基于键合图的参数不确定性鲁棒故障诊断

混杂系统包含有离散子系统和连续子系统,系统中变量转换复杂,参数存在不确定性,导致故障诊断的误报率较高。针对此问题,以单相全桥逆变器为研究对象,提出运用线性分式变换的键合图(Bond Graph in Linear Fractional Transformation,BG-LFT),建立系统参数不确定性混合诊断键合图(Diagnostic Hybrid Bond Graph,DHBG)模型,并根据模型产生自适应阈值。基于混杂键合图的因果关系和结构特性,从DHBG中导出所有有效模式下的鲁棒解析冗余关系,结合自适应阈值评价残差,实现混杂系统的鲁棒故障诊断。在20-sim中进行建模仿真,仿真结果验证了该方法的有效性。     

新型解析冗余关系法在传感器故障诊断中的应用

介绍了多容水箱系统所有可能出现的故障类型,并分析了多容水箱系统的结构与特点。利用基于键合图模型的新型解析冗余关系（ARR）方法对多容系统中传感器故障进行了研究。根据键合图理论给出了多容水箱系统键合图模型,通过在系统键合图中加入观测信号和虚拟传感器的方法建立系统的诊断键合,根据诊断键合图模型得到系统的ARR。通过分析诊断键合图的因果关系构建系统的故障特征矩阵。利用20-sim键合图仿真软件对各类故障进行仿真分析,验证了基于键合图模型的新型ARR方法在传感器故障检测与隔离方面的可行性。     

基于模型的闭环系统故障检测的一种新方法

针对在闭环控制系统中,如何取得产生残差的最佳信号的问题,通过对单输入单输出闭环系统各种故障的Matlab仿真研究及结果分析,提出了一种基于模型的闭环系统故障检测的新方法。该方法把控制器的输出残差和系统的输出残差结合起来检测故障,并且考虑到了在实际系统中控制器可能饱和的实际情况。这种检测故障的新方法对于实际系统可能发生的各种故障(如执行器,传感器故障)更为有效,可以提高系统检测故障的性能,减少了系统故障的漏报率。     

VFP中统计图表制作的一种方法

图表制作在应用系统中有着十分重要的地位。在许多应用系统中,在对数据库数据处理后均需制作出直观易懂的统计图表,如直方图、圆饼图等。为制作统计图表,在VisualFOXPro 3.0中提供了图表制作工具——MS Graph 5.0,通过OLE方法,VFP调用Graph可制作出多种平面或立体的图表,满足了用户某些图表需求。但是,由于由Graph产生的图表只能经图表向导“嵌入”(注意,不是链接;在数据的General字段中,因此限制了Graph应用,因为:其一.中国的文化背景和应用习惯,直接用户并不欣赏和习惯以图表向导为主的统计图表制作处理,而是希望只需按某个键就能打印产生所需图表;其二,Graph产生的图表是一张“死”图表.即一旦生成后不会根据源数据的变化而变化.在众多的以Visual FOXPro 为开发工具的应用系统中,由于以上原因、非常遗憾     

基于键合图模型的新型解析冗余关系故障诊断方法研究

研究了通过诊断键合图模型建立系统解忻冗余关系(ARRs)的故障诊断方法.通过在系统键合图中加入虚拟传感器的方法建立系统的诊断键合图,根据诊断键合图模型的因果关系路径构建系统的解析冗余关系和系统故障特征矩阵,并利用系统实际观测特征与故障特征的比较进行系统的故障检测和隔离,通过在双容水箱系统的仿真验证,证明了该方法便捷性和...     

不完备离散事件系统的可诊断性

在离散事件系统的建模过程中,由于系统行为的复杂,存在物理系统向逻辑系统映射的不完全性,因此产生了不完备模型的概念.提出在模型不完备的前提下,判断模型可诊断性的方法.提出可诊断性的在线判定方法,同时将不完备的行为加入模型,使模型完备.用经典的双树方法判断离线可诊断性,根据观测序列的时序及语言的前缀判断并处理不完备行为.提出判定不完备行为的方法,向模型中添加不完备行为,并根据不完备行为增量地在双树中判定在线可诊断性.通过在线的可诊断性判定,当前系统能够得到在有限观测内唯一判定故障发生与否的结论.该方法适用于具有离散性质的系统.     

Graph OLAPing 的建模、设计与实现

提出了一系列Graph的OLAP模型和算法,实现了以Graph数据为中心度量的OLAP操作.主要贡献包括:(1)提出了面向Graph的数据仓库概念模型——双星模型;(2)提出了Graph的数据立方概念和创建过程;(3)设计了信息维聚集算法I-OLAPing;(4)设计了拓扑维聚集算法T-OLAPing;(5)实现了Graph OLAP的原型系统Graph OLAPer1.0.实验结果表明,设计和实现的Graph OLAPing算法及原型系统Graph OLAPer1.0能够有效地进行科研合作网分析.     

基于不确定观测下离散事件系统可诊断性的研究

在实际应用系统中,由于传感器故障、传感器限制和网络中的数据包丢失等原因,事件的可观测值变得不确定,使得观测系统行为变得尤为复杂。针对离散事件系统中,同个事件串可能有多个观测值以及不同状态下同个事件观测值也可能不同的问题,提出一种不确定观测下故障诊断验证的方法。首先对不确定观测的离散事件系统的可诊断性进行形式化,然后构建出用于上述故障诊断验证的验证器;基于验证器提出了系统基于不确定观测下可诊断的充要条件及验证算法;最后,实例说明不确定观测下故障诊断验证算法的应用。与现有研究相比,提出的方法对故障事件的观测值没有约束,可以为0个或多个观测值,使此方法应用的场景更为广泛。     

基于键合图模型的新型故障树故障诊断方法

针对传统故障树的生成及应用缺陷,研究了基于键合图模型的新型故障树故障诊断方法.该方法根据系统键合图模型推导出时间因果图,进而建立系统故障树,由此产生一个用于反映系统行为变化的假设故障集合;同时,推理预测每个故障的后效特征,并与观测特征相比较,修正假设故障集,最终定位故障源.仿真结果验证了此故障诊断方法应用的可行性和故障诊断的准确性,具有广泛的应用前景.     

基于人工智能的图卷积神经网络故障诊断方法研究

随着移动互联网的快速发展,网络故障诊断技术已成为一个重要的研究方向。在移动网络故障诊断中,由于故障样本数量有限,传统方法难以准确诊断出故障类型。因此,研究提出了一种融合朴素贝叶斯模型(Naive Bayesian Model, NBM)和图卷积神经网络(Graph Convolutional Networks, GCN)的移动网络故障诊断方法。通过GCN与NBM的融合,故障诊断方法能够提取到更多故障数据,用于对故障的识别和诊断。结果表明,模型方法的故障诊断准确率平均值和故障误检平均值分别为92.18%、9.13%;同时模型方法在网络故障分类识别效率为75.00%,且在故障识别开始时的平均时间开销为11 s。所有结果均优于对比算法,这说明所提出的方法能够有效地识别出移动网络故障类型,并具有较高的准确率和鲁棒性。     

Computer program for regression model for discontinuous structural surfaces

A regression model for discontinuous structural surfaces requires nonlinear normal equations. A computer program FAULTS is presented which estimates parameters of the regression equations. The program algorithm, which simulates possible natural-fault movements, has been tested on various multifaulted structural surfaces. The prefault geometry of subsurface structures can be reconstructed using estimates of the fault displacements.A method based on the geographic distribution of large residuals is proposed for detecting unmapped subsurface faults; a mapped fault in the Portrero oilfield (California) has been predicted accurately by this method.     

一种RVM模糊模型辨识方法及在故障预报中的应用

对复杂、病态、非线性动态系统进行故障预报的重点和难点是建立系统故障状况的数学模型, 通常难以建立精确的数学模型, 相比之下构建其模糊模型是一个有效途径. 本文研究了相关向量机(Relevance vector machine, RVM)与模糊推理系统(Fuzzy inference system, FIS)之间的内在联系, 证明了基于RVM的FIS具有一致逼近性, 并提出了一种基于RVM和梯度下降(Gradient descent, GD) 算法的模糊模型辨识方法. 基于所给出的模糊模型辨识方法提出了一种新的故障预报算法. 仿真结果表明所建立的模糊模型不仅结构更加简单, 而且能达到更高的预测精度, 所提出的故障预报算法能准确地预报系统故障.     

基于SαS分布参数估计的系统鲁棒故障检测

因为复杂系统难以建立精确的数学模型,基于模型的故障检测方法在实际复杂控制系统中应用时往往难以获得很好的效果。针对这类数学模型未知的非线性系统,提出了一种基于SαS分布参数估计的系统故障检测方法。首先应用预测方法对系统输出序列进行预测建模,利用预测误差放大信号的脉冲突变,然后利用SαS分布的参数估计方法对预测误差序列的参数α进行估计,获得α的变化曲线,根据α的变化可以直观地判断出故障的发生。该方法对大幅值的有色噪声污染的信号仍然有很好的检测鲁棒性。以轴承系统的故障检测为例进行仿真实验,通过分析轴承振动信号故障条件下α曲线的变化情况,判断轴承的故障状态。仿真结果证实了该方法有效且可行。     

基于异步IMM融合滤波的网络化系统故障诊断

针对一类带随机丢包的异步多传感器网络化系统,提出了基于网络化异步交互式多模型（Interacting multiple model,IMM）融合滤波的故障诊断方法.考虑不同传感器通道具有不同丢包概率的情况,将未知的故障幅值看作扩维的系统状态,利用提出的网络化异步IMM融合滤波算法对由系统正常模型和各种可能的故障模型构成的模型集进行滤波,根据模型概率进行故障检测和定位,同时得到故障幅值和系统状态的联合估计.提出的方法避免了传统IMM故障诊断方法模型集设计中故障大小难以确定的问题,适用于具有任意采样速率和任意初始采样时刻的异步多传感器网络化系统,并且通过融合多个传感器的信息提高了故障诊断的准确性.仿真实例验证了所提出方法的可行性和有效性.     

基于多信号模型的故障诊断策略设计

对基于多型号模型的故障诊断策略设计进行了深入研究，介绍了多信号模型的定义和表示，提出了在单故障假设及不考虑组成单元可靠性、测试时间和测试费用影响下的故障检测用测试和故障隔离用测试优选算法以及故障诊断策略制定方法，并结合示例说明了诊断策略的设计过程；文中所提出的诊断策略设计方法能够以尽可能少的测试完成故障检测和隔离，按此方法设计的诊断策略具有自适应特性，适用于各类系统和设备的测试性分析与设计和故障诊断。     

基于深度学习及GPU计算的航天器故障检测技术

由于航天器在高温、高压等恶劣环境中工作,采用传统故障检测方法自主性相对较差,缺少对故障特征的分析,导致检测精准度较低。提出了基于深度学习及GPU计算的航天器故障检测技术,依据航天器故障信号特征分析与检测原理,在GPU计算技术支持下,获取GPU图像,并在深度置信网络模型中引入该计算方法。根据构建的深度置信网络模型,预测轴承故障位置,经过GPU计算技术下提取的故障特征用于深度置信网络故障预测基本数据,将原始进行归一化处理,分析航天器轴承故障特征,并在不同参数支持下,利用深度学习算法自动确定网络关键参数,由此识别轴承故障,并学习故障特征,实现航天器故障检测。由实验结果可知,该技术检测精准度最高可达到98%,具有较强鲁棒性。     

基于抽象故障树的化工事故预警

情景是分析事件的发生、发展及可能的后果的有效机制,然而,基于情景的预警机制或缺乏有效的模型支撑或受制于模型的局限性,实践中难以推广.抽象故障树是同类事故故障树的高层抽象,综合历史案例与专家经验,能够刻画事故的成因的机理、情景演化过程及可能的后果,能够有效支撑基于情景的预警分析.提出一种基于抽象故障树的化工事故预警方法,基于抽象映射计算事件危害度及节点重要度,将情景演化的割集模型转换为贝叶斯网络模型,采用Board法对事故危害进行风险度量和防御事件排序,实现基于情景的不同演化路径的事故风险预测及最佳应对策略推荐,实验结果显示了该方法用于事故分析预警的有效性.     

Comparative analysis of statistical and machine learning methods for predicting faulty modules

The demand for development of good quality software has seen rapid growth in the last few years. This is leading to increase in the use of the machine learning methods for analyzing and assessing public domain data sets. These methods can be used in developing models for estimating software quality attributes such as fault proneness, maintenance effort, testing effort. Software fault prediction in the early phases of software development can help and guide software practitioners to focus the available testing resources on the weaker areas during the software development. This paper analyses and compares the statistical and six machine learning methods for fault prediction. These methods (Decision Tree, Artificial Neural Network, Cascade Correlation Network, Support Vector Machine, Group Method of Data Handling Method, and Gene Expression Programming) are empirically validated to find the relationship between the static code metrics and the fault proneness of a module. In order to assess and compare the models predicted using the regression and the machine learning methods we used two publicly available data sets AR1 and AR6. We compared the predictive capability of the models using the Area Under the Curve (measured from the Receiver Operating Characteristic (ROC) analysis). The study confirms the predictive capability of the machine learning methods for software fault prediction. The results show that the Area Under the Curve of model predicted using the Decision Tree method is 0.8 and 0.9 (for AR1 and AR6 data sets, respectively) and is a better model than the model predicted using the logistic regression and other machine learning methods.     

基于模糊理论和遗传算法的导弹故障诊断方法研究

研究了一种将有向图、模糊理论和遗传算法相结合的智能故障诊断方法。用有向图来构造系统模型,用模糊集来解决模型中的不确定性问题,用遗传算法来对可能的故障传播路径进行搜索。当被诊断的系统含有不可测量节点时,该方法仍然可以很好地进行诊断。将该方法应用于某大型导弹武器装备的故障诊断系统中,实践证明,该方法行之有效并可以大大提高故障诊断效率。     

基于深度学习的故障预测技术研究

针对常规故障预测方法难以分析复合故障的情况下各个故障对系统的交互作用、难以分析装备数据复杂特征、难以实时准确预测故障等现状,对现代大数据和人工智能方法应用在故障预测领域进行研究,提出基于深度学习的故障预测技术,将系统故障预测可分为动态预测和静态预测。利用深度学习算法处理装备状态监测和试验验证获得的海量故障数据,通过故障模型训练、故障特征识别、故障演化规律获取来对系统进行在线动态预测;针对软件故障突变特性,利用软件质量特征属性进行静态故障预测;同时,提出使用开源深度学习框架TensorFlow进行系统研制方法。通过基于深度学习的故障预测技术,能够提高装备故障预测能力。