汽车主动悬架传感器故障检测与隔离研究

针对汽车主动悬架(Active Suspension System,ASS)传感器卡死、增益变化、恒偏差常见故障,提出一种故障检测与隔离方法(Fault Detection and Isolation,FDI)。建立主动悬架4自由度半车模型和传感器故障时故障悬架模型,在利用故障检测滤波器获得主动悬架输出残差的基础上,设计故障检测指标,计算故障检测指标实时值并于阈值比较,实现传感器故障定量化检测。利用Kalman滤波器组获得主动悬架状态估计信息,选取合适二级决策变量构造故障隔离决策函数,根据决策函数对故障响应敏感情况隔离故障传感器。Matlab/Simulink仿真实验结果与分析表明:故障检测指标实时值大于等于阈值0.5时,可定量化检测出主动悬架传感器故障;同时,相对其他二级决策变量出现明显大幅跳跃性波动的二级决策变量,对应传感器被隔离为故障传感器。该方法能有效实现汽车主动悬架传感器故障检测与隔离,优化悬架设计,提高车辆控制可靠性和使用安全性。     

基于UKF的水下航行器IMU故障检测与诊断方法研究

惯性测量单元（IMU）作为水下航行器导航系统关键传感器,其可靠性直接影响航行器的导航性能。为了提高IMU的容错能力,本文提出一种基于无迹卡尔曼滤波（UKF）算法的IMU故障诊断技术。首先根据水下航行器的动力学方程和导航系统特点,建立描述IMU故障与导航状态量关系的解析模型;接着基于UKF非线性滤波的特点,进行导航滤波解算,基于此,提出了解耦矩阵法以实现IMU的故障检测;并且根据无迹卡尔曼滤波器新息正交原理,提出了实时估计IMU故障的方法,从而完成水下航行器IMU故障的在线检测与诊断。最后,通过实际航行数据验证了所提出算法的有效性。     

基于动态奇偶空间法的传感器故障诊断

针对线性动态系统传感器组中多次续发故障的诊断问题,提出一种时间窗口动态调整的奇偶空间方法.基于系统中传感器组测量输出的时间序列之间的内在一致性,定义了时间窗口的最小宽度和传感器冗余度指标,并给出了构造优化奇偶矩阵的方法.根据当前时间窗口宽度值,动态设定残差的连续超限次数和故障检测的阈值,实现对系统的传感器故障进行检测、定位和隔离.最后以F-16战斗机俯仰通道动力学模型为例进行数值仿真,试验结果证明了该方法对传感器组多次故障的诊断和隔离有较好的效果.     

导航系统故障检测与诊断技术综述

导航系统的故障检测与诊断技术受到理论界的广泛重视,总结了国内外应用于导航系统的故障检测与诊断方法:基于硬件冗余方法、基于χ2检验方法、基于奇偶空间方法、基于小波变换方法、基于神经网络方法、基于联邦滤波器方法和一些其他方法.讨论了导航系统的故障检测与诊断发展趋势.     

空调系统中传感器故障检测与诊断方法的研究

提出了空调系统传感器故障检测，故障识别、故障重构的主成分分析方法。主成分分析法将测量空间分为主成分子空间和残差子空间。SPE指数和SVI指标分别用来检测和识别故障，沿着故障方向，测量数据逐步逼近主成分子空间可以实现数据的重构，通过对空调监测系统的传感器故障检测与诊断结果展示出PCA方法具有良好的故障检测，识别和重构建能力。     

一种基于状态X2检验的Fuzzy ART神经网络故障检测方法

对于高阶复杂的动态系统,实时故障检测与隔离对保证和提高系统的精度和可靠性尤为重要本文将状态X2检验和Fuzzy ART神经网络相结合,提出一种新的动态系统故障检测方法.该方法通过实时监测动态系统的状态分量,不仅能实时地确定动态系统量测值的有效性,而且能将故障的特征值提取出来,并利用Fuzzy ART神经网络实时确定故障的类别,从而实现动态系统的故障定位与隔离.将该方法应用于INS/GPS组合系统的故障检测中,仿真结果证明这种方法效果很好     

捷联惯导可靠性的奇偶向量方法

本文用奇偶向量讨论了捷联惯导的可靠性,建立了奇偶方程,进而利用假设检验求取故障检测的决策函数和隔离函数.研究了用卡尔曼滤波方法估计动态测量等项误差,用误差估计补偿奇偶向量,从而实现用常值门限进行故障检测和故障隔离.对六个单自由度陀螺组成的捷联余度系统的数字仿真表明该方法是有效的.     

基于动态主元分析法的传感器故障检测

提出了一种基于动态主元分析的传感器故障检测方法.利用数据矩阵前t时刻和当前时刻的数据,建立多变量多时刻的自回归统计模型.计算主元数据矩阵,建立动态主元模型.以测量速度最慢的传感器的测量周期为统一采样周期,4个连续采样周期为一个诊断周期,建立动态三维测量矩阵,采用残差的平方预报误差的指数加权移动平均(Squared prediction error-Exponentially weighted moving average,SPE-EWMA)模型检测传感器故障.在只存在传感器故障的前提下,模拟发动机开车过程中几种典型的渐变性故障和突变性故障,实验结果表明,算法实时跟踪了各种检测指标的变化,准确检测出故障传感器.     

基于DPCA方法的传感器故障检测与诊断

针对多传感器的相关时序测量数据,在假设只存在传感器故障的前提下,提出了一种基于动态主成分分析（DPCA）的传感器故障检测方法。根据测量数据建立传感器的DPCA模型,在该模型基础上利用T2和SPE统计量进行传感器的故障检测。同时,将基于主成分分析（PCA）模型的传感器有效度指标SVI推广应用于DPCA模型中。通过对污水处理系统中重要传感器的故障诊断仿真实验表明：该方法能有效地检测和识别出故障传感器。     

最优鲁棒解析余度设计方案研究

利用广义特征结构理论求解最优鲁棒性能指标,来获得奇偶向量.采用了非线性滤 波估计传感器的误差,再补偿奇偶向量,实现了用常值门限进行故障检测;提出了均值检验法 (MVT)分离故障的最优性能指标,由此求解分离故障的检测量,并用于冗余捷联惯导系统的 故障检测与分离.     

微小型MEMS惯性导航系统的六陀螺余度配置实现

针对典型的非正交配置方案(六传感器正十二面体),进行了工程实现。并将余度系统和小型导航计算机相连,搭建成完整的微小型余度捷联惯性导航系统。研究了系统的故障检测、隔离以及系统的重构技术,并将直接比较测量法和最小二乘加权法分别作为故障检测和系统重构工程实现方案,实现了余度系统中IMU数据的采集、故障检测、识别、隔离、系统重构、解算导航参数等一系列功能。     

一种改进的马氏距离相对变换主元分析方法及其故障检测应用

目前, 主元分析方法(PCA)在数据处理、模式识别、过程监测等领域得到了越来越广泛的应用, 但仍存在部分关键问题亟待解决. 本文为了提高PCA方法的故障检测性能, 进行了一系列的改进, 首先, 本文引入相对变换的概念, 使用马氏距离相对变换直接消除量纲, 通过理论推导证明了马氏距离相对变换可以对数据不进行标准化直接进行数据变换, 而且给出了在相对空间内数据进行PCA变换的合理解释, 表明了基于马氏距离相对变换的PCA故障检测方法可以有效的消除变量量纲对数据的影响, 提高数据的可分性. 其次, 改进了SPE监控指标, 提出一种基于马氏距离的平方预测误差指标, 更有效地实现对工业过程的故障检测. 最后, 将两种改进方法相结合, 提出改进的马氏距离相对变换PCA故障检测方法, 并以轧钢过程活套系统为背景, 实际数据仿真结果表明: 与PCA以及其它改进方法相比, 本文提出的方法具有更好的故障检测性能和实时性, 能准确、有效地检测出活套故障.     

基于SVR 的惯性/卫星组合导航系统故障诊断方法

在惯性/卫星组合导航系统中, 针对传统X² 检验法检测出故障但无法准确识别故障子系统的不足, 提出一种基于支持向量回归的故障诊断方法. 采用残差X² 检验法实时对组合导航系统进行故障检测, 并构建基于支持向量机的回归预测模型, 实现对惯性导航系统状态的预测; 根据系统模型输出和预测模型输出之差辅助进行惯性导航系统的故障判别, 诊断出系统故障源. 仿真结果表明, 所提出的方法能够快速准确地识别故障子系统, 并进行有效的系统隔离和重构, 从而使组合导航系统的性能得到保障.

     

基于改进灰色预测模型的半球谐振陀螺在线故障检测

针对基于半球谐振陀螺的导航系统故障检测的实时性要求高、数据变化缓慢等特点,提出了一种改进型的灰色预测模型,将移动窗口初值优化的灰色预测模型和最小二乘结合,对该类惯性传感器的故障进行实时在线检测.对处置优化的灰色预测模型的残差信号进行建模,提高了预测的精度,从而实现了利用少量的历史数据对下一时刻数据的准确预测,达到对半球谐振陀螺实时故障检测的目的.详细描述了改进型灰色预测模型的建模方法和步骤,并针对半球谐振陀螺的3种故障形式,与普通灰色预测方法进行了对比仿真研究.结果表明该方法可以准确、有效地进行在线故障检测.     

基于PCA多变量统计的故障检测与诊断

主元分析(PCA)是一种能够对过程生产进行监测和质量控制的有效方法,在保证数据信息丢失最少的情况下,大大降低了原始数据空间的维数。为了更好地进行故障检测与诊断,介绍了基于PCA多变量统计的故障检测与诊断,给出了广泛应用在多变量统计过程上的T2和Q(或SPE)统计量。利用PCA分析建模可以消除变量间的非线性关联,降低噪声影响。用田纳西-伊斯曼过程TEP(Tennessee-Eastman Process)平台产生仿真数据,并利用Matlab软件建立故障检测与诊断模型。通过T2和Q(或SPE)统计量与其阈值的判断,进行对系统的故障检测与诊断。实验表明,基于PCA的故障诊断方法能够对过程的非正常变化做出反应,也能较正确地找出发生故障的原因以及相应环节。     

基于局部熵双子空间的多模态过程故障检测

为了提高非高斯工业过程的检测性能, 提出局部熵双子空间(LEDS)的多模态过程故障检测方法. 运用局部 概率密度估计构建数据的局部熵矩阵, 消除数据的多模态特性. 用Kolmogorov-Smirnov (KS)检验局部熵数据中变 量的正态分布特性, 对高斯分布和非高斯分布的数据分别建立基于PCA的高斯子空间和ICA的非高斯子空间故障 检测模型. 利用Bayesian决策将检测结果转化成发生故障概率的形式, 将检测结果组合成最终的统计信息, 进行故 障检测. 将该方法应用于数值例子和田纳西–伊斯曼多模态过程, 仿真结果表明, 该方法在误报率较低的情况下, 故 障检测率最高, 优于PCA、局部熵PCA(LEPCA)和局部熵ICA(LEICA)方法.     

BP神经网络辅助的缓变故障双阈值检测法

针对传统$\chi ^2$检测法对惯性/卫星组合导航缓变故障检测效率不高的问题,提出一种基于BP神经网络辅助的缓变故障双阈值检测法.基于BP神经网络建立位置与速度子预测器,实现对卫星导航量测数据的预测,在此基础上根据预测精度提出双阈值的低检测门限,辅助残差chi^2检测法进行故障检测与系统重构.仿真结果表明,对于缓变故障,所提出方法能有效提高故障期间滤波精度、降低漏警率以及组合导航的可靠性.     

基于多尺度核主元分析的非线性过程监控方法研究

针对化工过程数据的多尺度性和非线性特性,提出了一种多尺度核主元分析方法(MSKPCA)监控过程的运行状态。使用小波变换在不同尺度下分解测量信号．然后借助于核函数对分解后的数据进行非线性变换,在变换后的线性空间中用主元分析(PCA)提取过程数据的主要特征,构造监控统计量T2和Q来检测故障。在此基础上,提出了一种贡献图方法．计算过程变量对故障的贡献量,用于故障变量的分离。在TE过程上的监控结果表明,MSKPCA可以比PCA和动态PCA更迅速地检测到过程故障,贡献图方法能够正确地分离故障变量。     

An edge detection framework conjoining with IMU data for assisting indoor navigation of visually impaired persons

Smartphone applications based on object detection techniques have recently been proposed to assist visually impaired persons with navigating indoor environments. In the smartphone, digital cameras are installed to detect objects which are important for navigation. Prior to detect the interested objects from images, edges on the objects have to be identified. Object edges are difficult to be detected accurately as the image is contaminated by strong image blur which is caused by camera movement. Although deblurring algorithms can be used to filter blur noise, they are computationally expensive and not suitable for real-time implementation. Also edge detection algorithms are mostly developed for stationary images without serious blur. In this paper, a modified sigmoid function (MSF) framework based on inertial measurement unit (IMU) is proposed to mitigate these problems. The IMU estimates blur levels to adapt the MSF which is computationally simple. When the camera is moving, the topological structure of the MSF is estimated continuously in order to improve effectiveness of edge detections. The performance of the MSF framework is evaluated by detecting object edges on video sequences associated with IMU data. The MSF framework is benchmarked against existing edge detection techniques and results show that it can obtain comparably lower errors. It is further shown that the computation time is significantly decreased compared to using techniques that deploy deblurring algorithms, thus making our proposed technique a strong candidate for reliable real-time navigation.