基于加权HMM的车辆电源系统状态预测

针对车辆电源系统状态趋势问题,提出了一种加权隐马尔可夫模型的状态预测方法。通过建立电源系统的隐马尔可夫模型,利用加权预测思想对隐马尔可夫模型中隐状态序列进行预测,将最大概率隐状态利用观测概率密度计算出状态观测值。通过对电压调节脉宽信号的导通率进行预测,并与BP神经网络和自回归（AR）模型对相同序列的预测结果进行对比,结果表明该方法对系统的状态变化具有较好的预测能力。     

飞机电源多Agent预测与健康管理系统研究

针对复杂多任务的飞机电源预测与健康管理的需求,以状态维护开放系统体系结构OSA-CBM模型为标准架构,提出一种基于多Agent 的飞机电源故障预测与健康管理系统体系结构模型。结合原型系统开发实例,详细阐述了各Agent 的功能及相互关系。采用AUML 技术构建基于多Agent 的AEPHM系统模型,通过AUML 协议图描述了Agent 之间的主要交互活动。实践表明,该体系结构为航空机载设备预测与健康管理系统建设提供了一种新的设计开发模式。     

基于故障树和神经网络的飞机电源系统故障诊断

介绍了基于故障树模型的故障诊断技术和基于神经网络的故障诊断技术,提出了基于故障树和神经网络的集成故障诊断思想。在此基础上,以交流发电机旋转整流器二极管开路故障为例进行了实例分析,说明了故障树和神经网络集成故障诊断技术对此故障的诊断,结果表明该方法用于解决此类问题是有效的。     

某种车辆电源系统故障诊断方法研究

通过分析车辆电源系统的信号特征,提出了基于小波包与隐马尔可夫相结合的故障诊断方法。利用小波包分解提取电源系统各种状态下的信号特征,基于模拟退火思想改进K均值算法选取HMM初值,用特征向量训练连续HMM,再用训练好的HMM进行电源系统的状态监测与故障诊断,实验结果表明用少量样本就能取得很好的诊断效果。     

基于加速退化试验的发射电源关键参数趋势预测研究

雷达发射电源作为雷达最重要的组成部件,其稳定性与质量高低直接影响整个雷达设备运行的可靠性与性能指标的实现,同时电源需要连续运行,还要承受高、低温及高湿、冲击等考验,运行中不允许检修或者只能进行简单的维护,因此探究发射电源的性能退化规律,并对其进行有效的预测十分有必要;通过详细分析发射电源失效机理,并开展发射电源性能退化试验,并对各试验数据进行有效的分析,探究电源各监测参数相关关系,建立电源各关键参数退化模型,从而实现对发射电源的故障预测或者关键参数的趋势预测。     

基于DFT的飞机电源网络化故障诊断方法

针对目前飞机恒速恒频交流(CSCF-AC)电源系统故障诊断方法中存在的虚警率高、信息不能共享等问题,提出一种基于动态故障树(DFT)的CSCF-AC电源系统网络化故障诊断方法。通过在普通布尔算子中引入BEFORE算子,对CSCF-AC电源系统动态故障树进行定性分析,得到系统的失效模式,在此基础上建立一个包括机内自检、地面诊断和远程专家诊断在内具有三层结构的网络化故障诊断系统。实验结果表明,该方法有效可靠,具有一定的工程实用性。     

装甲车辆电源系统智能故障诊断方法研究

针对电源系统建模复杂的问题,通过Matlab/simulink建立装甲车辆电源系统仿真模型,应用小波包能量法提取电源系统在各种状态下电压及电流信号的能量特征向量,并将其作为故障分类器的输入向量;结合SOM神经网络无监督聚类和BP网络有监督学习的能力,构建两层的故障分类器对各种故障状态进行识别和诊断;以车辆电源系统中整流桥故障为例进行仿真分析,结果表明该方法具有快速准确的故障诊断能力。     

防空导弹电源故障诊断系统的设计与实现

针对某防空导弹电源系统故障复杂的现状,设计了防空导弹电源故障诊断系统.介绍了系统的主要设计思想,给出了硬件结构与软件流程.该系统已投入实际应用,并取得了良好的效果.     

基于BP神经网络的装甲车辆电源系统故障诊断方法研究

为实现装甲车辆电源系统故障诊断的智能化,在Simulink中建立爪极同步发电机数学模型和桥式不可控整流电路来构建装甲车辆电源系统基础模型,通过设置各类故障,采集不同的电压故障波形中的数据并进行归一化处理;在Matlab中编写、运行BP神经网络训练程序,得到网络模型,并取测试样本进行验证;结果证明了该训练后的神经网络的正确性,表明了BP神经网络在装甲车辆电源系统故障诊断中具有可行性,达到了对整流器故障诊断的目的。     

故障树分析法在装甲车辆电源系统故障诊断中的应用

为了能够准确地进行装甲车辆电源系统的故障诊断,深入地研究了故障树分析法在其中的应用;首先,以某型装甲车辆电源系统为研究对象,根据系统失效模型和故障机理,将故障树分析法运用于装甲车辆电源系统故障诊断中,建立电源系统故障树模型,进行故障分析与诊断;其次利用电源系统故障诊断平台对电源系统4个模块进行故障模拟仿真研究,可看出故障树分析法能够准确地诊断出电源系统各个模块的故障,检测精度可达94%,取得了预期效果。     

基于贝叶斯网络的车辆电源系统故障诊断方法

针对车辆电源系统测试点少且测试数据不完备的问题,提出一种多信号流图模型和贝叶斯网络相结合的故障诊断方法。利用多信号流图模型建立电源系统的故障诊断模型,得到系统故障源与测试信号对应的故障依赖矩阵,在此基础上,建立用于故障诊断的贝叶斯网络结构,根据历史数据完成网络的参数学习,并以故障后验概率最大为准则,实现电源系统的故障诊断。仿真实验验证了该方法的有效性。     

基于VIF特性分析的电路板故障诊断方法研究

VIF特性曲线,即伏特-安培-频率特性曲线。分立元件或集成芯片是电路板故障的最小可隔离单元,元器件的损坏或特性改变是电路板故障的最根本原因。针对元件参数获取的问题,采用基于VIF特性分析的方法,对常见元器件进行了分析,并模拟了常见的故障模式,分析其VIF特性曲线特征,总结了各类组合元件曲线变化规律,针对某型灭火抑爆系统电路板的容性故障和感性故障进行了诊断,效果显著。     

基于IABODE算法求解电网故障诊断解析模型

电网故障诊断在电力系统运行中起着至关重要的作用。为了在故障发生后快速准确地诊断出故障区域,本文提出了一种改进的自适应二进制算子差分进化算法（improved adaptive binary differential evolutionary, IABODE）。该算法通过直接以二进制编码个体,避免了浮点数到二进制数的转换过程,同时设计了二进制和成对变换算子,并采用自适应参数调节来提高算法的搜索性能和种群多样性。通过一个典型的四变电站系统以及一次电网故障案例测试改进的电网故障诊断模型,从准确性、速度和收敛性等多个角度对该算法进行了比较分析,结果表明其在解决电网故障问题上优于其他四种流行的元启发式算法。     

基于HMM的电力变压器故障诊断系统软件设计与实现

介绍了一种基于HMM的电力变压器故障诊断系统软件的设计与实现,给出了HMM建模和分类设计的步骤.在该系统中,利用Visual C#和LabVIEW为工具开发上层软件,利用COM技术实现算法的模块化.该系统可及时掌握电力变压器的工作状态和故障征兆及发展趋势,进行超差报警和故障诊断,以保证输变电系统的安全运行.     

基于故障树的专家系统在雷达电源故障诊断中的应用

故障树是故障诊断专家系统问题求解策略的一种重要方法,为了减小知识表示和获取的难度,可将基于故障树的专家系统应用到雷达电源故障诊断中,通过构建和实现某雷达通用电源故障诊断系统,可达到简化和诊断高效的目的。经实例验证,基于故障树的雷达电源故障诊断专家系统,具有较高的诊断效率和准确性。     

基于专家系统的CODOG动力系统实时诊断的研究

讨论了运用专家系统ＣＬＩＰＳ结合高级编程语言Ｖｉｓｕａｌ Ｂａｓｉｃ实现实时故障诊断的一种方法。利用高级语言开发应用程序及专家知识库,并通过调用ＣＬＩＰＳ动态链接库,实现ＣＯＤＯＧ动力系统的状态监测、故障诊断。     

多层免疫故障诊断模型的研究

借鉴生物免疫系统的分层防御机理以及层次间的相互刺激作用,提出了用于网络故障诊断的多层免疫诊断模型。模型采用三层结构,包括固有诊断层、故障传播识别层和适应性诊断层。固有诊断层考虑故障在发生概率上相互独立的已有知识,故障传播识别层采用B细胞免疫网络作为故障定位的故障传播模型,适应性诊断层学习和概括未知故障中发现的模式。多层故障诊断方法既能检测出已知故障,又能检测出未知故障。采用网络故障传播模型及定位算法,能找出最优的测点组合诊断所有的故障,可以减少需测测点的数量。     

基于EMD及改进PSO_BP的电机轴承故障诊断

针对电机轴承故障模式识别和分类问题,提出了采用EMD（Empirical Mode Decomposition）作为振动信号特征提取的方法,并利用改进的粒子群优化（Particle Swarm Optimization,PSO）算法来优化BP神经网络,得到性能优异的分类器,以实现电机轴承的故障模式分类。首先利用EMD将原始电机振动信号分解为8个阶次的IMF(Intrinsic Mode Function)分量,计算每个IMF的能量,并求其占比。分析得到前6阶IMF能量占比在前99%以内,故选取前6阶IMF分量并结合原始振动信号的时域特征参数（峰值因子、波形因子、裕度指标）,得到9维特征参数矩阵。并对获得的特征参数进行主成分分析,以验证特征参数提取的有效性。然后将基于EMD方法的特征参数矩阵作为改进PSO_BP（Particle Swarm Optimization with Back Propagation Neural Network）方法的输入向量,对不同载荷与转速工况下的电机轴承进行故障模式识别。结果表明,基于EMD和改进PSO_BP的方法能够很好地提高电机轴承故障模式识别的准确率。