基于交互容积卡尔曼的随机切换系统故障诊断

针对一类随机切换非线性系统的故障检测和故障估计问题,提出了一种基于交互式多模型和容积卡尔曼滤波（IMM CKF）的系统状态估计算法。该算法利用容积卡尔曼滤波（CKF）在不同时刻对每个子系统进行状态估计,把不同子系统状态估计结果融合得到最终的状态估计,实现对系统真实状态的估计。针对一类随机切换非线性系统发生执行器故障,采用IMM CKF估计系统状态;然后分析了IMM CKF算法的稳定性;根据状态估计结果,构造残差信号,设计残差评价函数,检测故障发生。当检测到故障发生时,设计增广系统,对故障幅值进行估计。通过仿真实验验证提出算法的有效性,结果表明该算法可以较为准确地诊断系统故障。     

基于近邻参考集与E2LSH加速的姿态敏感器故障检测

为满足高维、多状态姿控敏感器遥测数据的实时故障检测,提出了一种基于局部敏感哈希和子空间异常因子的故障检测算法.算法通过局部敏感哈希索引的建立和使用,检测全局故障点;通过子空间异常因子的计算,检测子空间故障点.提出了近似邻近参考集与缓存桶的概念,降低算法的时间复杂度.ZDPS-2卫星的姿控敏感器数据分析结果表明,该方法故障查准率89.3%,查全率100%,且泛化性能优于原始的子空间异常程度算法.该算法解决了原始的子空间异常程度算法实时性低、检测全局故障困难问题,可以满足姿控敏感器实时故障检测需求.     

软件密集型装备故障的静态检测

软件密集型装备是指软件和硬件肾密结合的装备,软件密集型装备中的故障多由软件与硬件相互作用引发.本文对程序流程违反硬件工作时序引起的故障进行了分析,并建立了故障模型,提出了一种静态故障检测方法,该方法通过对程序控制流进行分析,以检测程序流程是否违反硬件工作时序.     

低故障恢复开销的软件定义网络控制器布局算法

控制器部署技术是软件定义网络的重要研究方向。现有控制器布局技术更多地关注节点故障时网络的鲁棒性布局方法,缺乏对连边故障情况下的灾备分析。为了解决这个问题,建立了一种低故障恢复开销软件定义网络控制器布局模型,该模型针对连边故障进行设计,并利用基于模拟退火思想的算法进行求解。仿真结果表明,该模型及算法在尽量少地损失网络时延代价的同时,有效降低了控制路径出现故障时网络的故障恢复开销。     

一种基于二分图故障检测模型的软件故障定位方法研究

软件故障诊断过程中代价最昂贵和最耗时的活动之一就是软件故障定位.为了辅助测试人员进行软件故障的定位,在设计分层思想的指导下,在分析软件及其各个模块以及模块中代码之间复杂关系的基础上,通过分析历史数据中软件故障与现象之间的对应关系,建立了基于拓扑图的软件故障传播模型,使得软件故障诊断人员能够利用该拓扑图模型描述具体的软件故障现象.通过该拓扑图模型,软件故障传播模型可转换成更容易进行问题求解的基于二分图的故障检测模型.然后针对该模型设计了基于贪心策略的算法,该算法解决了基于二分图故障检测模型的最小覆盖求解问题,这一问题的求解结果描述了软件故障原因假设集合,通过故障原因与软件模块关系分析可找出与该故障原因对应的相应模块,从而实现故障定位.实验表明,本研究方案能够有效处理软件故障定位问题.     

基于动态全潜结构投影的热连轧厚度监控

本文利用带钢热连轧生产过程的数据,采用动态全潜结构投影算法(T-PLS),建立了带钢厚度的动态模型.该模型对于厚度有良好的预测精度.利用动态T-PLS的优点,把过程变量空间分解为4个正交子空间.在不同的子空间中,可以对带钢厚度有关的故障进行监测.通过热连轧机3个典型故障的检测,充分验证了动态T-PLS在过程质量监控中的优良性能,加强了带钢热连轧过程的监控.     

基于多重局部重构模型的连续过程故障诊断

为了提高故障诊断性能, 本文对故障特征随时间发展变化的多样性进行了探讨分析. 本文揭示了故障过程呈现时变特性, 即故障过程在不同时段反映出不同的变量相关性, 提出了一种故障时段划分算法. 该算法将故障划分为不同时段, 在每一个时段中, 故障特征被认为是基本类似的. 在此基础上, 针对不同时段建立了不同的故障分解模型, 并揭示了不同故障状态与正常状态的关系. 通过划分不同故障特征, 可以区分不同的故障特征, 建立更精确的重构模型. 该方法很好地阐述了故障的演变行为特征, 能够更精确地进行故障重构从而确定故障原因. 通过在田纳西伊士曼仿真过程上的应用验证了该方法的可行性及诊断性能.     

软件定义卫星网络的链路故障检测和恢复方案

针对具有星间链路的卫星网络,提出了一种软件定义卫星网络架构下的链路故障检测和恢复方案。首先基于软件定义卫星网络架构设计了一种主动上报式故障检测机制,并设计了链路故障检测算法,实现对卫星网络中链路故障的快速发现和准确定位。在此基础上,提出了一种保护加恢复式故障恢复机制来快速恢复因故障导致的业务中断。最后在原型系统中对该方案进行了验证。实验结果表明,该方案可以在毫秒级的时间内快速检测并准确定位到链路故障,并可以在10±2ms的时间内对故障进行快速恢复。同时,该方案可适用于多种卫星网络拓扑。     

无人机PCA故障检测与诊断技术研究

无人机（UAV）飞控系统传感器故障检测和诊断常采用基于解析模型的方法,但飞行控制系统（FCS）的精确数学模型往往获取困难。针对此问题,提出了一种UAV-PCA算法。该算法在传统主成分分析（PCA）方法的基础上结合方差敏感自适应阈值的故障检测方法和基于特征方向的故障诊断方法,实现UAV飞控系统传感器的故障检测和诊断。算法不需要系统的数学模型,解决了应用传统PCA方法进行FCS故障检测与诊断时易出现暂态过程虚警和误诊断的问题。仿真结果证明该算法可以快速准确地检测传感器故障,而且可以有效地降低暂态过程虚警和提高诊断结果准确度。     

无线传感器网络软故障诊断算法

在无线传感器网络中,软故障节点会产生并传输错误数据,这不仅会形成错误的决策,还会消耗能量,为此,提出一种基于节省能量的故障诊断(EFD)算法。该算法利用节点感知数据的空间相似性,通过对邻点所感知的传感数据进行比较,确定检测节点状态。对于网络中存在的节点瞬时故障,该算法引用TF模型思想,避免了不必要的数据比较,减少了时间冗余的检测次数。仿真结果表明:EFD算法能够提高网络诊断精度,同时可以降低诊断过程的能量消耗。     

基于马尔科夫预测的多传感器故障检测与诊断机制

随着无线传感器网络应用规模的不断扩大,各类应用中传感器故障检测与诊断成为系统正常作业、安全可靠性保障的关键技术。针对多传感器系统与节点工作过程定义3种状态,基于故障检测信息建立状态转移矩阵,通过马尔科夫模型预测传感器故障信息,为故障检测与诊断提供决策依据。另外,拓展数据包信息字段包括故障类型、节点定位等,故障处理后节点转移至正常状态后将故障处理和诊断特征等信息存储到网关或者汇聚节点,为改善故障检测精度和诊断效率以及系统资源利用率提供依据。实验结果表明：所提故障检测与诊断算法与传统算法相比,具有更高的故障检测精度,更短的故障诊断时延、能够准确判断故障类型等性能。     

基于分层滤波算法的无人机控制系统故障检测技术

针对传统无人机控制系统故障检测技术检测误差率高，检测速率低的问题，引入分层滤波算法研究了一种新的无人机控制系统故障检测技术，构建地面坐标系得到模型数据，同时收集无人机系统的内部转向角因素，录入转向角数据，采用算法整合处理主系统数据，利用滤波手段控制数据录入量，综合提取特征参数，选取不同于正常状态的特征参数，利用噪声估计器诊断故障，分析残差与“零”之间的关系，从而实现无人机控制系统的故障检测。实验结果表明，相较于传统技术，基于分层滤波算法的无人机控制系统故障检测技术误差率降低了0.56%，检测速率提升了27.39%。     

基于粒子群神经网络的发动机故障诊断方法

研究复杂发动机的故障检测,提高检测的快速性和准确性。传统故障检测方式必须通过计算发动机不同部位实时的故障系数,并且与正常状态下的发动机系数标准逐个进行对比,从而判断发动机部件是否存在故障,当发动机结构复杂,部件较多的情况下,会造成检测方法计算量加大,检测耗时,结果滞后。为了克服上述问题,提出一种粒子群神经网络的复杂发动机故障检测技术,通过自适应粒子神经网络进行迭代计算,对发动机可能出现故障的部位进行相关参数统计,从而提前进行预判,减少大量由计算带来的滞后性影响。实验证明,改进方法能够大幅减低检测耗时,弥补滞后误差,取得了令人满意的效果。     

改进的QPSO算法在电网故障诊断系统中的应用

电网故障诊断系统通常基于建立的解析模型,通过分析保护和断路器的动作信息来推断可能的故障位置,从而识别保护与断路器的故障元件和误动作;根据保护动作原理,构建了一种改进的解析模型,并采用改进的量子粒子群算法对其目标函数进行优化求解;该模型不仅充分考虑到了保护和断路器的误动与拒动、断路器失灵保护等问题,且能辨识告警信息的误报和漏报;实验结果表明改进的算法不仅使故障诊断结果更精确,并能使故障情况很清晰地表示出来,有利于故障的及时恢复,同时使模型的运算速度和稳定性也进一步得到了提高。     

基于系统辨识算法的风力机桨距系统故障诊断

针对风力机桨距系统故障,提出一种基于观测器的多新息随机梯度辨识算法的故障诊断方法．多新息随机梯度辨识算法通过扩展新息长度能够改进随机梯度辨识算法的估计精度,根据系统的规范状态空间模型,结合状态观测器可以实现系统状态和参数的交互估计．将桨距系统模型转换为可辨识的状态空间模型,依据桨距系统故障会引起系统参数变化的特点,采用所提出的算法对系统状态和参数进行估计,将桨距系统故障诊断问题转化为系统状态和参数估计问题．仿真结果表明,所提出的方法能够有效诊断桨距系统故障．     

基于粒子滤波的分布式故障诊断

针对非线性、非高斯环境下多传感器的系统故障诊断问题,提出了一种新的基于粒子滤波的分布式故障诊断方法。通过粒子滤波得到的状态估计值的全概率分布信息可用于故障检测。首先建立系统分布式故障诊断模型,由于通信限制,假设各传感器只能向信息融合中心传输二进制数。在各观测值独立同分布的条件下,提出了分布式故障诊断算法,包括本地判决的设计和融合中心的准则设计。仿真结果表明了所提出算法的有效性和优越性。     

Structured residual vector-based approach to sensor fault detection and isolation

This paper proposes a novel approach to detection and isolation of faulty sensors in multivariate dynamic systems. After formulating the problem of sensor fault detection and isolation in a dynamic system represented by a state space model, we develop the optimal design of a primary residual vector for fault detection and a set of structured residual vectors for fault isolation using an extended observability matrix and a lower triangular block Toeplitz matrix of the system. This work is, therefore, a vector extension to the earlier scalar-based approach to fault detection and isolation. Besides proposing a new algorithm for consistent identification of the Toeplitz matrix from noisy input and output observations without identifying the state space matrices {A, B, C, D} of the system, the main contributions of this newly proposed fault detection and isolation scheme are: (1) a set of structured residual vectors is employed for fault isolation; (2) after determination of the maximum number of multiple sensors that are most likely to fail simultaneously, a unified scheme for isolation of single and multiple faulty sensors is proposed; and (3) the optimality of the primary residual vector and the structured residual vectors is proven. We prove the advantage of our newly proposed vector-based scheme over the existing scalar element-based approach for fault isolation and illustrate its practicality by simulated and experimental evaluation on a multivariate pilot scale, computer interfaced system.     

动态系统输入环节突发性故障的检测与辨识

在分析输入环节脉冲型故障和阶跃型故障对动态系统的状态变化和测量系统输出信 息的影响的基础上,本文采用正向容错M-型滤波与反向WLS估计结合的方法,建立了输入环 节脉冲型故障的检测与故障幅度辨识算法;对于输入环节的阶跃型故障,文中建立了分别适用 于定常系统和时变系统的差分变换法与扩展状态空间方法.     

基于自适应迭代学习算法的一类非线性系统故障检测与估计

针对迭代学习算法在非线性系统故障检测与估计过程中存在估计误差较大和收敛速度较慢等不足的问题,提出了一种基于龙格–库塔故障估计观测器模型的自适应迭代学习算法,有效降低了故障估计误差;并引入H∞性能指标,提高了故障估计观测器的收敛速度.该算法首先设计故障检测观测器对故障进行检测,然后设计故障估计观测器,并将自适应算法与迭代学习策略相结合,使得估计故障逐渐逼近真实故障,从而实现对非线性系统中多种常见故障的精确检测与估计.最后,通过机械臂旋转关节驱动电机的执行器故障仿真验证了所提算法的有效性.