基于多胞空间可行集滤波的噪声不确定切换系统故障诊断

针对受不确定噪声扰动影响的切换系统故障诊断问题,提出一种基于多胞空间可行集滤波的切换系统故障诊断方法.首先,利用全对称多胞体的规则化空间几何结构,分析当前时刻带空间与多胞空间拆解后的带空间交集,采用体积最小的全对称多胞体包裹参数可行集,得到无切换状态下的系统参数解集;其次,分析多胞空间与采样数据所属带空间的相容性,判断系统参数是否发生变化,将变化情况分为切换和故障两大类单独分析;然后,分析数据样本与所有子模型的一致性,利用模型匹配原则设计的滤波器,完成切换系统的故障诊断过程;最后,通过仿真结果和分析验证所提出的故障诊断方法的可行性和有效性.     

一种基于凸多面体的集员滤波故障诊断方法

针对含有未知但有界噪声的线性系统,利用基于凸多面体的集员滤波算法进行故障诊断策略研究;针对不同故障类型设计集员滤波器,通过求解基于无故障模型的集员滤波器状态可行集进行故障检测.采用模型去伪的思路进行故障隔离,即在故障发生后寻找唯一当前状态可行集不为空的集员滤波器,其对应的故障类型即为故障隔离结果.通过实例仿真分析得出,所提出方法可完成对不同类型故障的诊断,具有可行性.     

基于正多胞体空间扩展滤波的时变参数系统辨识方法

针对未知但有界噪声时变参数系统,提出了一种基于正多胞体空间扩展滤波的参数辨识方法.采用有界误差方法对测量噪声和参数变化过程进行建模,通过选取最优扩展系数进而扩大正多胞体大小,使得正多胞体包含变化后的参数可行集,由时不变参数系统约束条件构造扩展系数方程,通过线性规划方法求解前k步扩展系数值,选取最大值作为最终扩展系数.采用扩展系数更新每一步时变参数正多胞体约束条件,求解全部参数的上下界得到包裹参数可行域的最紧致正多胞体.仿真示例说明该方法辨识时变参数的有效性和准确性.     

基于多胞体双重滤波的系统状态估计方法

针对未知但有界噪声离散时间状态空间系统,提出一种基于多胞体双重滤波的系统状态估计方法.首先,采用有界误差方法对测量噪声和状态预测过程进行分析,利用正多胞体预测状态集包裹后离散成初始约束条件;然后,根据更新最小边,全对称多胞体经过正多胞体紧致包裹后离散成约束条件,与测量方程约束条件组成3重约束;最后,通过求解线性规划问题得到全部状态的上下界,并获得包裹状态可行集的最紧致正多胞体.仿真示例验证了该方法估计离散状态空间系统状态的有效性和准确性.     

基于正交超平形空间定向扩展的滤波故障诊断方法

针对含有未知但有界噪声的离散系统故障诊断问题,提出基于正交超平形空间定向扩展的滤波故障诊断方法.首先,在传统超平形空间的结构基础上,利用相邻时刻超平行空间顶点极值定义正交超平行空间,包裹参数可行集的上下界的同时,保证参数边界值的单调收敛;随后,利用超平行空间与带空间的交集情况,检测系统是否发生故障,进而在故障发生时定向扩展正交超平行空间,依据带空间与正交超平行空间在扩展方向测试集的交集情况实现故障隔离;最后,利用正交超平形空间在迭代过程中的收缩性质完成故障识别.给出的仿真示例验证了算法的可行性和有效性.     

基于未知输入集员滤波器的不确定系统故障诊断

针对一类具有参数不确定性和未知扰动的线性系统,提出了一种新的执行器故障诊断方法.将指定执行器故障视为未知输入,利用全对称多胞形近似状态边界,本文设计了一种未知输入全对称多胞形集员滤波器,以估计测量输出的上下边界.在此基础上,提出了一种利用一组未知输入滤波器的故障检测与分离策略.通过一个飞行控制系统的数值仿真验证了所提出方法的有效性.     

可变多胞体结构的鲁棒模型预测控制

针对一类具有输入输出约束的线性变参数系统,提出了一种可变多胞体结构的多面体不变集鲁棒模型预测控制算法,算法分为在线和离线两个部分。离线算法构建系统的未知但有界误差描述模型,根据状态的变化得到可变参数的多胞体结构,并转化为状态空间模型的多胞体形式,然后采用线性矩阵不等式的优化方式得到一系列离线嵌套多面体不变集。在线算法根据状态变量在嵌套多面体不变集中的位置,结合可变多胞体结构,通过线性插值的优化方式得到系统的实际控制律。给出算法的详细步骤和系统闭环稳定性证明。仿真结果验证了该算法的有效性,表明该算法使系统的闭环响应更为快速和稳定。     

基于依参数分离算子的鲁棒可靠滤波器设计

针对凸面体不确定系统并考虑传感器发生故障的情况, 基于二次型分离算子进行了鲁棒可靠滤波器设计的研究. 利用不确定系统鲁棒镇定时的拓扑解释, 采用分离算子将不含故障描述的系统矩阵与故障描述矩阵进行解耦, 从而获得对故障不敏感的鲁棒可靠滤波器. 为进一步降低设计的保守性, 文中还给出了一种依参数分离算子的滤波器存在条件, 并将滤波器设计转化为线性矩阵不等式 (LMIs) 表述的凸优化问题. 仿真实例验证了文中所提出设计方法的有效性.     

离散时间线性时变系统的传感器故障估计滤波器设计

针对一类离散时间线性时变系统提出了一种传感器故障诊断方法.本文首先通过状态增广的方式将被研究的系统转化为描述系统的形式,并且基于该描述系统模型,采用方差最小化原则设计了一种能够同时估计系统状态和传感器故障的故障估计滤波器,然后利用一组故障估计滤波器提出了一种故障诊断方法.本文的主要贡献在于针对离散线性时变系统提出了一种不需要对故障动态进行假设的传感器故障诊断方法.所提出方法的另一个优点是该方法能够在存在过程和测量噪声的情况下实现故障检测、分离与估计.仿真结果说明了所提出方法的有效性.     

基于异步切换多胞系统的网络化飞行器故障检测

本文研究了存在时变短时延和随机丢包的大包线网络化飞行器故障检测问题.首先,采用切换多胞系统描述飞行动态,并提出了一种局部重叠多胞划分方式以较低设计保守性.然后,借助泰勒级数展开和伯努利分布将时延和丢包转化为多胞系统参数,并构建了切换参数依赖故障检测滤波器.同时,考虑滤波器切换指令及多胞加权参数更新滞后引起的异步切换问题,基于切换参数依赖Lyapunov函数和平均驻留时间方法分析了系统的稳定性和l2性能,并以LMI形式给出了滤波器存在的充分条件.最后,以HiMAT(highly maneuverable technology)飞行器为例验证了所提方法的有效性.     

Nonlinear feature selection using Gaussian kernel SVM-RFE for fault diagnosis

Feature selection can directly ascertain causes of faults by selecting useful features for fault diagnosis, which can simplify the procedures of fault diagnosis. As an efficient feature selection method, the linear kernel support vector machine recursive feature elimination (SVM-RFE) has been successfully applied to fault diagnosis. However, fault diagnosis is not a linear issue. Thus, this paper introduces the Gaussian kernel SVM-RFE to extract nonlinear features for fault diagnosis. The key issue is the selection of the kernel parameter for the Gaussian kernel SVM-RFE. We introduce three classical and simple kernel parameter selection methods and compare them in experiments. The proposed fault diagnosis framework combines the Gaussian kernel SVM-RFE and the SVM classifier, which can improve the performance of fault diagnosis. Experimental results on the Tennessee Eastman process indicate that the proposed framework for fault diagnosis is an advanced technique.     

基于核规范变量分析的非线性故障诊断方法

提出一种基于核规范变量分析（KCVA）的非线性过程故障诊断方法．该方法使用核函数完成非线性空间到高维线性空间的映射，避免了高维空间中的数据处理和非线性映射函数的使用．在线性空间中使用规范变量分析（CVA）来辨识状态空闻模型，从数据中提取状态信息．3个监测量（Tr^2，Ts^2，Q）用来进行故障检测，同时使用贡献图分离故障变量，并判断故障原因．在CSTR系统上的仿真结果表明，KCVA方法比主元分析法（PCA）和CVA方法能更灵敏地检测到故障的发生，更有效地监控过程变化．     

协同训练算法在滚动轴承故障诊断中的应用

针对单个分类器方法在滚动轴承故障诊断中精度较低、故障样本标记稀缺、特征空间维度高等问题，提出一种将协同训练与集成学习相结合的Co-Forest轴承故障诊断算法。Co-Forest是半监督学习中的协同训练算法，包含多个基分类器，通过投票实现协同训练中的置信度估算。从滚动轴承的振动信号中提取时域、频域特征指标。利用少量带标签和大量未标记样本重复地训练基分类器。集成基分类器，实现对滚动轴承故障的诊断。实验结果表明，与同类型的协同训练算法（Co-Training、Tri-Training）相比，Co-Forest算法在轴承故障诊断中具有更高的正确率，与当前针对特征向量高维、标记样本稀缺问题的ISS-LPP算法，SS-LLTSA算法相比，Co-Forest算法在保持很高诊断正确率的情况下，不需要降维、参数设置简单，具有一定的实际应用价值。     

An optimal volume ellipsoid algorithm for parameter set estimation

A recursive ellipsoid algorithm is derived for estimating the parameter set of a single-input single-output linear time-invariant system with bounded noise. The algorithm's objective is to seek the minimal volume ellipsoid bounding the feasible parameter set. Cast in a recursive framework, where a minimal volume ellipsoid results at each recursion, the algorithm extends a result due to Khachian (see Aspvall and Stone, 1980) in which a technique was developed to solve a class of linear programming problems. This extension and application to the parameter set estimation problem have intuitive geometric appeal and are easy to implement. Comparisons are made to the optimal bounding ellipsoid algorithm of Fogel and Huang (1982), and the results are demonstrated through computer simulations     

Fault Diagnoses of Hydraulic Turbine Using the Dimension Root Similarity Measure of Single-valued Neutrosophic Sets

This paper proposes a dimension root distance and its similarity measure of single-valued neutrosophic sets (SVNSs), and then develops the fault diagnosis method of hydraulic turbine by using the dimension root similarity measure of SVNSs. By the similarity measures between the fault diagnosis patterns and a testing sample with single-valued neutrosophic information and the relation indices, we can determine the main fault type and the ranking order of various vibration faults for predicting some possible fault trend. Then, the comparison of the fault diagnoses of hydraulic turbine based of the proposed dimension root similarity measure and the existing cotangent similarity measure of SVNSs is provided to demonstrate the effectiveness and rationality of the proposed fault diagnosis method. The fault diagnosis results of hydraulic turbine show that the proposed fault diagnosis method not only gives the main fault types of hydraulic turbine, but also provides useful information for multifault analyses and future possible fault trends. The developed fault diagnosis method is effective and reasonable in the fault diagnosis of hydraulic turbine under single-valued neutrosophic environment.     

基于最小二乘模糊单类支持向量机的网络故障检测

针对基于单类支持向量机的网络故障异常检测存在的训练速度慢和检测精度低等问题,提出一种最小二乘模糊单类支持向量机(LSFOC-SVM)。该方法采用最小二乘损失函数和等式化约束改进标准单类支持向量机的训练算法,将二次规划转化为解线性方程组,降低了计算代价;并通过构造基于特征空间距离的模糊隶属度函数和优化选择告警阈值,适当扩大了故障预警范围,提高了故障检测率。与同类方法相比,该方法在保证检测效果的同时大幅度地提升了训练效率。应用测试结果表明该方法是可行的。     

基于改进结构保持数据降维方法的故障诊断研究

传统基于核主成分分析(Kernel principal component analysis, KPCA)的数据降维方法在提取有效特征信息时只考虑全局结构保持而未考虑样本间的局部近邻结构保持问题, 本文提出一种改进全局结构保持算法的特征提取与降维方法.改进的特征提取与降维方法将流形学习中核局部保持投影(Kernel locality preserving projection, KLPP)的思想融入核主成分分析的目标函数中, 使样本投影后的特征空间不仅保持原始样本空间的整体结构, 还保持样本空间相似的局部近邻结构, 包含更丰富的特征信息.上述方法通过同时进行的正交化处理可避免局部子空间结构发生失真, 并能够直观显示出低维结果, 将低维数据输入最近邻分类器, 以识别率和聚类分析结果作为衡量指标, 同时将所提方法应用于故障诊断中.使用AVL Boost软件模拟的柴油机故障数据和田纳西(Tennessee Eastman, TE)化工数据仿真, 验证了所提方法的有效性.