基于改进的自适应回归时序模型故障诊断

汽车变速箱的故障诊断工作比较复杂,由于传统的诊断方法已不能满足复杂的故障现象,文中提出了一种基于改进的自适应回归时序模型故障诊断方法;方法采用了基于时间序列故障诊断技术,首先测取工作环境下的振动信号,然后建立被诊断对象的时间序列数学模型,最后用信息距离判别法诊断出故障类型,提高了诊断效率;最后在变速箱进行了实验研究;选用型号为621B40型ICP加速度传感器测取变速箱的振动信号,通过设置模型参数(n,m)来模拟故障检测,实验分析表明,提出的算法可以有效地识别变速箱系统中不同严重程度的故障,且与传统的故障诊断算法相比,提出的算法对提高识别率和降低计算复杂度都有着明显的优势。     

航空发动机传感器故障诊断

研究航空发动机传感器故障诊断问题,由于发动机传感器故障样本有限、小样本、非线性变化特点,传统大样本传统故障方法故障诊断准确率低。为提高传感器故障诊断准确率,提出一种混沌粒子群算法(CPSO)和最小二乘支持向量机(LSS-VM)相结合的传感器故障诊断算法(CPSO-LSSVM)。首先将发动机传感器信号输入到LSSVM进行学习,并采用CPSO进行优化,找到最优LSSVM参数,从而建立传感器故障诊断模型,最后采用已建立模型对传感器故障进行仿真测试。仿真结果表明,CPSO-LSSVM提高了航空发动机传感器故障诊断的准确率,能准确地对空发动机传感器故障进行诊断,提供民飞行安全性能保障。     

基于信息融合的汽车衡称重传感器故障诊断

传统汽车衡不具备故障诊断功能,任一称重传感器发生故障都将导致称重系统失效.为此提出了一种基于信息融合的汽车衡称重传感器故障诊断方法,利用径向基函数神经网络(RBFNN)逼近汽车衡多路称重传感器之间的函数关系,预测各传感器的输出,并给出RBFNN的训练算法;以各传感器的预测信号与实测信号为输入,建立了融合检测模型,采用表决融合检测准则,完成故障传感器寻址、故障类型识别、故障程度判决和故障传感器正常输出估计等故障诊断.大量实验与现场检定证明,采用这种方法的汽车衡准确实现了称重传感器故障诊断,任一称重传感器失效后的汽车衡性能优于正常状态下4级秤的指标,其最大称重误差0.7%,提高了系统可靠性.     

基于小波包和GBDT的瓦斯传感器故障诊断

针对瓦斯传感器的常见故障类型,提出了一种基于小波包和GBDT的瓦斯传感器故障诊断方法.该方法首先使用3层小波包分解对瓦斯原始故障信号进行分解;然后利用LDB算法削减得到重构信号能量,经归一化处理后作为输入分类器的特征向量;接着利用由梯度提升技巧和决策树构成的GBDT分类器作为故障模式的训练和识别器;最后通过瓦斯传感器诊断实例验证了该方法的有效性.实验结果表明,采用该方法进行瓦斯传感器故障诊断相比其他方法具有更高的诊断精度和更好的样本泛化能力.     

基于双通道传感器的航空发动机在线故障诊断系统研究

对基于双通道传感器的航空发动机在线故障诊断和隔离技术进行了研究;在发动机机载非线性模型的基础上,对发动机的双通道传感器分别设计混合卡尔曼滤波器,利用该滤波器在线估计双通道传感器输出,并结合实际双通道传感器测量值以及发动机机载非线性模型的输出值在线实现传感器故障检测和隔离、部件故障及异常检测确认;利用该技术建立了某型涡扇发动机在线故障诊断系统,通过仿真实例验证了该系统的诊断性能,实验结果表明,本文所建立的在线故障诊断系统能够较好的完成故障诊断与隔离、部件故障及异常检测等功能,为此类系统的工程应用提供了理论依据。     

多传感器系统中基于扩展卡尔曼滤波器的在线故障检测

随着多传感器系统的广泛应用,在线故障对于系统性能影响严重,如何使得多传感器系统具有自主故障检测与诊断能力成为首要问题。根据非线性多传感器系统的输入信号、输出信号和故障阵列,建立一种具有多输入多输出处理和自调节加强功能的扩展卡尔曼滤波器（ EKF）的故障分析模型,在此基础上,提出了一种适用于多传感器系统的在线故障检测算法及其在传感器节点上的实施架构。实验结果表明：所提算法在低并发故障和高并发故障环境下均具有高准确度故障报告能力。此外,在温度传感器上实施所提算法,温度监测值的对比结果验证了所提算法比传统算法具有更好的系统性能保证能力。     

基于自适应观测器的四旋翼无人飞行器传感器故障诊断方法

针对四旋翼无人飞行器传感器故障诊断问题,提出一种用于四旋翼无人飞行器加速度计和陀螺仪故障同时发生的故障检测与隔离以及故障偏差值估计的非线性诊断方法.首先,在建立飞行器动力学模型和传感器模型的基础上,构建四旋翼无人飞行器传感器故障检测与诊断系统.其次,利用故障观测器完成传感器故障的检测与隔离,基于Laypunov方法设计非线性自适应观测器对未知故障偏差值进行估计.最后,在传感器测量噪声存在的情况下,证明自适应律的稳定性和参数收敛性.实验结果表明,该方法能有效进行传感器的故障检测与隔离,实现对传感器故障偏差的估计与跟踪.     

轮毂电机电动车电子踏板诊断算法实验研究

轮毂电机电动车由于采用线控驱动技术,因此其故障诊断是重要的安全问题,其中电子踏板的故障诊断关系到整车安全,是至关重要的技术问题;提出了一种应用于轮毂电机电动车电子踏板模块的故障诊断算法;该算法采用门限值与相关性联合诊断方法检测出踏板信号的故障,对故障容错处理后计算出正常的信号值;采用LabVIEW RT工具对所研究的故障诊断算法进行了实验验证;实验结果表明,该诊断算法能准确诊断电子踏板的短路和开路故障,输出正常的信号值,提高了轮毂电机电动车的安全性。     

基于遥测数据分析的无人机故障诊断系统设计

传统无人机故障诊断系统故障传感器与故障算法间的逻辑变量存在差值,当故障点存在于传感器结构内部时,无法及时感知并反馈故障数据,导致系统软件部分分析算法分析异常,故障信号诊断准确性差,为此提出基于遥测数据分析的无人机故障诊断系统设计;引入遥测数据分析技术,建立基于遥测数据分析的故障信号诊断硬件,创建故障数据采集单元、故障数据调理单元、故障数据通信单元,并在三大硬件单元中分别采用M1401 8路模量数据采集卡、CY7C68013A-56PVXI多模数据分析处理器、EP3C16Q240C8N通信IC,配合外围器件,构建起基于遥测数据分析的无人机故障信号诊断平台;配合硬件性能,软件部分分别对故障信号诊断策略与算法进行了优化设计;通过实验数据表明:所设计系统对无人机软件故障信号的检测准确率为97.3%,硬件信号故障的检测准确率为98.6%,能够实现对故障信号的精准诊断,有效解决传统诊断系统存在的问题。     

基于神经网络信息融合的智能故障诊断方法

飞行状态时的飞机舵面故障诊断系统,含有系统和测量噪声及其时变、非线性等特点,采用常规的故障诊断方法很难实现对飞机舵面故障的准确诊断和告警,为了更好的实现对飞机舵面系统的故障诊断,将神经网络信息融合的智能故障诊断方法首次运用到舵面系统故障诊断中.该智能诊断方法应用神经网络的非线性拟合能力扩展舵面相关线位移传感器测量信息,同时采用D-S算法将相关传感器的输出信息进行融合,最后信息融合诊断策略根据这些信息确定出舵面相应的故障类型,从而可以对舵面故障信号进行有效识别和诊断.建立了某机舵面系统故障诊断的数学模型,并利用该模型对提出的智能故障诊断方法进行仿真验证,最后的仿真实验结果表明:该故障诊断结构形式对于舵面常见的故障能够进行识别和告警,诊断效果令人满意.     

基于多阶段注意力机制的多种导航传感器故障识别研究

导航传感器在使用过程中容易发生故障, 针对传统方法对其间歇性和渐变性故障识别率低的问题提出了一种基于多阶段注意力机制的多传感器故障识别算法. 该算法采用基于长短期记忆神经网络和注意力机制的编码器?解码器结构, 根据多类导航传感器数据之间的空间相关性和时间相关性来进行多传感器的故障互判. 经验证, 该算法对多种类传感器的故障识别率高达97.5%, 可以高效地实现故障的检测和分类. 该方法可以准确识别出故障传感器和故障类型, 具有很强的工程应用价值.     

基于径向基神经网络的称重设备传感器故障检测方法

在对称重设备数字化改造的过程中,有些研究人员提出了对某一特定传感器的故障诊断方法,但对于非指定传感器或者两个传感器同时发生故障的情况却没有检测方法.为此,本文提出了一种基于径向基神经网络预测的任意一个或两个称重传感器的故障检测方法.本文首先建立单个传感器的预测模型和任意两个传感器的预测模型,然后通过这两个预测模型计算出任意一个称重传感器的预测值和任意两个传感器的预测值,根据预测值与实际值之间的差值判断称重传感器故障个数、位置、类型等信息.实验表明,当称重传感器的输出误差大于0.3 t时使用此方法可以准确检测出称重传感器的故障信息.     

飞行器导航传感器故障诊断的应用研究

研究导航传感器故障诊断问题,由于飞行器导航传感器所处环境十分复杂,导航系统由多种部件组成,故障存在许多随机性、模糊性和不确定性因素,难以建立确定数学模型。传统线性模型故障诊断准确率低。为了提高飞行器导航传感器故障诊断准确率,提出一种神经网络的导航传感器故障诊断方法。飞行器导航传感器发生故障时信号中会产生突变成分,利用小波包对原始故障信号进行分解,提取信号特征向量,然后将特征向量输入神经网络训练,实现飞行器导航传感器故障智能化诊断。在Matlab平台实现传感器故障诊断的仿真,结果表明,神经网络提高了飞行器导航传感器故障诊断的准确率,是一种在线、行之有效的导航传感器故障方法。     

基于自适应观测器的四旋翼无人飞行器多传感器故障诊断方法

为了实现对四旋翼无人飞行器多传感器故障检测与诊断,提出一种基于自适应观测器的多传感器故障诊断方法。首先,在建立飞行器动力学模型和传感器模型的基础上,将传感器故障视为虚拟执行器故障,构建四旋翼无人飞行器多传感器故障检测与诊断系统;其次,设计非线性观测器实现多故障检测和与隔离,基于Laypunov方法设计非线性自适应观测器实现对多故障偏差值的估计;最后,在传感器测量噪声存在的情况下,证明自适应律的稳定性和参数收敛性。实验结果表明,该方法能有效进行多传感器的故障检测与隔离,实现对多传感器故障偏差的同时估计与跟踪。     

基于广义回归神经网络的传感器故障诊断研究

针对诊断传感器偏置故障与漂移故障的难点问题,提出了一种基于广义回归神经网络(GRNN)的传感器故障诊断方法。该方法充分利用控制系统闭环回路测控信息,建立一组多输入单输出GRNN观测器,通过将观测器输出与传感器实际输出相比较获取残差序列,获得基于残差序列的传感器偏置故障和漂移故障的辨识策略,实现控制系统传感器故障在线诊断。仿真结果表明:该方法可以快速准确地检测和分离传感器故障,辨识传感器故障类型、故障大小以及故障发生的时间。     

基于小波与GBDT的无人机传感器故障诊断

相对于有人飞行器,确保无人机传感器的正常工作更为重要.针对无人机传感器的故障诊断,提出了一种将小波特征提取与梯度提升决策树(GBDT)算法相结合的故障诊断方法.采用基于多层小波包分解的特征提取方法,将小波包分解系数与频带能量熵组合构成特征向量,相比单一的能量特征提取方法,有效提升了故障的可分性.采用梯度提升的策略对弱分类器进行迭代优化和线性组合,构成强分类器,使故障分类精度得到显著提高.仿真结果表明,该方法能有效进行特征提取和故障类型识别,且有较高的诊断精度和较强的泛化能力.     

A new method of sensor fault diagnosis for under-measurement system based on space geometry approach

Sensor fault cannot be converted to system equation under the condition of under- measurement system. Aiming to solve this problem, we present a new method which treats sensor fault as state variable to enforce fault diagnosis. Firstly, the system model of sensor fault is constructed by putting sensor fault into the state equation. Then, the residual generator is designed using the space projection operation to solve the relevant parameter matrices. Since the proposed algorithm satisfies one-to-one correspondence of faults and residuals, it can achieve single and multiple sensors FDI. Simulation results show the effectiveness of the proposed approach.     

基于故障可诊断性量化评价的传感器优化配置方法研究

提出了一种基于故障可诊断性量化评价的传感器优化配置方法.针对可能发生故障的非线性系统,首先,基于K-L散度思想,通过计算故障情形下残差概率密度函数的差异度,得到了系统不同故障下故障可检测性和可分离性的量化指标,由于稀疏内核密度估计和蒙特卡洛算法的引入,克服了K-L散度计算中残差概率密度函数难以估计和非线性结构的K-L散度计算复杂度高的困难;其次,以故障可诊断性的定量评价为基础,借助于动态规划方法给出了系统满足期望故障可诊断性的传感器最优集合;最后,通过数值仿真和实体实验仿真验证了文中方法在故障诊断系统传感器优化配置中的有效性.     

改进LSTM-RF算法的传感器故障诊断与数据重构研究

针对传感器的故障诊断与故障数据重构问题,提出一种基于改进型长短期记忆网络(LSTM)和随机森林(RF)的混合算法.首先,运用改进型LSTM算法对传感器的输出序列进行预测,将预测值与实际值作差得到残差序列.然后,通过RF算法对残差序列进行分类,识别出传感器的故障状态.当传感器诊断的结果为故障工作状态时,利用改进型LSTM的预测值重构故障数据.所提的改进LSTM-RF算法在功能上既可以对传感器故障类型进行诊断,又可以对故障数据进行重构.实验结果表明,改进的LSTM-RF算法的传感器故障识别准确率在不同的数据集上均能大于97％,故障数据重构的均方根误差小于4％;相比标准的LSTM-RF算法,改进的LSTM-RF算法在收敛速度提高的同时故障数据重构的精度提高了0.4％.