基于多步神经网络观测器的扑翼飞行器缓变故障检测

针对缓变故障初始变化幅值较小导致的基于传统神经网络观测器的故障检测算法检测效率较低的问题,提出一种基于多步神经网络观测器与自适应阈值的扑翼飞行器（FWMAV）缓变故障检测算法。首先,构建一个多步预测的观测器模型,利用多步观测器的延时性能避免观测器被故障数据污染;然后,依据FWMAV的实际飞行实验数据,对多步观测器窗口宽度进行实验和分析;其次,提出一种自适应阈值策略,通过残差卡方检测算法辅助进行观测器残差值的故障检测;最后,采用FWMAV的实际飞行实验数据进行算法的验证和分析。结果表明,与基于传统神经网络观测器的故障检测算法相比,所提算法在缓变故障检测速度方面提升了737.5%,在缓变故障检测准确率方面提升了96.1%。由此可见,所提算法能够有效提高FWMAV缓变故障的检测速度和检测准确率。     

无人机双余度电动舵机角度传感器故障检测方法

双余度舵控系统的基本思想是通过不同余度之间的切换来保证舵控系统的可靠性。针对无人机双余度电动舵机角度传感器故障检测技术提出了基于辨识参考模型的方法。首先介绍了电动舵机的双余度方案,然后通过机理分析和理论推导相结合的方式建立了舵系统的输入输出模型,利用系统辨识的方法确定了模型的参数。最终利用辨识的参考模型对双余度角度传感器进行故障检测,并通过实验,验证了方法的有效性。     

一种航空发动机传感器故障诊断方法

为了对航空发动机传感器故障作出准确快速的诊断,在Simulink中设计了基于卡尔曼滤波器的残差检验的故障诊断模块,实现发动机传感器恒偏差、恒增益、卡死故障等硬故障的诊断。针对传统卡尔曼滤波器残差检验法检测缓变故障时存在较大延时的缺点,采用改进卡尔曼滤波器的残差检验法来检测故障,并与传统卡尔曼滤波器法进行比较。仿真结果表明,传统卡尔曼滤波器的残差检验法能有效地诊断航空发动机传感器的几种典型硬故障,但对于缓变故障却不敏感。改进卡尔曼滤波器的残差检验法能在一定程度上加快检测速度,取得较好的效果。     

双余度传感器的故障检测与识别

传感器是任何测控系统中不可缺少的部件,也是最容易出故障的环节,传感器故障检测、 识别和信号重构一直得到极大的重视.本文研究了仅利用双余度传感器的输出信号进行故障 检测与识别问题,提出了一个双余度传感器故障信号识别器(FSD),建立了故障信号识别的基 本原理,导出了相应的传感器故障检测与识别的递推算法,并给出了仿真结果.     

基于累积和等距映射的缓变故障检测方法

针对化工过程存在的缓变微小故障,提出一种基于累积和等距离映射(CUSUM-ISOMAP)的多变量过程故障检测方法。该方法首先运用累积和控制图的思想,分别对每一个变量计算均值偏差累积和及方差偏差累积和,之后建立扩展增广矩阵,对增广数据运用基于ISOMAP的降维特征提取算法建立统计量进行故障检测。传统的ISOMAP算法无法获取输入输出数据之间的映射关系,不能处理新的采样数据。引入核岭回归算法获得新采样点的降维输出。CSTR过程的仿真结果表明了算法对过程微小故障实施故障检测的有效性。     

基于网络模型的输电线路缓变故障诊断方法

针对输电线路缓变故障的故障机理不明确,全系统的故障及时诊断和仿真困难等问题,提出了基于网络模型的缓变故障诊断方法。引入复杂网络集群划分中的模块性概念,解决了状态划分过程中的数据间相似度测度和划分测度问题。利用网络结构反映故障状态和特征,建立故障诊断网络模型,把输电线路故障诊断转化为子网络探测问题。通过多传感技术针对同一故障的多种故障表征,多层次多领域采集不同的特征量,选择故障反映灵敏度高的状态信息量,从而较好分析诊断故障。通过实验仿真对比,证明了基于网络模型的故障诊断方法对输电线路缓变故障诊断具有较高的正确率和容错性。     

基于滑模观测器的机器人系统传感器故障诊断

本文基于变结构滑模状态观测器，提出了一种在模型含有不确定性误差的情况下，机器人控制系统传感器故障的鲁棒诊断方法．通过滑模观测器与传感器的输出构造残差信号，然后从残差中提取故障信息，实现故障的检测与分离．实验结果验证了该方法的有效性．     

非线性系统传感器偏差故障的UKF递推检测方法

针对传统的推广卡尔曼滤波器方法(EKF)的不足,为检测非线性系统传感器的偏差型故障,提出了一种新的基于unscented卡尔曼滤波(UKF)的实时递推检测算法,该方法应用UKF作为传感器故障残差发生器,并利用残差加权平方和检测策略进行故障的检测.仿真结果表明,与基于EKF的传感器故障检测方法相比,该方法有更好的故障预示能力,并提高了故障检测的准确率.     

摆式列车用传感器的故障检测与识别

本将在传感器故障检测与识别领域中取得的新成果应用于摆式列车的研制中,建立了双余度传感器故障信号识别器,用在摆式列车试验台上采集到的试验数据,通过计算机仿真证明了该方法的有效性,为将来在摆式列车实车中的运用奠定了基础。     

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。     

基于稀疏分解残差的氢气传感器故障探测与辨识方法

针对传感器故障探测和诊断,提出了一种基于稀疏分解残差的氢气传感器故障探测和辨识方法.基于信号稀疏分解理论,对采集的传感器正常信号数据集,利用K奇异值分解(K-SVD)学习算法得到一超完备字典D;在字典上对非正常(故障)信号进行分解,根据稀疏分解的残差大小和范围完成对传感器故障的探测及辨识.实验结果表明:对氢气传感器的故障探测率和总辨识率分别达到98.75%和97.25%,可以有效地解决氢气传感器的故障探测和辨识.     

两级故障检测在SINS-Galileo-北斗组合中的应用研究

针对联邦滤波器子系统同时存在硬故障和软故障问题,提出一种适用于联邦滤波结构的两级故障检测方法。首先,构造联邦结构残差2χ检验法对系统硬故障进行检测,再用第k-m步未发生故障时的全局最优估计信息构造滑动残差检验函数,对未检测出的软故障进行时间积累,进而检测软故障,同时,联邦滤波信息分配系数根据软故障检测函数进行自适应调节。通过SINS-Galileo-北斗组合导航系统仿真对比分析了基于局部滤波残差2χ检验法和本文提出的故障检测方法,结果表明:该故障检测方法对系统硬故障和软故障具有较高的故障检测灵敏度,能够提高组合导航系统的可靠性。     

风力发电系统传感器故障诊断

针对非线性风力发电系统,提出了一种基于滑模观测器的传感器故障诊断方法.基于考虑传感器加性故障的非线性动态模型,利用T--S模糊理论建立风力发电系统全局T--S模型,设计模糊T--S系统滑模故障观测器,产生对故障具有敏感性的残差,实现故障检测.通过等价输出控制方法来维持滑模运动,直接获取故障信息,重构传感器故障.最后以三叶片水平轴风力发电系统为例,仿真验证了该方法的有效性与可靠性.     

Intermittent sensor fault detection for stochastic LTV systems with parameter uncertainty and limited resolution

ABSTRACT

This paper considers the detection problem of intermittent sensor faults in stochastic linear time-varying systems with both parameter uncertainty and limited resolution. By introducing the soft measurement model, a state estimator is designed whose upper bound of estimation error covariance is obtained and minimised at each time step. Based on it, the residual is generated and its relationship with the fault is analysed quantitatively. Then the evaluation function and corresponding detection threshold is given. Our proposed method is recursive and therefore suitable for real-time online applications. At last, two simulation studies are carried out to illustrate the validity of our proposed method.     

基于输出时滞方法的非均匀采样数据系统传感器故障检测(英文)

研究一般非均匀采样数据系统鲁棒传感器故障检测设计问题.首先,基于输出时滞方法将非均匀采样数据系统转换成具有时变时滞输出的连续系统;然后,选择故障检测滤波器作为残差产生器,并将故障检测设计问题描述成一个多目标优化问题,即连续时间过程噪声和离散时间测量噪声对残差信号的H∞范数小于一个给定值,同时传感器故障对残差信号的l2增益大于一个给定值,基于输入输出方法以矩阵不等式的形式给出该多目标优化问题有解的充分条件;进一步的,提出一个迭代算法来权衡噪声鲁棒性与故障灵敏度,并将矩阵不等式转换成可解的线性矩阵不等式.最后,对某型飞控系统的仿真实验验证了所提方法的有效性.     

基于神经网络观测器的飞行器传感器故障检测

为了避免传感器故障对飞控系统的影响,实现传感器故障的快速检测与隔离,提出了一种基于神经网络观测器(NNOB)的传感器故障检测方法.在建立四旋翼飞行器姿态故障模型的基础上,利用非线性观测器得到的期望输出和传感器测量值设计基于神经网络(NN)的传感器故障观测器,利用扩展卡尔曼滤波器(EKF)更新神经网络的权值参数,通过Ly...     

Robust detection of intermittent multiplicative sensor fault

In this paper, the detection problem of intermittent multiplicative sensor fault is investigated for stochastic uncertain systems. A robust optimal filter is designed according to the criterion of minimum estimation error covariance. Then, based on this, a residual generator is constructed, and the quantitative effect of the fault on it is discussed in detail. After that we design the evaluation function and detection threshold to achieve intermittent fault detection. Our proposed strategy has a recursive form and only includes simple arithmetic operations, thus it is suitable for real‐time online applications. Finally, a simulation example is given to demonstrate the effectiveness of the proposed strategy.     

一种双探头纸张定量传感器故障诊断方法研究

介绍了一种双探头纸张定量传感器的原理及性能，给出了基于卡尔曼滤波器的传感器故障诊断算法，将其用于造纸过程纸张量传感器，实现了对传感器探头部分部件故障的探明和隔离，从而使传感器的可靠性得以提高，仿真实验研究结果表明，文中所给出的故障诊断方法及能准确地探明和隔离出传感器连续性和间断性故障。     

Bayesian Fault Probability Estimation: Application in Wind Turbine Drivetrain Sensor Fault Detection

In this paper, the extension of the Bayesian framework for sensor fault detection of nonlinear systems proposed in [25] is studied utilizing particle filtering and the expectation maximization (EM) algorithm, in which the fault probability is calculated. The proposed algorithm is implemented on a wind turbine benchmark model to detect drivetrain sensor faults, which are one of the most addressed and likely faults in offshore wind turbines. The fault probability estimation effectively eliminates the need for installing identical redundant sensors. Indeed, because of the use of the unknown wind speed estimator, the residual signal, constructed based on the drivetrain estimated states, is not able to clearly signify the fault periods, a situation in which the fault probability accurately does this task. Also, using the proposed algorithm, the fault size for each sensor is estimated via a one‐step calculation, which decreases the complexity of this algorithm. The fault identification is performed using the recursive least square method and two other modifications, including exponentially weighted and windowed estimates. Additionally, in the fault accommodation step, the concept of a virtual sensor is used to remove the need for reconfiguring the current controller, which reduces complexity and expense. In the simulation section, using a real measured wind speed for two different fault scenarios, the proposed algorithm is evaluated and finally, conclusions are stated.