基于FPGA的传感器故障诊断算法研究与实现

对于目前传感器设备故障诊断方法在诊断过程中会导致实际生产中弱故障诊断不灵敏,无法有效识别故障,并且充分考虑实际生产过程中的特点,提出基于FPGA的传感器故障诊断算法设计。在不同残差空间中分析故障,使系统对于弱故障诊断的精准性得到提高。使用迭代算法对主元分析算法模型进行更新,利用残差空间平方加权预测误差变量的重构对故障进行确定,从而对传感器故障进行在线诊断。最后,通过企业实际数据实现此方法的在线故障诊断实验。实验结果表明,此种方法能够有效诊断传感器设备故障。     

基于网格结构无线传感网络故障诊断算法

无线传感网中节点的数据信息具有空间相关性,可以通过邻居节点数据的比较来完成网络的故障诊断。网络中有时会出现瞬时故障,影响网络的诊断精确度。文中提出了一种基于网格结构的无线传感网络故障诊断算法,算法通过相邻节点历史数据信息之间的比较来确定节点最终状态,有效地避免了瞬时故障对节点诊断的影响。仿真结果表明,文中算法可保证较高地诊断精确度并能节省一定的能量。     

光电雷达电子部件的量子神经网络故障诊断算法

针对电路故障诊断时,故障模式之间存在交叉数据的模式识别问题,将多层激励函数的量子神经网络引入多传感器信息融合之中,提出一种基于量子神经网络的多传感器信息融合集成电路故障诊断算法.并将其应用到光电雷达电子设备故障诊断中,通过测试电子电路中被诊断元件的工作温度和工作电压两个物理量,求出两传感器对各待诊断元件的故障隶属度,利用多层激励函数的量子神经网络进行信息融合,得到融合的各待诊断元件的故障隶属度,从而确定故障元件,提高故障诊断的准确率.     

基于深度动态贝叶斯网络的服务功能链故障诊断算法

针对5G端到端网络切片场景下底层物理节点出现故障会导致运行在其上的多条服务功能链出现性能异常的问题,该文提出一种基于深度动态贝叶斯网络(DDBN)的服务功能链故障诊断算法。首先根据网络虚拟化环境下故障的多层传播关系,构建故障与症状的依赖图模型,并采用在物理节点监测其上多个虚拟网络功能相关性能数据的方式收集症状。其次,考虑到基于软件定义网络(SDN)和网络功能虚拟化(NFV)的架构下网络症状观测数据的多样性以及物理节点和虚拟网络功能的空间相关性,引入深度信念网络对观测数据特征进行提取,使用加入动量项的自适应学习率算法对模型进行微调以加快收敛速度。最后,利用故障传播的时间相关性,引入动态贝叶斯网络对故障根源进行实时诊断。仿真结果表明,该算法能够有效地诊断故障根源且具有良好的诊断准确度。     

铁路信号设备故障诊断方法研究

针对当前现有故障诊断方法在对铁路信号设备故障检索时存在诊断结果准确率低的问题,开展铁路信号设备故障诊断方法研究。引入TF-IDF文本特征表示方法,描述铁路信号设备故障文本特征数据;通过采样算法,对故障文本不平衡数据处理;建立包含特征层、类型层和原因层的铁路信号设备故障诊断模型,并对模型迭代训练;最后,明确铁路信号设备一级故障和二级故障类型,实现故障诊断。通过实例分析证明,新的诊断方法在实际应用中诊断结果更符合实际,可为铁路信号设备稳定运营提供可靠依据。     

基于SVM与改进D-S理论电路板故障诊断算法

为了解决传统电路板故障诊断方法耗时长、难度大、准确度不高的问题,该文充分利用不同检测设备提供的电路板故障特征信息,提出基于支持向量机(SVM)与改进D-S证据理论相结合的电路板故障诊断算法。首先,将各证据体提供的故障数据输入SVM诊断模块,获取该证据体对各个故障模式的可靠度与加权系数;其次,利用"一对一"SVM多分类方法构造证据体对各个故障模式的基本概率分配;最后,对基本概率分配进行加权处理,完成基于D-S理论的多信息融合,获得故障诊断结果。实验结果表明,所提算法可以有效降低各证据体对诊断结论的冲突,增强正确诊断结果的信度,显著提高故障诊断准确率。     

一种模拟电路故障诊断方法研究

将LSSVM算法应用于模拟电路故障诊断模型,使用PSO算法对LSSVM算法的参数进行寻优。以带通滤波器电路和双二次高通滤波器电路的故障诊断实例对该文研究的模拟电路故障诊断方法进行验证。使用三层小波包分解输出电压信号,得到8个频带能量特征向量,通过Monte Carlo仿真得到数据样本,用于故障诊断模型的训练和测试。结果表明,该文使用的改进LSSVM算法构建的故障诊断模型针对8种故障的诊断准确率均高于95%,具有较好的故障诊断性能。     

动态广义主成分分析及其在故障子空间建模中的应用

针对传统故障子空间建模方法未考虑故障数据中同时包含正常工况信息和故障工况信息的实际情况,或未考虑故障数据中的动态因素而导致的对故障子空间提取不够准确的问题,提出了一种动态广义主成分分析方法。通过将带延迟的输入数据进行空间重组,采用广义主成分分析方法提取正常工况和各故障工况之间的动态特征信息,实现对故障子空间的准确建模,并进一步建立故障库实现故障诊断。仿真结果表明,所提方法能够准确提取动态过程的故障子空间,并可用于动态工业过程的故障诊断。     

一种基于数据变化率的预处理及主元分析故障诊断方法

基于深度学习的方法解决微小故障已经取得了很大的进展和很好的效果,但是前提要有充足的样本数据,在现有的情况下却难以实现.所以基于传统的数据预处理的故障诊断方法仍然有很好的必要性和现实性.主元分析(Principal Component Analysis,PCA)被广泛应用在故障诊断中,由于传统的数据预处理方法各有优势和不足,造成特征提取不准确,为此该文提出了一种基于数据变化率(Rate Of Change,ROC)的数据预处理方法以提高PCA在故障诊断中的性能指标.通过变化率变换对原始数据集预处理后,能够有效地检测系统变量中的微小故障.最后,通过仿真验证基于数据变化率的PCA故障诊断方法的可行性和有效性.     

基于PMC模型的条件故障诊断

系统级故障诊断是保证复杂多处理器系统可靠性的一种重要的手段,PMC模型是一种重要的系统级故障诊断模型.本文通过对PMC模型的t条件可诊断性进行分析和论证,首次给出了互测PMC模型的t条件可诊断的充要条件.并通过构建条件故障模式方程组,然后利用自然连接和笛卡尔积等关系代数对条件故障模式方程组进行求解,进而首创了一种便捷的条件故障模式算法.本文最后根据互测PMC模型的t条件可诊断的充要条件进一步给出了一种新型的t条件可诊断判定算法,该算法简单有效.     

基于特征结构配置的飞控系统故障检测与诊断

针对具有未知扰动输入的飞行控制系统,运用特征值配置设计了一种用于故障检测和诊断的观测器,他通过对观测器进行左特征向量的配置使得残差与干扰分布方向正交,故障检验残差r与未知输入干扰d之间的传递函数阵为零,从而使残差与干扰直接解耦.通过这种方法,残差信号得以对干扰具有鲁棒性,使FDI算法不受系统不确定性干扰的影响,提高系统故障诊断的可靠性和精度.同时通过残差信号估计故障,能在线辨识故障的形态,仿真结果验证了该方法的有效性.     

多源导航系统软、硬故障检测新方法研究

故障检测和隔离对提高无人机的导航精度和可靠性有重要意义.针对残差卡方算法对小值软故障灵敏度差,改进序贯概率比(SPRT)算法无法判断故障结束时间的缺陷,提出了一种联合故障检测算法.该算法依靠残差卡方算法判断故障结束时间,从而及时对改进SPRT算法检测值进行修正,使改进SPRT算法能继续检测非第一次故障.改进SPRT算法对故障的灵敏度高,且残差卡方算法能准确判别故障结束时间.仿真结果表明,该综合算法对小值软故障、大值阶跃故障都有很好的检测效果,有效提高了系统的故障检测能力及灵敏度,增强了组合导航系统的可靠性.     

一种基于二叉树的测控设备故障诊断方法

针对传统故障树知识规则存储和诊断推理算法不易实现的问题,提出了一种基于二叉树的故障诊断方法。首先,通过对故障树与二叉树转换规则与方法的分析,直接构建出测控设备故障二叉树集;然后,利用二叉树节点左右编码值来定位该节点的方法,建立故障诊断规则库;最后,采用遍历诊断规则库的搜索算法实现对故障定位。在测控设备中的应用表明,该方法能够方便地建立诊断规则库,准确定位设备故障,可有效提高设备故障诊断效率。     

基于小波神经网络的三相整流电路的故障诊断

应用带动量项和自适应学习率的小波神经网络解决了应用神经网络诊断三相整流电路时收敛速度慢,搜索空间局部极小,易引起振荡等问题。首先根据不同晶闸管的故障输出波形的不同,使用Multisim软件对三相整流电路的故障进行仿真模拟,然后用波形采集数据制作的样本对网络进行训练,最后训练好的网络可用于故障诊断。仿真表明,提出的方法比现有方法的收敛速度快,诊断误差小。     

样本空间基于多级高维特征表示的微小故障诊断

传统主元分析（Principal Component Analysis,PCA）、相对主元分析等多元统计法基于阈值诊断故障,由于是原空间等价表示,并未增加任何信息量,使得微小故障难以诊断;且降维分成主元空间和残差空间,微小信息得不到充分表示.深度学习在模式识别方面有成功的应用,深度学习多层次网络对细节进行线性组合表示,但不具备可解释性,仅有训练结果无理论依据,机理分析困难.本文提出一种将主元分析思想与深度学习思想结合的故障诊断方法,在原PCA基础上先扩维再降维,使得原始空间中不能表达的信息充分表达,且具备可解释性.理论和仿真实验分析表明,本文方法能判断出传统PCA无法检测的微小故障,提高了故障检测的检出率,且具备可解释性.     

Fault detection and diagnosis method for heterogeneous wireless network based on GAN

Aiming at the problem that in the process of network fault detection and diagnosis,how to train the precise fault diagnosis and detection model based on small data volume,a fault diagnosis and detection algorithm based on generative adversarial networks (GAN) for heterogeneous wireless networks was proposed.Firstly,the common network fault sources in heterogeneous wireless network environment was analyzed,and a large number of reliable data sets was obtained based on a small amount of network fault samples through GAN algorithm.Then,the extreme gradient boosting (XGBoost) algorithm was used to select the optimal feature combination of input parameters in the fault detection stage and completed fault diagnosis and detection based on these data.Simulation results show that the algorithm can achieve more accurate and efficient fault detection and diagnosis for heterogeneous wireless networks,with an accuracy of 98.18%.     

An Effective Test and Diagnosis Algorithm for Dual‐Port Memories

This paper proposes a test algorithm that can detect and diagnose all the faults occurring in dual‐port memories that can be accessed simultaneously through two ports. In this paper, we develop a new diagnosis algorithm that classifies faults in detail when they are detected while the test process is being developed. The algorithm is particularly efficient because it uses information that can be obtained by test results as well as results using an additional diagnosis pattern. The algorithm can also diagnose various fault models for dual‐port memories.     

Distributed Test Pattern Generation for Stuck-At Faults in Sequential Circuits

Automatic test pattern generation (ATPG) remains one of themost complex CAD tasks. Therefore, numerous methods were proposed tospeed up ATPG by using parallelism. In this paper, we focus onparallelizing ATPG for stuck-at faults in sequential circuits bycombining fault and search space parallelism. Fault parallelism isapplied to so-called easy-to-detect faults. The main task of thisapproach is to find a best-suited partitioning of the fault list,based on dependencies between faults. For hard-to-detect faultsleft by fault parallelism, search space partitioning is applied,integrating depth-first and breadth-first search. Since a smalltest set size is mandatory for a cheap test and fault parallelismincreases the number of test patterns, test set compaction is donein a post-processing phase. Results show that our approach is notonly capable of achieving potentially superlinear speedups, but alsoimproves test set quality. The parallel environment we use consistsof a network of 100 workstations connected via ethernet.     

应用数据融合实现电子电路的故障诊断

在电路故障诊断中,可通过直流分析、交流分析和灵敏度分析等方法,对电路的故障进行诊断.但由于不同的诊断方法对不同的故障敏感度不同,使得每种方法都带有局限性.为此,本文提出了采用数据融合进行电路故障诊断的新方法,介绍了D-S证据理论算法在电路故障诊断中的应用,给出了具体算法和仿真实例.理论分析和仿真结果表明,将数据融合技术用于电路的故障诊断是可行的.不同的诊断方法提供的信息经多次融合、反复抽取有用信息后,大大降低了判断的盲目性,提高了电路故障诊断的准确性.     

A fault simulation method: Parallel pattern critical path tracing

We present a fast fault simulation algorithm for combinational circuits which combines parallel pattern evaluation and critical path tracing. When the number of faults is large, our algorithm exploits the full advantages of critical path tracing. As fault dropping progresses, the overhead for critical path tracing surpasses its advantages. On the other hand, the efficiency of Parallel Pattern Single Fault Propagation (PPSFP) increases rapidly since relatively few undetected faults remain, and they tend to be inactive. To avoid the overhead of critical path tracing and achieve the advantages of PPSFP, dynamic update of node classes is used to produce a smooth transition from critical path tracing to PPSFP. By using this approach, we get high performance for both small and large numbers of test patterns. Also, preprocessing related to structure analysis is avoided while achieving almost all of its advantages.This work was supported in part by National Science Foundation grant MIP-9003292.