基于模糊覆盖集的企业诊断模型及其求解策略

针对企业诊断领域缺乏合理模型和科学方法论指导的现状，提出一个形式化的基于模糊覆盖集的企业诊断模型，并将此模型与企业AS-IS(当前系统)建模过程进行关联，给出了从企业AS-IS模型到诊断模型的映射方法，得到一种易于操作的实例化的企业诊断模型，进而针对该诊断模型给出了相应的求解策略。     

基于混合诊断模型的诊断设计优化方法研究

在现有的测试性诊断模型中,混合诊断的建模方法具有将功能与故障模式在同一相关性模型中统一建模的优点;通过学习基于混合诊断模型的诊断建模分析工具eXpress,对混合诊断模型的建模过程、测试类型、相关性模型建模方法在混合诊断建模的应用以及诊断策略生成过程进行了研究,最后,结合某滤波器电路进行建模分析,实验证明,混合诊断的建模及其测试优化选择是非常有效的。     

基于诊断行为的协同诊断可视化架构设计

为解决协同诊断建模技术上的动态可视化弱、协同组织难度大等问题,引入可视化技术,提出一种“可视化诊断行为”的诊断方法,在此基础上完成基于诊断行为的协同诊断可视化平台架构设计。根据协同诊断系统的诊断过程特点及实时显示需要,抽象出与“诊断行为”方法相关的主要模型元素：诊断对象、诊断人员、诊断设备和诊断方法;在此基础上,进行相应的可视化诊断模型元素的设计及可视化系统相应功能模块定义。通过某民用航空发动机涡轮转子工作失效的实例,验证了该平台的可行性和正确性。     

基于混合诊断模型的故障分析研究

混合诊断模型（HDM）是相关性诊断模型的一个扩展,它将功能模型和故障模式模型建立在一个系统模型中．本文对混合诊断模型中的诊断推理规则进行了研究,并提出了基于故障模式和基于功能的混合诊断推理,同时具体细化为五种不同的推理规则．同时对混合诊断模型的建模推理过程进行了详细的描述,明确了功能和故障模式故障率之间的关系．经过实验证明,混合诊断模型是一种适合于故障分析的有效的模型,将该模型应用与我们的装备故障分析中是可行、有效的．     

基于深度学习的桥小脑角区听神经瘤和脑膜瘤的辅助诊断模型

针对桥小脑角区听神经瘤和脑膜瘤在临床诊断中不易区分的问题,提出了一种基于深度学习的辅助诊断模型.首先,采集肿瘤的T1WI(T1 Weighted Imaging)增强图像和T2WI(T2 Weighted Imaging)图像,构建基于VGG-net改进的s-VGG网络对两组图像分别进行训练,得到s-VGG-T1 和s-VGG-T2 两个分类模型.其次,集合放射科与放疗科的临床诊断结果,建立深度学习辅助诊断模型,将分类模型结果与临床诊断结果加权平均得到诊断模型结果.相比单独的诊断结果,诊断模型对 10 例肿瘤的诊断准确率有所提升,表明基于深度学习的辅助诊断模型具有良好的性能,可降低误诊率,提升诊断的准确性和临床工作的效率.     

基于模型诊断的抽象分层过程

分层诊断是降低基于模型诊断计算复杂性的一个重要方法,在分层诊断中很重要的一步是构造系统的抽象分层模型,以往的分层方法都是建立在某一种特定抽象模型基础上,没有将抽象的一般理论与基于模型诊断中的分层过程相联系,并且对自动生成系统的分层表示方法也没有形式化的分析.KRA(Knowledge Reformulation and...     

基于线性组合的骨质疏松疾病诊断分类模型研究

为了有效降低骨质疏松疾病临床诊断误诊、漏诊率,分析骨质疏松诊断指标体系,综合粒子群神经网络和支持向量机两种学习型算法,以误差绝对值和达到最小为准则建立疾病诊断分类模型。采用蚌埠医学院第一附属医院骨科患者实际病例数据作为样本集,对模型进行训练和测试,使误差达到规定要求,并将仿真结果与单一诊断模型进行比较。实证分析表明组合模型诊断误差明显小于单一诊断模型。用基于神经网络和支持向量机的线性组合模型诊断原发性骨质疏松病情,是可行有效的方法。     

一种基于贝叶斯网络的模型诊断方法

提出一种结合贝叶斯网络进行基于模型诊断的方法.在基于模型诊断的基础上,建立了元件状态模型,并将诊断模型转换为贝叶斯网络,利用团树算法求解征兆产生时系统状态的后验概率,再通过计算边缘分布获得元件故障概率.最后给出一个数字故障电路的实例,在Matlab上进行推理,得到了精确的概率值,验证了该方法的有效性.     

基于改进模糊算法的复杂系统状态诊断研究

为了克服传统模糊算法的诊断系统建模复杂、改进难度大、不利于经验积累困难的缺点，在复杂系统的状态诊断中引入了改进的模糊算法，创建了基于改进模糊算法的复杂系统状态诊断模型，并以一个实例分别比较验证了基于传统模糊算法的状态诊断模型与基于改进模糊算法的复杂系统状态诊断模型，结果表明基于改进模糊算法的复杂系统状态诊断模型虽然在诊断速度方面稍逊一筹，但具有建模简单、模型改进容易、诊断准确、诊断信息丰富、适用性广泛等显著优点，其综合性能大大优于基于传统模糊算法的诊断模型。     

基于AI-ESTATE的二叉树诊断信息模型研究

采用综合诊断开放式体系结构实现信息的互换和重用,解决了装备诊断维护领域存在的诊断效率低和诊断资源费用高的问题;为了实现诊断知识的互换,AI-ESTATE对广义测试环境下的诊断知识进行了标准化描述,从而保证诊断知识和数据的可移植、可重用及互操作;然而AI-ESTATE描述的诊断模型还有待增加,二叉树是一种传统的应用较广的诊断方法,如何进行二叉树诊断信息模型的建立则具有重要的工程意义;论文首先分析了综合诊断和AI-ESTATE的对诊断信息的要求;其次研究二叉树诊断模型的关键要素以及各个要素之间的约束关系;然后建立了基于XML Schema的二叉树诊断信息模型标准化描述;最后运用导弹在位诊断模型验证了该信息模型的有效性.     

基于模型故障诊断中的冲突求解

基于模型的故障诊断是一种重要的诊断方法, 但它的计算量较大. 在Reiter算法的基础上, 论证了每次求解冲突集时, 每个元件的模型知识仅需调用一次. 同时指出了在某些情况下可以利用元件参数矩阵来指导冲突的求解过程, 有效减少了调用元件模型的次数.     

复杂过程的智能集成故障诊断模型研究

由于复杂过程与一般工业过程的本质区别,使得传统的依赖对象精确数学模型的故障诊断方法难以取得令人满意的结果。而智能技术具有无需建立对象精确模型的优势,并且可以充分利用人类专家的经验知识,因此利用智能故障诊断模型研究适合复杂过程实现的故障诊断技术既是必要的也是可行的。通过比较目前研究较多的智能故障诊断模型,提出基于模糊逻辑、神经网络与专家系统的智能集成故障诊断模型,以便有效地解决复杂过程的故障诊断问题,并具体分析了模型组成机理、结构和网络学习算法,从而为复杂过程的故障诊断技术研究提供了新的途径。     

Automatic modeling and fault diagnosis of car production lines based on first-principle qualitative mechanics and semantic web technology

Fault diagnosis is critical for intelligent manufacturing by monitoring the status of a production line and preventing financial loss. Model-based fault diagnosis has the advantage of being able to explain the cause and propagation of faults over model-free diagnosis, but would need knowledge about the configuration model and context-specific information of the production line. Ontology modelling can provide context-specific information on top of a configuration model to benefit fault diagnosis. Typically ontologies are manually constructed and then used by a reasoner based on a set of predefined rules. From the perspective of fault diagnosis, this approach works as an expert system where both the ontology models and predefined rules are specific to a given system. Once the system has changed which happens from time to time as repairs and updates in a production line, or in the case of a different system, the ontology models and predefined rules would need to be manually modified or reconstructed. Here a model-based method is proposed to automate generation of configuration models with context-specific information using semantic web technology when a production line is healthy, and to use the generated configuration model and information for diagnosis when the production line has a fault. The method does not rely on predefined rules and reasoners, but rather uses dynamics models that are based on first-principle qualitative mechanics. It uses numerical optimization to minimize the discrepancy between sensor data from the production line and from simulation running the dynamics model to achieve automatic configuration modelling and fault diagnosis. With three use cases commonly found for a production line, i.e. automatic sensor placement modeling or misplacement diagnosis, motor fault diagnosis with single sensor modality, and motor fault diagnosis with sensory substitution, the feasibility of the proposed method is demonstrated. The method’s faster computational speed and comparable accuracy to a quantitative model-based approach suggests it may complement and accelerate the latter with early-stage selection of candidate models for both modelling and fault diagnosis.     

The Localization and Correction of Errors in Models: A Constraint-Based Approach

Model-based diagnosis, and constraint-based reasoning are well known generic paradigms for which the most difficult task lies in the construction of the models used. We consider the problem of localizing and correcting the errors in a model. We present a method to debug a model. To help the debugging task, we propose to use the model-base diagnosis solver. This method has been used in a real application of the development a model of a railway signalling system.     

基于人工智能方法的复杂过程故障诊断技术

由于复杂过程因素多，波动大，反应机理复杂，无法建立精确的数学模型，传统的故障诊断方法很难取得令人满意的结果。针对复杂过程的特点，利用智能技术无需建立对象精确模型的优势，研究适合复杂过程实现的基于人工智能方法的故障诊断技术。并对构造智能诊断系统所需要解决的机器学习技术从知识获取、深浅知识表示方法和规则更新方面进行了分析。最后对基于人工智能方法的复杂过程故障诊断技术研究的发展趋势和有待解决的问题进行了分析与探讨。     

基于模型诊断的改进贝叶斯方法

基于模型诊断是针对系统或设备的行为和结构建立模型,从而进行诊断的.但是基于模型诊断的方法存在不确定性问题,诊断的结果可能为一组故障部件.为解决不确定性问题,很多学者在基于模型诊断中使用了概率的方法,利用待诊断设备组成部件的故障概率信息来寻找最可能的诊断.通过对模型诊断中存在的不确定性问题的深入研究,在基于模型诊断中提出了概率的贝叶斯解释,从而利用后验概率形式量化了元件故障的可能性的衡量标准,并且改进了计算元件后验概率的方法,分析了改进后算法的复杂性和完备性,证明了改进后的方法降低了时间和空间的复杂性.实验结果表明,改进后算法的执行效率较原有的算法有明显的提高,且有些问题可以提高两个数量级.     

发动机故障信息综合研究平台构建技术研究

针对目前多型号多批次的无人机发动机数据存储较为分散、缺少专门的分析手段辅助设计人员快速分析发动机状态的问题,借鉴国内外较为成熟的故障诊断算法和平台构建技术,设计了发动机故障信息综合研究平台。平台内集成了飞行数据状态识别、故障诊断、分析数据库建立等多项关键技术,结合不同的飞行工况分类结果,从长期和短期的角度分别采取基于递归结构辨识(Recursive Structural Identification,RESID)的起动状态故障检测、基于自回归滑动平均(Auto Regressive Moving Average,ARMA)模型的稳态故障检测、基于参数趋势分析的故障诊断和基于深度学习的智能故障识别等不同的诊断方法,并采用飞行报告的形式实现了从数据文件输入至飞行状态分析的全流程计算和结果展示,有效地实现了发动机使用维护的数据支持和技术保障,具有一定的工业应用价值。     

基于模型的飞机燃油系统故障诊断系统的设计与实现

燃油系统作为飞机不可或缺的功能和保障系统,对飞机的飞行安全有着重大影响.传统故障诊断方法已经不能满足日益复杂的燃油系统诊断和维护需求.基于模型诊断是为了克服传统诊断方法的缺点而兴起的一项新型的智能推理诊断技术.研究了基于模型的飞机燃油系统故障诊断方法,建立了故障诊断模型,给出了基于模型的燃油系统故障诊断推理策略.设计并...     

基于解析模型的非线性系统鲁棒故障诊断方法综述

研究非线性系统的鲁棒故障诊断具有重要意义．本文着重讨论了两类方法：非线性未知输入观测器方法和基于自适应学习的方法，并简要概述了其它一些方法．还探讨了非线性系统鲁棒故障诊断的应用实例，并指出了其中的若干关键问题以及今后的研究方向．