覆盖率高的特点,能够诊断传统逻辑测试法难以探测的部分故障。     

基于多分类SVM的航空逆变器故障诊断

航空逆变器的可靠性对飞机供电系统的安全性和稳定性尤为重要,但当前对于航空供电器的故障诊断的研究较少,无法为航空逆变器提供有效保障。因此,提出基于多分类支持向量机的故障诊断方法,对航空逆变器的多种故障模式进行诊断。针对故障特征耦合性高的问题,采用主成分分析方法提取故障特征,获取低维度的关键特征。由于逆变器具有多种故障模式,且具有非线性的特点,故采用多分类支持向量机算法进行故障诊断。该算法具有极强的分类能力,是处理小样本、非线性问题的有力工具。实验结果表明,该算法模型可对航空逆变器多种工况条件下的15种故障模式进行有效诊断,并且方法诊断速度快,提高了航空供电系统的安全性。     

改进型证据更新规则的动态故障诊断算法

火炮装填系统故障的成因复杂,单因素、单模型的故障诊断方法已显其不足。提出了改进型证据更新规则的动态故障诊断算法,并将所述的人工智能方法应用到火炮自动装填故障诊断系统中。该方法通过对模糊规则库的描述来确定故障诊断的辨识框架,应用新型的模糊推理方法生成诊断证据,并通过证据更新规则对所获取前后时刻的诊断证据进行动态更新,将更新融合后的证据进行故障决策,从而解决了故障特征的不确定性、故障模式多样性以及动态故障诊断问题。实例分析证明：该方法达到了有效提高故障诊断确诊率的目的。     

粒子滤波器在移动机器人故障诊断中的应用

针对移动机器人存在的8种不同模式,引入粒子滤波器算法,用于解决移动机器人系统故障诊断问题。基于粒子滤波器的故障诊断算法,通过一组带权值的粒子估计系统状态,计算故障状态的分布情况和故障发生的概率,从而判断是否发生故障以及所发生的故障类型。对粒子滤波器在移动机器人故障诊断中的应用进行仿真实验,并与CMAC神经网络故障诊断方法比较。实验结果表明,采用该方法能有效诊断移动机器人的故障模式,与CMAC神经网络故障诊断方法相比具有优越性。     

基于PSO-SVM的发动机故障诊断研究

针对发动机的故障分类问题,提出了一种基于粒子群(PSO)优化支持向量机(SVM)的发动机故障诊断方法,采用粒子群算法优化支持向量机的惩罚系数C和核宽度系数σ,并在MATLAB环境下对发动机进行故障类别诊断,通过对发动机典型故障的诊断研究表明,采用PSO-SVM算法模型的故障诊断的精确度和效率都得到了提高,该方法与BP神经网络、PSO-BP、标准SVM相比,有较高的分类准确率,准确率可高达100%;与GA-SVM方法相比,诊断效率有所提高,从而验证了该方法在发动机故障诊断中的有效性。     

基于粒子群优化的可拓神经网络故障诊断方法研究

基于可拓学的故障诊断方法是智能故障诊断领域中较为新颖的研究方向;首先介绍了可拓故障诊断领域的研究现状;然后重点分析了可拓神经网络模型,包括它的结构和故障诊断原理,由于该模型存在参数设置主观、易早熟等问题,进而提出了基于粒子群优化的可拓神经网络模型,该模型以关联度作为测度工具物理意义明确,通过粒子群算法进行参数优化避免算法早熟;最后采用汽轮发电机组振动信号频谱数据进行算法验证,结果表明该算法能够正确诊断出全部故障,且诊断精度高。     

基于滑模变结构观测器的故障诊断研究综述

该文介绍了现实环境中故障及诊断方法的基本分类,故障诊断的工作原理。其中基于观测器的故障诊断算法被公认为较为成熟的故障方法之一,该文对基于滑模变结构观测器的故障诊断算法的研究现状进行了详细的介绍。     

基于深度学习的模拟电路故障诊断算法

针对模拟电路易发生故障且不易诊断的问题,提出了一种基于深度学习的模拟电路故障诊断算法。该算法首先将采样的原始数据制作成语音形式,然后通过时频域变化转化为语谱图,最后再将其送入VGG16模型中进行训练与测试。实验结果表明,该算法用于模拟电路故障诊断时能够识别的故障种类达到9种,同时准确度达到了100%,具有很强的电路故障诊断能力。     

结合OCSVM的模拟电路故障诊断方法

基于支持向量机的传统模拟电路故障诊断方法对新故障无检测能力,且可扩展性较差。针对该问题,提出结合一类支持向量机(OCSVM)和多类支持向量机(MCSVM)的故障诊断方法。该方法采用OCSVM对故障数据进行检测和初步分类,采用MCSVM提高分类性能,以弥补OCSVM分类能力的不足。对OCSVM算法进行改进,以提高其检测和分类性能。通过模拟电路故障诊断实验验证OCSVM改进算法和联合故障诊断方法的有效性。     

基于自适应神经网络加权模糊故障诊断研究

研究故障诊断问题;针对传统Petri网难以精确地描述故障现象和故障原因之间的复杂关系,基于模糊逻辑BP神经网络和传统Petri网模型结合,提出了一种新的自适应的加权模糊神经网络Petri网模型故障检测方法;该方法首先采用改进的BP神经网络算法对模型的权值进行训练,然后采用构造的自适应模糊Petri网模型对故障进行诊断;在柔性制造系统实例中进行了故障诊断,实验结果表明,该方法具有很强的故障推理能力以及自适应能力,能有效地对故障进行诊断,具有一定的实际应用价值。     

基于改进型小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出了基于改进型小波神经网络的往复泵故障诊断方法。以往复泵单个泵缸内的压力信号作为系统特征信号通过小波包分解来提取故障特征向量,同时将此特征向量作为改进型神经网络的输入,利用改进型神经网络对故障做进一步的精确实时诊断。文中对小波神经网络采用的优化算法是：动量因子和学习率自适应调整相结合的梯度下降法,该方法可以提高学习速度并增加算法的可靠性。通过对往复泵液力端多故障诊断实例的检验表明,该系统故障诊断正确率达到了93％以上。     

基于模糊控制和大数据算法模型的电力运维故障诊断设备方法

针对现有技术中对电力运维故障检测灵敏度低、诊断误差大等问题,设计了一种新型故障诊断方案。该方案将PID模糊控制计算器与大数据算法模型相结合,并采用实时布线的方法减少诊断面积,基于改进型大数据算法模型提取电力运维设备故障数据特征,对电力运维设备运行工况构建诊断网络,通过分析电力运维设备工况的功能系统完成数据诊断。为了减少诊断误差,该研究设计了一种故障诊断设备,采用集成芯片化设计和算法程序,减小体积的同时保证检测结果的准确性。实验结果表明,该研究方法故障诊断误差小,准确率最高达到98.6%。