基于多AUV 系统的单AUV 推进器故障检测

基于多水下机器人系统（MAUVS）进行单水下机器人（AUV）推进器故障检测,提出AUV 声纳模拟 方法,分析了故障前后各传感器的信号特征,提出在时间序列和空间序列上进行故障概率融合的方法．提出了基于 速度和角度残差的故障基本概率分配函数．鉴于AUV 概率检测的不确定性影响,改进了时间和证据融合节拍的方 法．水下机器人水池实验结果验证了所提出的信息融合故障检测方法在增强故障证据的可信度及检测实时性、提高 检测效率方面的有效性,为多水下机器人系统推进器的故障检测提供了一种可选方案．     

一种水下机器人传感器故障诊断与容错控制方法

采用自适应滤波器ＦＩＲ 对水下机器人进行在线自适应建模,并利用ＬＭＳ算法来调节滤波器的权系数．通过对滤波器权系数和误差信号平方的分析,实时检测出传感器的故障,并应用ＦＩＲ 滤波器输出替代故障传感器信号,实现传感器故障情形下水下机器人容错控制．应用该方法对Ｏｕｔｌａｎｄ１０００水下机器人传感器的故障进行检测和容错,实验结果表明所提故障检测方法准确可靠,具有较好的容错效果．     

飞机燃油系统传感器故障诊断方法研究

为了解决某飞机燃油系统传感器的故障检测与诊断问题,提出将小波分析法应用于飞机燃油系统传感器的故障诊断.通过传感器输出信号的一维离散小波变换,得到重构后的第一层细节系数.对该细节系数进行分析,可以精确定位故障点;进而分析传感器输出信号,可以判断出故障类型及故障程度.最后以该系统中油位传感器的故障诊断为例,利用地面半物理仿真试验中采集的现场数据,在Matlab环境下对该方法进行了有效性验证.     

基于小波包PCA的故障传感器数据重构方法

讨论了基于小波包的多尺度主元分析方法应用于故障传感器数据重构问题。传统的基于小波包的多尺度主元分析在进行传感器故障诊断时没有建立数据重构模型,在相关传感器信号进行小波包分解的基础上,在最佳数的所有节点上建立主元分析模型,将主元分析模型的重构结果组合后再进行小波逆变换,从而实现故障传感器的数据重构。最后,利用试车台液氢供应系统的传感器数据仿真了几种典型传感器故障,并对设计模型实现数据重构的实用性和有效性进行了验证。     

一种水下机器人传感器故障诊断与容错控制方法

采用自适应滤波器ＦＩＲ 对水下机器人进行在线自适应建模,并利用ＬＭＳ算法来调节滤波器的权系数．通过对滤波器权系数和误差信号平方的分析,实时检测出传感器的故障,并应用ＦＩＲ 滤波器输出替代故障传感器信号,实现传感器故障情形下水下机器人容错控制．应用该方法对Ｏｕｔｌａｎｄ１０００水下机器人传感器的故障进行检测和容错,实验结果表明所提故障检测方法准确可靠,具有较好的容错效果．

     

基于加权改进小波变换的图像融合算法

针对低对比度图像融合时会造成图像细节模糊等缺陷,提出一种基于加权双正交自适应小波变换的图像融合算法。取小波系数局部模极大并进行自适应加权修正以融合高频系数。采用对2幅原图像的低频系数加权自适应的方法对低频系数进行融合。对多聚焦图像和多光谱彩色图像分别采用计算图像信息熵和均方根误差、计算图像平均梯度的方法对融合的性能进行评价。实验结果表明,采用该融合规则得到的融合图像具有良好的融合效果。     

基于信息增益率的WNB水下机器人故障分类

提高故障诊断能力对于确保水下机器人系统的稳定运行具有重要意义,故障分类是目前水下机器人故障诊断所面临的一个重要问题。针对水下机器人推进器系统数据特征,提出一种基于信息增益率的加权朴素贝叶斯故障分类算法。首先,计算故障训练样本的先验概率,将各属性的信息增益率作为权值;其次,构建基于增益率加权的朴素贝叶斯分类模型;然后,对检测的故障数据利用分类模型获取具有最大后验概率的故障模式,实现故障分类。与朴素贝叶斯算法和决策树算法相比,仿真实验结果表明基于信息增益率加权的朴素贝叶斯算法的分类成功率更高,能够有效地实现水下机器人的故障分类。     

基于神经网络技术的机器人并发故障自动诊断方法

为了提高柔性负载抓握机器人的故障检测能力,提出基于神经网络技术的机器人并发故障自动诊断方法。运用高分辨的智能传感器信息识别技术,结合刚度和强度等机械结构特征分析,构建柔性负载抓握机器人的故障信息采集模型,采用变刚度原理,提取柔性负载抓握机器人的振荡信息特征,通过谱特征检测和动态信息融合进行柔性负载抓握机器人的故障信息的多分辨融合和特征聚类处理。通过分析故障样本信息数据参数的估计值,对信息数据进行重组,根据采样信息的差异性对故障类别进行初步判断和识别。采用BP神经网络技术,通过特征分布函数进行故障特征提取,进行机器人并发故障的优化诊断和自适应学习,提高机器人并发故障的有效检测和识别能力。仿真结果表明,采用该方法进行机器人并发故障诊断的自适应性较好,特征辨识能力较强,具有很好的故障监测和模式识别能力。     

基于MSPCA的传感器故障诊断与数据重构

讨论了基于多尺度主元分析的故障传感器数据重构问题。传统的多尺度主元分析方法没有建立故障传感器数据重构模型,在相关传感器信号的所有尺度上建立主元分析模型进行传感器故障诊断的基础上,将主元分析模型的重构结果组合后进行小波逆变换,设计了能够实现故障传感器数据重构的多尺度主元分析模型,从而实现故障传感器的数据重构。最后,利用试车台液氢供应系统的传感器数据仿真了几种典型传感器故障,并对设计模型实现数据重构的实用性和有效性进行了验证。     

基于小波多分辨率分析的并发故障检测方法

提出了利用小波多分辨率分析技术进行多重并发故障检测的方法。根据信号分解重构后的时间位置不变这一事实,将信号进行多尺度的小波分解,并根据奇变信号和噪声信号小波变换后的系数差异,采用软阈值法,对其高频分量进行去噪重构,根据重构后的故障信号高频分量在不同尺度上的特征,对其进行故障特征提取,并将不同尺度上的故障特征进行综合,获得并发故障各自特征,进而可以实现对多重并发故障的检测和识别。对一电网信号分析的仿真结果证实了该方法的正确性和可行性。