基于神经网络的传感器冗余方法研究􀀁

本文把传感器硬件冗余技术、BP网络以及串并联Elman递归神经网络结合起来,提出了一种新方法用于构造具有传感器故障检测、分离且具有冗余能力的智能传感器系统。这可以减少硬件冗余技术中使用传感器的个数、消除硬件冗余技术中对冗余传感器应具有相同参数特性的要求,同时可以提高系统预报的准确性,仿真结果验证了这一方法的有效性。     

基于神经网络传感器组故障诊断方法研究

对于系统状态检测与故障诊断,传感器自身故障的及早发现很重要。本文提出了一种基于神经网络和冗余率计算的传感器组故障监测与诊断的新方法。该方法先用RBF神经网络对传感器组中的各个输出进行预测,若预测值与输出值发生较大的偏差,可能是传感器故障或设备故障,运用传感器之间的冗余率,进一步判断传感器是否发生故障,进而采用对应的诊断策略。     

航空发动机双冗余架构传感器信息通道故障诊断方法研究

传感器数据的高可靠性是航空发动机控制系统可靠工作的基础,故障诊断就十分重要;基于传感器双冗余结构,综合利用神经网络预测和传感器冗余性信息变化判断进行故障诊断是一种新的故障诊断新方法;该方法先用RBF神经网络对传感器输出进行预测,若预测值与输出值发生较大的偏差,进一步考察传感器之间的冗余性信息变化情况来判断传感器是否发生故障,若发生故障,进行故障定位,进而采用对应的诊断策略;仿真实验结果表明该方法能够有效地解决双冗余架构传感器信息通道的故障诊断问题。     

基于硬件冗余的传感器故障诊断研究

本文研究了硬件冗余的传感器故障诊断方法,设计了故障诊断算法,并通过实验证明了该方法对传感器故障检测具有相当好的定位,大大提高了故障诊断的效率.     

基于联合神经网络的冗余传感器故障诊断和信号重构

本文提出一种基于联合神经网络的传感器故障诊断和信号重构的方法．联合神经网 络的初级神经网络实现冗余信息的压缩，利用冗余信息把故障信息过滤掉，第二级把压缩后 的非故障信息复原，然后通过SPE图来诊断故障．发现故障后利用冗余信息实现信号重构．     

基于神经网络的无人机传感器故障诊断技术研究

无人机传感器的故障诊断和容错控制是一项关键技术,为了能够实时监测传感器的运行状态、快速定位故障和控制重构,文章采用BP神经网络设计了一种由主、从神经网络构成的无人机传感器故障诊断算法,其中主网络用于传感器的故障检测,从网络完成对故障的识别;该算法减少了故障诊断运算量,提高了故障诊断的实时性;通过仿真研究表明了该算法可以有效地检测、识别出故障,并能给出故障传感器估计值用于容错控制.     

基于小波分析的浊度传感器故障诊断研究

由于小波分析具有多分辨率分析的特点,在时域和频域都有表征信号局部信息的能力.提出以小波分析为基础的浊度传感器故障诊断的研究,对信号进行小波变换,求出奇异性和奇异值,从而检测传感器故障发生的时刻和严重情况.仿真实验表明:该法能有效地检测和识别出浊度传感器故障、且具有灵敏性好、故障诊断率高等特点.     

基于模型的传感器故障诊断技术的研究

传感器故障诊断技术的研究对提高系统可靠性具有重要的意义,随着工程应用的需要,基于模型的诊断技术已经成为该领域极为活跃的研究方向。本文给出基于模型的传感器故障诊断技术的一般原理,并基于线性模型给出一类传感器故障诊断方法,可对多传感器故障进行精确定位,最后给出一个二阶系统的算例。本方法具有极大的工程实用价值。     

基于小波变换的传感器故障诊断

传感器故障的诊断是非常重要的。传统的基于快速傅立叶变换的频谱分析有其局限性和缺陷性,为了克服其缺点,运用小波变换的方法。在介绍了小波变换理论的基础上,采用小波变换技术对传感器进行故障检测,快速而较为准确地诊断出传感器故障。仿真实验证明小波变换技术对传感器故障诊断是十分有效的,取得满意的效果。在传感器的故障诊断方面小波变换有良好的应用前景,有力地证明了它在传感器诊断技术中的优越性。     

基于两级神经网络的传感器在线故障诊断技术研究

针对水下航行器控制系统的故障状态,采用BP神经网络设计了一种由主网络和局部网络构成的两级神经网络故障诊断算法,其中主网络用于水下航行器控制系统的故障检测,一旦发现有故障发生,则局部网络完成对故障的识别。通过仿真研究表明该方法可及时完成传感器故障的分离与定位。     

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。     

电感式接近传感器故障自诊断的研究

故障监测与报警是新一代电感式接近传感器的重要特征。对故障的原因进行了分析 ,阐明了实现诊断的方法     

新型解析冗余关系法在传感器故障诊断中的应用

介绍了多容水箱系统所有可能出现的故障类型,并分析了多容水箱系统的结构与特点。利用基于键合图模型的新型解析冗余关系（ARR）方法对多容系统中传感器故障进行了研究。根据键合图理论给出了多容水箱系统键合图模型,通过在系统键合图中加入观测信号和虚拟传感器的方法建立系统的诊断键合,根据诊断键合图模型得到系统的ARR。通过分析诊断键合图的因果关系构建系统的故障特征矩阵。利用20-sim键合图仿真软件对各类故障进行仿真分析,验证了基于键合图模型的新型ARR方法在传感器故障检测与隔离方面的可行性。     

基于NRS与SVM-ELM的瓦斯传感器故障诊断

针对于瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期性传感器输出故障作为研究对象,提出一种基于邻域粗糙集（NRS）和支持向量极端学习机（SVM-ELM）的故障诊断方法。首先对瓦斯传感器的特征属性值进行归一化处理,然后利用NRS信息约简理论降低属性维度,提取出影响瓦斯传感器的关键属性构成约简集。将约简集作为SVM-ELM的输入进行训练,利用训练好的SVM-ELM对测试样本进行模式识别。最后通过实验对比验证该方法具有训练速度快、分类精度高的特点,辨识正确率在95%以上,能够显著提高故障诊断的速度和准确性。     

基于分布式全光纤传感器的电机故障诊断系统研究

构造了全光纤振动传感系统,可用于对发电机组,飞机发动机等大型电机设备的健康状况监测。全光纤振动传感系统由于传感臂是光纤,属于无源器件,不会受到电磁干扰,其检测到的信号完全是由电机振动产生,且监测的灵敏度极高。克服了传统的加速度传感器容易受到电磁干扰导致信号检测出错的缺点。用全光纤振动传感器对电机的振动进行实时的采集,基于LabVIEW平台对振动信号进行实时的频谱分析,很容易判断电机是否工作正常。该检测系统结构简单,振动检测灵敏度高,能够很好地应用于电机健康状况的监测。     

基于极限学习机的航空发动机传感器故障诊断

针对当前应用于航空发动机传感器故障诊断中的基于梯度的传统学习算法多存在参数选择困难、容易陷入局部最小化、过拟合等问题,提出了基于极限学习机(ELM)的航空发动机传感器故障诊断方法。算法只需设置隐含层神经元的个数,能够较好地避免上述问题,缩短故障诊断时间、提升诊断精度。通过仿真试验表明:基于ELM算法所建的航空发动机传感器故障诊断模型要比基于BP神经网络算法所建的模型耗时短且精度高。     

无线传感器网络故障诊断与容错控制研究进展

可靠性和可持续性是无线传感器网络(WSNs)研究的重要问题。从拓扑、能量、监测和安全等角度对WSNs故障诊断和容错控制方法进行详细的归纳和总结。对WSNs故障类型进行了划分,主要分为节点故障和网络故障,根据WSNs体系结构,介绍了节点自诊断、网络诊断和基站诊断3种故障诊断方法,阐述了相关的容错控制技术,包括冗余机制、多路由设计、动态拓扑控制、传输协议优化、数据融合和智能方法。对WSNs容错控制技术目前存在的问题与未来发展趋势进行了探讨。     

基于ELM的航空发动机传感器故障诊断方法研究

为了在嵌入式ARM11平台中更好地实现航空发动机传感器故障监测与诊断,使用极限学习机（ ELM）代替传统的BP网络算法,只需选定隐含层节点数和激活函数,大大减少了BP算法中人为设置大量参数、训练过程慢,并需要不断调整网络参数以及容易陷入局部最优解的缺点。经过仿真验证对比两种算法,验证ELM算法的优越性。并使用C＋＋编程语言将ELM算法转换成航空发动机传感器故障诊断训练学习软件和诊断软件,经最终测试,该算法软件的测试精度良好,满足诊断需求。     

一种有效的传感器故障诊断方法

提出了一种核Fisher特征提取以及模糊模式识别的传感器故障诊断方法。提取传感器信号波形时域特征和频域特征构成初始特征,使用核Fisher方法对初始特征进行非线性变换增强信号特征。然后使用模糊数学方法建立了传感器故障诊断模型,通过使用隶属度函数获取特征向量对各状态的隶属度,运用最大隶属原则对特征向量进行定性分类,判定传感器状态。将该方法应用到FDT/DTM（Field Device Tool/Device Type Manager）设备管理系统中,对NCS4000水循环控制的压力传感器进行故障诊断,数值实验表明该算法具有实效性。     

基于小波包分形的瓦斯传感器故障诊断方法

针对瓦斯传感器的故障诊断问题,提出一种基于小波包分形的瓦斯传感器故障诊断方法。使用3层小波包对故障信号进行分解和重构,获得不同频带的重构信号,计算各个重构信号的分形维度,并构成对应的故障特征向量。以此作为输入向量来训练支持向量机（SVM）,完成故障的诊断。实验结果表明：该方法能有效地提取传感器的故障特征,提高了传感器故障诊断的准确率,可有效地应用于瓦斯传感器的故障诊断。