一种动态环境下的互联网服务故障诊断算法

服务环境中的动态性会对故障诊断算法性能造成影响.为了降低这种影响,分析了服务环境中的动态性,提出多层管理模型建模服务系统:二分贝叶斯网络建立依赖模型和二元对称信道建模噪声.针对故障自动修复机制导致的动态故障集环境,在故障持续时间统计的基础上修正当前窗口内先验故障概率;针对动态模型环境,基于当前窗口内原始模型和观察症状时间建立期望模型.仿真结果显示,算法可以有效地诊断动态环境下的互联网服务故障.     

计算系统自诊断模型与建模方法的研究

自诊断(Self-Diagnostic)技术旨在使计算系统具备在无需人为干涉的情况下监控自身状态、识别并定位故障的能力,是提高计算系统可靠性和可维护性的重要方法;基于有限状态机模型和故障模型,提出了一种新的系统自诊断模型及其建模方法,利用系统关键点检测单元和故障特征向量的方法分别描述系统状态和故障类型,分析不同故障类型间的关联属性并建立相应的故障模型,使得系统能够准确识别自身正/异常状态,对可能出现的故障进行准确识别和定位,在复杂故障环境下同样具备良好的诊断能力;对于提高系统可靠性、建立具备较高自诊断能力的计算系统具有重要意义。     

一种基于数据流分析的故障序列生成方法

故障注入是一种测评容错机制的有效方法,它通过有意识地向目标系统引入故障来加速测试容错机制的试验过程.目前大多数故障注入实验中采用的故障序列都是通过随机抽样获取的,容易造成故障潜伏,从而导致容错机制的评测结果不准确.本文提出一种基于数据流分析的故障序列生成方法.提出<故障注入位置,故障注入时间,故障类型,故障掩码>的单粒子故障模型.在此基础上,通过数据流活跃变量分析计算得出故障注入位置属性,以及定值-引用分析确定了故障注入时间属性.并以PowerPC8548处理器和它对应的Trace模拟器为实验平台,验证了该故障序列生成方法具有90%以上的失效加速比,较好地解决了故障潜伏问题.     

基于Simics的系统级故障注入平台

故障注入技术是评价系统可靠性的有效方法。现有基于仿真的故障注入平台大多基于现场可编程门阵列或超高速集成电路硬件描述语言实现,对故障模型的支持非常有限。为此,基于Simics结构级模拟器,设计并实现系统级硬件故障注入平台。该平台上层支持不同固件、操作系统以及应用程序,底层支持对处理器典型流水部件的故障注入,同时实现瞬时故障、永久故障和间歇故障模型以及其他较全面的故障类型,并将一组系统级故障检测机制集成入平台中。实验通过监测硬件故障在系统级的传播,对比分析了故障对不同部件造成的系统级影响,结果表明,瞬时故障对系统影响较小,永久故障容易引起系统失效,间歇故障对各部件有不同程度的干扰作用。     

一种嵌入式软件逻辑覆盖测试方法研究

针对嵌入式软件测试覆盖率低的问题,提出了基于软件故障注入的逻辑覆盖测试方法,首先就嵌入式系统常用传感器建立故障模式库,设计了嵌入式软件故障注入系统;其次选取中间层作为故障注入点,研究基于VxWorks653嵌入式操作系统的故障注入实现方式,并通过分析故障信号在软件系统中的传播,提出优化测试用例的方法;最后通过实验验证了该方法可有效提高容错设计功能、冗余设计功能、故障检测功能测试的逻辑覆盖率;有助于提高嵌入式软件的可靠性.     

基于RVMD的牵引电机转子初期断条故障监测

针对牵引电机转子初期断条故障监测难的问题,提出一种基于重构变分模态分解(RVMD)的故障监测方法.该方法针对监测信号构造变分问题,求解多个模态函数,通过对模态函数进行叠加重构实现故障监测.结合损伤因子概念对电机转子初期断条故障进行建模,利用所建故障模型实现牵引电机转子初期故障注入,并进行故障监测实验.最后通过实验验证所提出方法的有效性.     

襟翼非对称故障模式建模与仿真研究

针对民用飞机襟翼控制系统设计中系统建模困难和襟翼非对称故障注入问题,依据襟翼控制系统及其机械作动原理,采用Matlab/Simulink平台搭建了襟翼控制系统模型。并基于此模型提出一种襟翼非对称故障注入机制方法,模拟襟翼非对称故障,分析其故障源,并针对左侧襟翼非对称故障情况进行仿真研究。仿真结果表明,所提出的襟翼控制系统模型和故障注入方法有效且实用,能够为后续襟翼非对称故障深入研究建立基础。     

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.     

基于故障注入的仿真测试方法过程框架

在嵌入式系统组成特性和嵌入式软件测试抽象分析基础上,提出了一种基于故障注入的嵌入式软件仿真测试方法.结合故障注入试验过程特点,将故障分析、故障建模和故障注入技术有效地应用于嵌入式软件仿真测试过程中,并对该方法的测试过程框架进行了探讨.     

Internet服务故障管理:分层模型和算法

在基于时间窗口的Internet服务故障管理中,时间窗口大小设置不合适会给算法准确度带来影响.为了降低这种影响,分析了Internet服务故障管理中存在的问题,提出了分层故障管理模型,采用图论技术进行故障诊断,选择二分图作为各层的故障传播模型.提出了基于时间窗口的故障诊断算法--多窗口故障诊断(multi-window fault diagnosis,简称MFD),该算法通过综合考虑相邻时间窗口之间的关联关系,在一定程度上降低了因时间窗口大小设置不合适而给算法准确度带来的影响.仿真结果证明了MFD算法的有效性和效率.     

基于日志数据的分布式软件系统故障诊断综述

基于日志数据的故障诊断指通过智能化手段分析系统运行时产生的日志数据以自动化地发现系统异常、诊断系统故障.随着智能运维（Artificial Intelligence for IT Operations,AIOps）的快速发展,该技术正成为学术界和工业界的研究热点.本文首先总结了基于日志数据的分布式软件系统故障诊断研究框架,然后就日志处理与特征提取、基于日志数据的异常检测、基于日志数据的故障预测和基于日志数据分析的故障根因诊断等关键技术对近年来国内外相关工作进行了深入地分析,最后以本文提出的研究框架为指导总结相关研究工作,并对未来研究可能面临的挑战进行了展望.     

模型未知的离散事件系统故障诊断方法

针对离散事件系统模型难以建立的大型实际系统,无法对其进行有效故障诊断的问题,提出一种基于主动学习的故障诊断方法。首先,为获取到的系统事件日志添加正常/故障标签,并将日志集划分为训练集和测试集,提出一种基于抽象技术的迭代算法提取训练集中日志的故障特征样本。然后,通过故障特征样本构造初始故障识别器,并利用测试集中的日志检验识别器的准确性。仿真结果表明,该故障诊断算法使得模型未知下诊断精度更高。最后,实例说明系统模型未知下故障诊断算法的应用。与现有研究相比,提出的方法可以在系统模型未知下进行故障诊断且算法复杂度为多项式,诊断精度更高,应用范围更加广泛。     

基于信息融合的模拟电路故障的特征提取与融合方法

在模拟电路故障诊断中,故障特征的提取是一个非常重要的环节,其提取结果的好坏将直接影响最终的诊断正确率;对现有文献研究发现,每种特征提取方法单独使用时都有一定的局限性,为了能够更加充分地提取模拟电路故障特征,提出了小波包分析与主元分析并行应用的方法,并将两种方法提取的特征向量依据不同规则进行了三种类型的融合,方便对比实验;为获取最优小波特征,提出了特征偏离度,并以此为标准选择最优小波基;最后,通过设计一种改进的神经网络分类器模型,将融合后的三种特征向量送入其中进行仿真验证,得出最终诊断结果;结果表明,该方法能够有效克服单一特征提取方法提取不充分的缺点,提高故障诊断的正确率,并且融合因子μ适中时诊断正确率最高。     

动态内全潜结构投影的空间扩展故障检测方法

动态内偏最小二乘(DiPLS)方法是基于数据驱动的潜结构投影的动态扩展算法, 用于动态特征提取和关键 性能指标预测. 在大型装备系统中, 传感器采集的当前时刻样本受历史样本的影响且可能包含较大噪声. 在动态特 征提取中, 因DiPLS算法未按降序提取主成分, 导致残差空间仍存在较大变异, 动态和静态信息难以有效分离, 影响 故障检测性能. 为此, 本文提出了一种基于动态内全潜结构投影的故障检测方法(DiTPLS). 首先, 使用动态内偏最小 二乘方法和向量自回归模型建立动态模型并检测故障, 用于捕捉质量相关动态信息; 基于结构化动态主成分分析 算法建立一种改进的动态潜在变量模型, 用于残差分解, 提取质量无关的动态信息和静态信息, 并构造合适的统计 量进行故障检测. 数值仿真和田纳西–伊斯曼过程实验验证了DiTPLS算法的有效性.     

考虑传播过程的应急网络控制系统故障恢复

紧急情况下, 应急网络控制系统为人员提供远程控制能力, 但系统仍存在一定故障率, 且故障影响会利用系统灵活传输机制快速扩散, 因此研究如何在故障快速扩散的情况下对系统实施故障控制, 对保证系统安全运行具有重要意义. 本文提出考虑传播过程的应急网络控制系统故障恢复策略. 首先, 基于复杂网络模型建立故障传播模型, 定义传播路径上的故障强度, 将分析故障信息关键传播过程转化为查找系统最大可能传播路径的问题, 进而在连接边的故障传播属性乘积大于终止条件时, 找到最大概率故障传播路径, 有针对地布置故障检测点; 再根据检测到的故障形式及检测点位置生成故障恢复策略库, 结合系统可调度性和故障恢复效果, 确定最优故障恢复策略. 最后, 以舰船应急火炮控制系统构建案例, 验证方法可行性, 并设置多节点故障, 验证算法鲁棒性, 仿真结果表明, 在不同故障情形下均能制定最优故障恢复策略.     

一种基于深度迁移学习的滚动轴承早期故障在线检测方法

近年来,深度学习技术已在滚动轴承故障检测和诊断领域取得了成功应用,但面对不停机情况下的早期故障在线检测问题,仍存在着早期故障特征表示不充分、误报警率高等不足.为解决上述问题,本文从时序异常检测的角度出发,提出了一种基于深度迁移学习的早期故障在线检测方法.首先,提出一种面向多域迁移的深度自编码网络,通过构建具有改进的最大...     

基于深度极限学习机的模拟电路故障诊断

针对模拟电路故障诊断中特征提取以及模型训练时间较长的难题,采用了一种基于深度极限学习机的模拟电路故障诊断算法。该算法将深度学习中自编码器的思想引入到极限学习机中,构建深度网络,将底层的故障特征转换更加抽象的高级特征,能自主地学习数据特征,避免了繁琐的特征提取和选择。最终通过Sallen-Key和四运放双二次高通滤波2个模拟电路进行仿真研究,实验结果验证了算法在模拟电路故障诊断上的可行性,也表明模型学习速度快、泛化能力好,具有较强的诊断能力,故障诊断分类准确率可以达到100%,诊断时间在0.3 s左右。     

基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.     

基于EMMD和AR奇异值熵的故障特征提取方法研究

提出了一种基于EMMD(extremum field mean mode decomposition)和AR(auto-regressive)奇异值熵的故障特征提取方法。该方法在对故障信号的EMMD分解基础上,选取有限个固有模态函数(IMF,intrinsic mode function)的AR模型参数向量作为故障的初始特征向量矩阵,对初始特征向量矩阵求取奇异值熵,通过奇异值熵的大小表征故障类型。对转子故障数据的分析结果表明该方法能够有效地应用于非线性和非平稳故障信号的特征提取。     

基于知识库与全景图像匹配算法的母线保护装置故障三维分级检测方法

研究了基于知识库与全景图像匹配算法的母线保护装置故障三维分级检测方法,合理检测母线保护装置故障,保障母线保护装置安全稳定运行。将失败案例、故障排除手册等信息作为知识库构建层级的理论依据,设计关系型知识;通过全景图像采集、特征提取与匹配等操作设计三维模型索引知识,构建母线保护装置知识库;在推理机中引入模糊假言推理算法,获取相应的故障诊断结果;在三维可视化层级中使用PHP语言,搭建Web服务器,设计三维可视化后端程序,呈现故障检测的三维可视化结果。实验结果表明：该方法可有效实现母线保护装置故障的三维分级检测,故障检测结果与实际故障状况一致,可更好地满足实际工作需要。