基于FPGA的传感器故障诊断算法研究与实现

对于目前传感器设备故障诊断方法在诊断过程中会导致实际生产中弱故障诊断不灵敏,无法有效识别故障,并且充分考虑实际生产过程中的特点,提出基于FPGA的传感器故障诊断算法设计。在不同残差空间中分析故障,使系统对于弱故障诊断的精准性得到提高。使用迭代算法对主元分析算法模型进行更新,利用残差空间平方加权预测误差变量的重构对故障进行确定,从而对传感器故障进行在线诊断。最后,通过企业实际数据实现此方法的在线故障诊断实验。实验结果表明,此种方法能够有效诊断传感器设备故障。     

一种无人机陀螺故障的检测与保护控制方法

为提高低成本靶用无人机飞行安全,对陀螺故障诊断与保护控制的研究十分必要。文章为有效诊断工程应用中常遇到的漂移故障,提出了一种简单易实现的陀螺故障诊断方法,并引入一种稳定控制方法,在陀螺故障后能控制无人机稳定飞行,便于地面操纵人员在无人机处于陀螺故障状态时,及时介入人在回路模式,保证无人机安全。最后对设计的控制方法进行数字仿真与半实物仿真实验验证,结果表明,该方法能有效诊断陀螺故障,控制无人机稳定飞行。     

组合时延预测的无人机传感器故障诊断研究

主要针对无人机传感器故障种类较多、类型复杂等特点,通过灰色模型与Elman神经网络对时延进行建模预测,利用最小方差原理得到组合时延预测模型,最后将其应用于无人机传感器故障诊断,并通过仿真验证组合预测模型对故障诊断时延具有较高的预测精度,证明了该诊断方法的有效性。     

基于多模型参数估计的舵机故障诊断算法

为了实现无人机舵机工作状态的在线监测,实时提供故障类型与故障程度,设计了一种基于多模型参数估计的舵机故障诊断算法。首先描述了舵机各典型故障类型的动态特性,并建立相应的故障模型。然后就各故障类型设计相应的故障状态观测器及参数估计器,实时监测舵机运行状态,在舵机出现故障时能够及时给出故障信息。同时设计多观测器切换机制,以解决多个观测器的选取问题。仿真结果表明,建立的故障模型能够很好地描述典型故障的动态特性,多观测器切换机制能够及时准确地切换至最接近当前舵机状态的观测器,给出最接近实际情况的故障信息。     

飞机操控系统故障诊断方法研究

为提高飞控系统的可靠性和安全性,用基于模型的状态估计故障诊断方法对飞机操控系统的故障检测和诊断隔离技术进行了研究。通过建立模型和构造残差利用线性多项式方法(Polynomial Method,PM)对故障进行诊断。对PM诊断方法进行了数学分析和论证,仿真结果表明PM方法不但对于故障信号比较敏感,并且对于干扰有较强的抑制能力,可保持较高的鲁棒性,提高故障检测效果,适用于飞控系统故障检测和隔离。     

传感器故障诊断与分布式MPC容错控制

本文研究了针对传感器故障的诊断与分布式预测控制(ModelPredictiveControl,MPC)容错控制方案。首先,利用分布式卡尔曼滤波对系统状态进行估计,构建故障诊断残差,在残差发生器中引入残差信号,生成故障信号,对传感器故障进行诊断。然后,利用MPC在线求解控制器的特点,设计容错控制器。最后,针对分布式框架下的容错控制问题,开展数值仿真分析,表明该方案能够在保持所需控制性能的同时,降低传感器故障的影响。     

空调系统传感器故障诊断方法

针对空调系统中常见的传感器故障问题,提出了基于小波神经网络(WNN)故障诊断策略.在分析空调系统中传感器主要故障的基础上,建立了传感器故障诊断系统.通过传感器的真实测量值与预测值的残差比较,验证了基于WNN的故障诊断能力,分析了基于WNN与BP神经网络故障诊断的残差比结果.仿真实验表明,基于WNN的故障诊断系统具有结构...     

基于RBF神经网络的控制系统传感器故障诊断方法

针对现行研究中压铸机实时检测与控制系统中相关传感器的常见故障问题,通过对人工神经网络理论与方法的学习,建立了一种基于径向量基函数神经网络RBFNN的控制系统传感器故障诊断观测器模型.通过来自压铸机的实测参数进行模型训练,采用模糊K均值聚类算法选取聚类中心,利用该观测器确定传感器输出值与传感器实际输出值之间的残差,以此判断传感器是否发生故障.仿真结果表明,RBFNN观测器具有较强的非线性处理和任意函数逼近的能力,预测精度高,学习时间短,网络运算速度快,性能稳定,可满足传感器故障诊断的要求.     

无人机分布式飞行控制计算机故障诊断分析

通过把分布式飞行控制计算机当做研究目标,可以有效的得出故障诊断方法,可以把硬件余度和相关的模型解析余度联系在一起,实现对无人机分布式飞行控制计算机故障的诊断。可以设计有效的诊断体系,提高进行故障诊断的效率以及速率,及时对故障进行有效处理,有效改善以往故障检测器存在的弊端,增强对于无人机分布式飞行控制计算机故障诊断的有效性。     

基于决策树SVM的某型无人机发射机故障诊断

为能够准确地对无人机数据链发射机进行故障诊断,通过对某型无人机数据链发射机工作原理和故障模型分析,结合长期的维护、保障经验,提出了一种基于故障优先级的决策树支持向量机故障诊断方法,避免了现有的多类分类支持向量机在多类故障诊断方面存在不足,优化了多类分类支持向量机组合策略。经试验,与几种常用的多类分类支持向量机方法对比,该诊断策略有效得提高了故障诊断正确率,能够准确地定位发射机内部故障功能模块,具有一定的实际意义。     

差异性传感器网络的故障节点定位模型仿真

随着传感器网络规模的逐渐扩大,网络中节点的分布呈差异性和随机性,破坏了节点之间的位置关系,传统故障节点定位方法不能有效分析传感器网络节点的相关特征,无法得到准确的故障节点定位结果。因此,提出一种基于对数距离节点信息和残差融合的差异性传感器网络故障节点定位模型,采集不同传感器网络的故障节点特征,求出相应权重,对特征提取误差进行补偿,获取差异性传感器网络的差异性故障节点特征,依据获取的特征建立差异性传感器网络故障节点定位模型。采用一种对数距离节点信息模型反映收集到的差异化信息,获取差异性节点故障特征距离。通过残差融合方法调整相关误差,以获取更加准确的故障信息距离值,实现故障节点定位。仿真实验结果表明,所提方法具有很高的故障节点定位精度。     

车窗防夹的H-/H_∞鲁棒故障诊断算法

针对车窗防夹使用安全方面的需求,以解析模型的故障诊断理论为基础,提出了H-/H_∞性能指标的最优鲁棒故障诊断车窗防夹控制算法。该算法将车窗防夹事件发生时的电机转矩变化率看作故障,通过构建鲁棒故障诊断观测器产生一个残差信号,当车窗防夹发生时残差会显著偏离零值,从而将纯电动轿车车窗防夹检测问题转化为H-/H_∞性能指标的鲁棒故障诊断问题,进而利用线性矩阵不等式LMI的方法来求解。在MATLAB环境下建立了Simulink模型,仿真结果表明了该算法在阈值设计为0.5042的情况下能够在故障发生后0.16s及时的检测出防夹事件,同时对不确定扰动及噪声有较强的鲁棒性。     

光电雷达电子部件的量子神经网络故障诊断算法

针对电路故障诊断时,故障模式之间存在交叉数据的模式识别问题,将多层激励函数的量子神经网络引入多传感器信息融合之中,提出一种基于量子神经网络的多传感器信息融合集成电路故障诊断算法.并将其应用到光电雷达电子设备故障诊断中,通过测试电子电路中被诊断元件的工作温度和工作电压两个物理量,求出两传感器对各待诊断元件的故障隶属度,利用多层激励函数的量子神经网络进行信息融合,得到融合的各待诊断元件的故障隶属度,从而确定故障元件,提高故障诊断的准确率.     

多源导航系统软、硬故障检测新方法研究

故障检测和隔离对提高无人机的导航精度和可靠性有重要意义.针对残差卡方算法对小值软故障灵敏度差,改进序贯概率比(SPRT)算法无法判断故障结束时间的缺陷,提出了一种联合故障检测算法.该算法依靠残差卡方算法判断故障结束时间,从而及时对改进SPRT算法检测值进行修正,使改进SPRT算法能继续检测非第一次故障.改进SPRT算法对故障的灵敏度高,且残差卡方算法能准确判别故障结束时间.仿真结果表明,该综合算法对小值软故障、大值阶跃故障都有很好的检测效果,有效提高了系统的故障检测能力及灵敏度,增强了组合导航系统的可靠性.     

基于扩展卡尔曼滤波器的无人机状态估计

在无人机飞行过程中,由于低成本无人机对状态反馈不准确和外部干扰对传感器的影响,导致飞行时间一长会出现漂移现象,使得无人机产生浮动等不良问题。为了解决这些问题,提出一种适用于小型无人机状态估计的四元数扩展卡尔曼滤波数据融合算法,该算法通过建立四元数系统观测模型和传感器量测模型,解决了低成本传感器对无人机位置和姿态直接测量的低精度和易被外界干扰的问题,有效提高了状态估计的精度。仿真实验验证了算法的有效性。     

无人机分布式飞行控制计算机故障诊断研究

以分布式飞行控制计算机为对象,设计相应的故障诊断方法。提出了一种硬件余度和模型解析余度相结合的方法,对计算机外部传感器、外部执行机构以及计算机内部功能模块进行故障诊断。通过设计诊断体系结构,能够有效进行外部传感器、外部执行机构和飞行控制计算机内部数字控制器的故障检测和隔离,解决了传统单一故障观测器无法诊断计算机内部故障的不足,提高了飞行控制系统的故障诊断覆盖率和可靠性。     

基于电流残差的逆变器故障诊断方法研究

针对三电平逆变器中不同故障类型输出波形相似的情况,提出一种基于电流残差的逆变器故障诊断方法。该方法运用混合逻辑动态模型和三电平仿真模型经过一系列的数学运算提取线电流残差,作为逆变器故障诊断的一部分输入特征;取逆变器桥臂上的电压信号作为故障诊断的特征信号,利用小波变换提取故障信号作为另一部分输入特征;将两部分特征向量进行有效组合,构建新的且能够区分所有故障模式的特征向量,最后利用BP神经网络进行逆变器的故障诊断。仿真结果表明,该方法数据处理量小,诊断精度高,具有较强的可行性和有效性。     

基于残差神经网络的轴承声发射信号故障智能诊断

近年来,随着人工智能的发展与普及,深度学习算法以其高准确率和鲁棒性成为了目前分类识别技术的热门。传统的轴承故障诊断采用振动信号,对早期故障不敏感。由于传统的人工特征提取方法难以准确的表征滚动轴承状态,深度学习算法便逐渐应用于滚动轴承的故障诊断。因此采用滚动轴承的声发射信号并结合神经网络进行故障检测,以更好的对轴承运行中的早期故障进行识别,为此提出了一种基于一维卷积残差神经网络的轴承故障诊断模型,通过多层卷积叠加以提取出数据中更加关键重要的信息。该模型在诊断中能够自适应的从输入数据中学习出所需要的特征。模型采用categorical crossentropy交叉熵损失函数及Adam优化算法实现滚动轴承的故障诊断。在试验台上模拟了早期轴承内圈、外圈、滚动体、保持架故障等四种故障,并利用模型进行了故障的分析和诊断,研究结果表明文章提出的模型对故障的声发射信号拥有良好的识别能力。     

基于信任评估的虚拟网故障诊断算法

网络虚拟化环境的新特点(网络拓扑动态变化、动态症状和故障关系、管理域独立和信息不准确性)对故障诊断提出了新的要求,提出一种改进的针对网络虚拟化环境下虚拟网和底层网故障诊断模型和诊断算法,通过虚拟网信任评估算法来提高故障诊断的准确率、降低误报率.仿真研究结果表明,在大规模和噪声大的虚拟网络环境中,提出的故障诊断算法取得了较好的诊断效果.     

应用数据融合实现电子电路的故障诊断

在电路故障诊断中,可通过直流分析、交流分析和灵敏度分析等方法,对电路的故障进行诊断.但由于不同的诊断方法对不同的故障敏感度不同,使得每种方法都带有局限性.为此,本文提出了采用数据融合进行电路故障诊断的新方法,介绍了D-S证据理论算法在电路故障诊断中的应用,给出了具体算法和仿真实例.理论分析和仿真结果表明,将数据融合技术用于电路的故障诊断是可行的.不同的诊断方法提供的信息经多次融合、反复抽取有用信息后,大大降低了判断的盲目性,提高了电路故障诊断的准确性.