基于DEDS故障诊断方法在GBM控制系统中的应用

GBM系统作业时由于具有DEDS特性,其故障诊断非常适合采用DEDS故障诊断理论来处理。对DEDS故障诊断基本理论和GBM的故障诊断过程进行了简要的介绍,以GBM灌注系统的故障诊断为例,基于DEDS故障诊断理论对GBM的故障诊断过程进行了详细地分析和说明,实验结果表明:基于DEDS故障诊断理论的诊断结果效果明显,证明了DEDS故障诊断理论在GBM故障诊断中的有效性。     

基于蚁群优化神经网络的AUV舵的故障诊断

针对流线型AUV舵故障,提出了基于Elman神经网络的故障诊断方法。基于蚁群算法优化改进型Elman神经网络,建立了AUV角速度运动模型,通过蚁群算法和梯度下降法对改进型Elman神经网络训练的对比分析,验证了蚁群算法优化的改进型Elman神经网络具有训练速度快,不易陷入最优解等特点。提出了基于角速度残差检测舵故障,再通过定角度航行和定速直航的主动诊断方式,判定舵故障类型的故障诊断方法,探讨了基于角速度残差和角度残差的变化趋势来诊断舵卡死和舵变形故障的故障决策方法。对流线型AUV的舵变形及舵卡死故障进行了水池模拟实验,实验结果验证了所提方法的有效性。     

基于模型的机载燃油系统故障诊断研究

针对某型号飞机的燃油系统进行故障诊断,应用基于模型的故障诊断算法,采用离散的状态变量描述系统行为和功能,基于一致性算法判定系统当前行为是否正常以及冲突搜索算法对异常进行诊断.诊断过程引入故障可能性概率的函数Rank,避免了传统穷举方法,有效提高了算法的效率.诊断结果能够很好地涵盖单故障以及多故障组合,同时也能满足系统进行实时故障诊断的要求.     

基于灰色理论的潜水泵的故障诊断及预测系统设计

论述了潜水泵故障诊断系统的组成,介绍了故障诊断的原理以及灰色识别法、基于灰色理论的知识表示,用VB软件实现了故障诊断系统功能,并结合诊断实例给出故障诊断的效果,说明了应用灰色诊断理论对潜水泵进行故障诊断和状态预测的可行性.     

灰色动态预测在AUV传感器故障诊断中的应用

针对自主水下机器人(AUV)传感器故障诊断中样本数据少、随机性强、实时性要求高的特点,将灰色动态预测模型的建模原理引用到AUV传感器的故障诊断中。在对传感器进行数据滤波、小样本灰色建模与灰色动态预测的基础上,可以实现AUV传感器的实时故障诊断。文章详细阐述了基于灰色动态预测的传感器故障诊断的具体实现方法和步骤,对AUV传感器中典型的四种故障模式进行了仿真研究。结果表明该方法能快速、准确地诊断出传感器故障,并且在传感器发生故障后的一段时间内能够实现信号恢复。     

水下机器人软件可靠性及故障诊断方法研究

针对于智能水下机器人在软件系统故障诊断过程中广泛存在的不确定性和复杂关联性,采用改进的软件FMEA方法,对AUV智能规划决策控制系统进行了可靠性分析和研究,在总结了AUV主要软件故障模式的基础上,提出了一种基于FMEA的三层贝叶斯网络诊断模型。通过贝叶斯网络的推理机制,分别对单一故障和复合故障进行了推理实验。实验结果表明,采用上述方法能有效地提高水下机器人系统软件可靠性以及故障诊断能力。     

基于CBR的火控雷达故障诊断专家系统研究

将基于案例推理(CBR)和专家系统理论应用到故障诊断领域,对雷达装备的故障诊断问题进行研究,形成一个集成的智能诊断专家系统.本文浅析了基于案例推理,介绍了系统的总体结构和工作原理,并给出了具体的诊断实例.利用CBR技术建立的故障诊断专家系统可提高雷达装备故障诊断的正确性和效率.     

AUV控制系统规划层DEDS建模与仿真

地形勘查使命执行过程中,AUV(自治式水下机器人)控制系统的规划层对于AUV自主智能决策起到了至关重要的作用,对于AUV控制系统规划层进行DEDS(离散事件系统)建模与仿真研究可以使我们深入地了解并验证AUV自主能力.介绍了AUV控制系统逻辑模型以及监督控制理论,采用分层PETRI网对规划层进行了离散事件系统建模,采用了一种改进的RW离散事件监控方法对规划层模型进行了协调,通过对于任务库所的扩展,详细阐述了这种分层结构.采用一种半物理仿真平台,对模型的几种典型状态进行了仿真研究,最后通过一个具体的使命对AUV控制系统的规划层模型进行了仿真验证,仿真结果表明规划层模型能够正确协调各个任务,处理突发事件,指导AUV最大限度完成地形勘查使命.     

发动机故障多级融合诊断研究

针对神经网络中两种常用的网络类型BP和Elman,在发动机故障诊断中的应用过程的特点——各自网络都有自身缺陷,提出基于BP-Elman神经网络与证据理论相结合的多级融合故障诊断方法;首先BP-Elman网络得出其各自的初步诊断结果,经过必要的转换将其转换成证据理论的概率赋值;证据理论组合规则将初步诊断结果融合得出决策级诊断结果;通过对某柴油机燃油喷射系统的故障诊断过程表明,该模型经过尽可能地融合有效故障信息,大大提高系统的诊断精度和诊断正确率,而且有效降低了系统的不确定性。     

基于信息融合技术的某新型自行火炮发动机电控系统故障诊断

多传感器故障诊断过程中,由于多方面的原因,如测量噪声的存在、诊断知识的不完全等等,使得故障诊断存在着不确定性,影响到诊断结果的可靠性和准确度;通过分析某新型自行火炮发动机电控系统的故障特点,研究了一种基于BP神经网络及信息融合技术的多传感器故障诊断方法,将该自行火炮发动机电控系统的故障诊断过程分为子系统和系统级两级诊断,子系统采用BP神经网络实现故障模式分类,系统级运用D-S证据理论对整个系统故障进行综合决策评判;应用表明,在某个子神经网络识别存在差异的情况下,采用D-S证据理论进行融合可以有效地提高识别的准确性。     

基于Petri net的故障诊断理论研究

首先将故障概率的概念引入基于Petrinet的故障诊断方法中．针对Place和Transition．提出了P概率和T概率的概念;然后给出了它们的定义和计算定理;最后．在P概率和丁概率的基础上．对故障树分析（FTA）中“重要度”的概念略加调整,并将其引入所提出的故障诊断方法中．为Place和Transition定义了“重要度”．同时给出了计算方法．     

信息融合技术在大型发电机故障诊断中的应用

研究大型发电机故障诊断问题,大型发电机组故障具有复杂性和多样性,单从某一方面进行故障诊断,诊断结果比较低。为提高了大型发电机故障诊断准确率,提出一种基于信息融合技术的大型发电机故障诊断方法。首先对故障特征进行提取和降维,然后采用多个支持向机对大型发电机组故障进行初步诊断,获得相互独立的证据,最后对各证据采用DS证据理论融合算法进行融合,从而实现对大型发电机故障的准确诊断。仿真结果表明,采用信息融合的故障诊断系统有效地提高了大型发电机故障的诊断精度,增加故障诊断结果的置信度。     

基于粗糙集理论的煤磨故障诊断模型

针对水泥煤磨系统的常见故障,将基于粗糙集理论的数据挖掘技术应用于水泥煤磨故障诊断。结合具体的数据,采用粗糙集的方式,建立了故障诊断系统,通过该系统对识别数据进行故障诊断实验,表明该系统能有效地对煤磨堵仓和钢球小故障进行诊断。诊断结果的精度可以满足现场应用的要求。     

基于移动代理的主动网络系统级故障诊断模型

主动网络的可靠性和可用性是计算机网络领域的重要研究课题之一。通过分析系统级故障诊断的分布式算法设计思想,将系统级故障诊断的理论应用于基于移动代理的主动网络管理,给出了基于移动代理的主动网络的系统级故障诊断三值模型,提高了测试的可靠性和正确性。文中还阐述了分布式故障诊断算法,并利用移动代理的管理策略,达到了分布式的网络管理,具有实际应用的重要意义。     

基于FCA的物理层故障定位方法

提出了一种基于故障关联算法（FCA）的物理层故障定位模型，依据故障之间的关联关系，运用图论和故障矩阵的方法求出根故障集，确定故障源，有效地起到故障过滤和定位的功能。     

基于PCA和神经网络的故障诊断技术

提出一种基于PCA和神经网络的故障诊断/识别方法,利用主元分析法提取故障样本集的主元,实现故障样本的最优压缩,简化故障诊断中神经网络分类器的结构,提高神经网络的分类速度和测试精度。仿真结果表明,该方法可以有效减少输入层神经元个数,提高神经网络模型的学习效率和诊断的准确性,具有良好的故障识别能力。     

支持向量机在机械故障诊断中的应用研究

在机械故障诊断中,通常不具备有大量的故障样本,因此,制约了故障诊断技术向智能化方向发展。而基于统计学习理论(SLT)的支持向量机(SVM)方法正好克服了这方面的不足。统计学习理论是专门研究少样本情况下的统计规律及学习方法的理论。SLT理论和SVM方法为故障诊断技术向智能化发展提供了新的途径。该文讨论了支持向量机在故障诊断领域中应用的分类算法。并以滚动轴承的振动信号为例进行了试验论证。试验表明:SVM方法对具有少样本的故障诊断领域具有很强的适应性。     

基于RS与LS_SVM的密闭鼓风炉故障诊断

针对密闭鼓风炉故障信息的复杂性和不完备性,建立了基于粗糙集（RS）和最小二乘支持向量机（LS_SVM）相结合的故障诊断模型。首先运用等频率划分法对故障诊断数据中的连续属性进行离散化,然后采用粗糙集理论进行故障诊断决策系统约简,获得最优决策系统。将约简结果与LS_SVM相结合,建立了故障诊断模型。实验结果表明,该模型提高了诊断效率和判断准确率。     

基于支持向量机的机械故障智能分类研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一，支持向量机（SVM)是一种基于统计学习理论(SLT)的机器学习算法，它能在训练样本很少的情况下达到很好的分类效果，从而为故障诊断技术向智能化发展提供了新的途径．本文介绍了支持向量机分类算法，以滚动轴承的故障分类为例，探讨了该算法在故障诊断领域中的应用，并与BP神经网络分类方法进行了对比研究，结果表明，SVM方法在少样本情况下的分类效果优于BP神经网络分类方法．