基于PCA和SDG的传感器故障诊断方法研究及应用

针对传统基于PCA(主元分析)的传感器故障诊断方法缺乏故障推理能力,难以定位故障源的缺点,提出一种PCA与SDG(符号有向图)相结合的传感器故障诊断的方法。此方法分为2步:首先建立系统的SDG模型和PCA模型,使用PCA方法监控所有的过程变量;第二步,当故障发生的时候,通过PCA得到异常变量的状态,根据变量的状态,通过SDG模型进行反向推理,找到可能发生故障的传感器。通过液位控制系统的仿真实验以及在常减压装置(AUDU)故障诊断上的应用,结果表明方法能够及时有效地检测出单个或多个传感器故障,提高了诊断的准确性与分辨率。     

基于核主元分析的非线性动态故障诊断

核主元分析是一种非线性主元分析方法，充分利用核函数来解决非线性映射问题，在高维特征空间中确定主元，具有很好的非线性逼近能力。同时，利用非线性最小二乘法实现核主元分析的变量重构，来识别故障源。将核主元分析应用于连续搅拌釜式反应器系统（CSTR）的故障诊断过程中，仿真结果表明该方法对于故障的检测和故障源的识别都优于线性主元分析法的诊断效果。     

基于支持向量机的ESP系统传感器故障诊断方法

应用支持向量机(SVMs)回归估计方法建立ESP系统的传感器预测模型；将支持向量机模式分类方法应用于传感器的故障分离，用DAGSVM作为残差分类器获得故障结果。研究结果表明将支持向量机应用于ESP系统的传感器故障诊断是有效可行的。     

基于独立元分析的数据重构方法及应用

在工业系统采集数据的过程中，因为种种原因会发生数据遗失的现象。为了更好的对工业过程进行分析评估、优化及监控，往往需要重构遗失的数据。主元分析法（PCA）常用于重构遗失数据，但是由于PCA要求观测数据服从正态分布，而实际工业系统获得的数据往往很难满足条件。因此提出一种基于独立元分析（ICA）的数据重构方法。首先使用在正常运行情况下获得的原始数据建立ICA模型，然后利用相关的监控统计量规则来重构遗失的数据，最后通过在TE过程上的仿真应用，验证了该方法的可行性及与PCA相比较的优越性。     

相对主元分析方法及其在故障检测中的应用

通常情况下利用传统的主元分析方法虽然可以对系统进行故障检测和诊断，但是如果数据标准化以后呈“均匀”分布时，由于很难选取主元，或者选取出主元时没有考虑随机向量分量的物理意义，使得主元没有代表性。在分析了主元分析方法的基础上，我们提出了一种相对主元分析的方法，给出了相对主元的几何意义，同时还提出了相对化变换，分布“均匀”等概念。在处理分布“均匀”数据时，应用新概念和新方法，可有效地克服传统的主元分析（PCA）在数据压缩和故障检测与诊断时的不足。仿真结果验证了算法的有效性。     

SVR在传感器故障诊断中的仿真研究

利用回归型支持向量机(Support vector regression，SVR)，设计了一个传感器故障诊断系统。对SVR采用离线训练，在线应用的方法。使用训练好的SVR模拟系统的动态特性，并将输出结果和实际系统输出相比较，从而生成故障残差。仿真结果表明，SVR能够高精度的模拟系统的动态特性，进而生成较高精度的故障残差，有效地保证了传感器故障诊断的准确性。     

基于粗糙神经网络的航空电子传感器故障诊断

针对航空电子传感器系统是由多个子系统所组成的复杂大系统且很难量测系统输入,传统故障诊断方法难以评估这类系统的问题,提出了一种基于粗糙神经网络的航空传感器故障诊断方法。该方法首先运用Kohonen网络对航空电子传感器测量得到的连续数据进行离散化,然后用粗糙集理论进行知识规则的提取,最后用提取的知识作用于一步预测神经网络,用该网络预测结果与航空电子传感器实际输出进行阈值比较,进而进行故障检测。仿真实验和实际应用表明,该方法可行并能有效地检测传感器故障,且故障诊断率高。     

无先验知识下基于概率主元分析的故障检测方法

基于故障可检测性条件, 提出了概率主元个数选择方法,根据能将所有故障检测出的条件, 确定出主元的个数.但是在有些实际工业过程中, 其故障形式往往不可尽知, 从而无法得出主元的个数, 给监控带来了困难. 为了能够有效地检测出故障,进一步提出一种多概率主元 分析(PPCA)模型的检测方法,首先选择不同的主元个数, 建立PPCA模型, 然后联合这些PPCA 模型进行检测,如果有一个主元模型的指标值超出控制限, 则认为过程出现故障, 从而实现故障检测.     

基于多元统计的卫星姿态控制系统故障诊断

能够对姿态控制系统的故障进行快速准确的诊断是卫星等航天器安全运行的重要保障之一.通过分析卫星姿态控制系统的数据特点,采用主元分析法对敏感器进行故障诊断.经分析,主元分析法不仅能快速检测出故障,还可以辨识出故障类型:并提出利用均值贡献率方法进行故障隔离,减少传统故障隔离法出现的误诊问题.通过对各敏感器典型故障的仿真分析验证了该方法的有效性.     

基于概率神经网络的故障诊断方法及应用

针对智能大厦空调系统中发生的各种传感器故障问题 ,提出了一种基于概率神经网络 (PNN)的传感器故障诊断改进方法。该方法采用贝叶斯分类决策理论建立系统的数学模型 ,以高斯函数作为激励函数 ,具有非线性处理和抗干扰能力强等特点 ,可获得对空调系统中各种传感器硬故障和软故障的有效识别和诊断。给出了该方法的理论分析 ,故障特征量的选取 ,神经网络设置和训练的具体步骤。通过仿真和空调系统模型试验证明了该方法在网络训练速度 ,抗干扰能力及各种传感器故障识别准确率等方面的有效性。     

An Improved Sensor Fault Diagnosis Scheme Based on TA-LSSVM and ECOC-SVM

Monitoring the operational state of sensors promptly and the accurate diagnosis of faults are essential. This paper proposes an improved fault diagnosis scheme for sensors, which includes both fault detection and fault identification. Firstly, trend analysis combined with least squares support vector machine (TA-LSSVM) method is proposed and implemented to detect faults. Secondly, an improved error correcting output coding-support vector machine (ECOC-SVM) based fault identification method is proposed to distinguish different sensor failure modes. To demonstrate the effectiveness of the proposed scheme, experiments are conducted with an MTi-series sensor, and some comparisons are made with other fault identification methods. The experimental results demonstrate that the proposed fault diagnosis scheme offers an essential improvement with detection real-time property and better identification accuracy.     

基于粒子群支持向量机的模拟电路故障诊断

针对传统神经网络技术在模拟电路故障应用中存在的问题,提出了一种基于粒子群算法(particle swarm optimization, PSO)和最小二乘支持向量机(least squares support vector machine, LSSVM)的模拟电路故障诊断的方法。该方法首先利用小波包技术对待诊断电路的可测点信息提取故障特征,然后使用粒子群算法优化支持向量机的结构参数,避免了参数选择的盲目性,提高了模型的诊断精度。在对某滤波电路进行的故障检测中,验证了该方法的可行性。     

空调箱传感器故障在线检测和诊断新方法

针对空调箱的温度、流量等传感器进行固定偏差和漂移故障的检测与诊断,提出了一种基于统计学的方法进行在线的故障检测和诊断。主成分分析法根据系统正常的历史数据建立数理统计模型,通过传感器实际测量数据与正常数据在故障子空间投影的比较,对传感器的故障进行在线检测。联合角度法改进了传统的贡献图的诊断方法,通过对故障库中的故障知识的利用,能够在线的分离出发生故障的传感器。     

Multiobjective fault detection and isolation for flexible air-breathing hypersonic vehicle

An application of the multiobjective fault detection and isolation (FDI) approach to an air-breathing hypersonic vehicle (HSV) longitudinal dynamics subject to disturbances is presented. Maintaining sustainable and safe flight of HSV is a challenging task due to its strong coupling effects, variable operating conditions and possible failures of system components. A common type of system faults for aircraft including HSV is the loss of effectiveness of its actuators and sensors. To detect and isolate multiple actuator/sensor failures, a faulty linear parameter-varying (LPV) model of HSV is derived by converting actuator/system component faults into equivalent sensor faults. Then a bank of LPV FDI observers is designed to track individual fault with minimum error and suppress the effects of disturbances and other fault signals. The simulation results based on the nonlinear flexible HSV model and a nominal LPV controller demonstrate the effectiveness of the fault estimation technique for HSV.     

Sensor fault-tolerant observer applied in satellite attitude control

The observing failure and feedback instability might happen when the partial sensors of a satellite attitude control sys- tem (SACS) go wrong. A fault diagnosis and isolation (FDI) method based on a fault observer is introduced to detect and isolate the fault sensor at first. Based on the FDI result, the object system state-space equation is transformed and divided into a corresponsive triangular canonical form to decouple the normal subsystem from the fault subsystem. And then the KX fault-tolerant observers of the system in different modes are designed and embedded into online monitoring. The outputs of all KX fault-tolerant observers are selected by the control switch process. That can make sense that the SACS is part-observed and in stable when the partial sensors break down. Simulation results demonstrate the effectiveness and superiority of the proposed method.     

基于EEMD样本熵和SRC的自确认气体传感器故障诊断方法

针对非线性、非平稳情况下自确认气体传感器的故障诊断问题,提出了对传感器不同故障模式信号进行特征提取和智能识别的在线故障诊断方法。首先,该方法根据传感器信号的变化进行集合经验模态分解(ensemble empirical mode decomposition,EEMD),自适应地获得一组固有模态函数(intrinsic mode functions,IMFs),对每个IMF及残余分量进行样本熵分析,提取传感器输出信号的完备特征;然后,利用稀疏表示分类(sparse representation-based classification, SRC)将各故障模式下训练样本的特征向量构成超完备字典。为了提高故障诊断方法的自适应能力,对SRC分类器进行在线更新。通过求解最小1范数约束问题,获得测试样本的稀疏表示系数,再由不同故障类型的重构误差确定测试样本归属,进行传感器故障类型识别。实验结果表明,与目前其他传感器故障诊断方法比较,本文提出的方法能够更显著地提取传感器故障信号特征,故障识别率提高4%以上,达到97.14%。     

自适应在线增量ELM的故障诊断模型研究

为满足现役装备根据故障样本数据集积累的特点进行自适应故障诊断的需求, 本文将极限学习机(extreme learning machine, ELM) 的数据增量学习、隐藏层增量学习和输出层增量学习(类增量学习)3种增量学习模式, 融合到一个统一的学习框架内, 提出一种凸最优自适应增量在线顺序ELM(convex optimal adaptive incremental online sequential ELM, COAIOS-ELM)。模型能够根据增量学习中误差的变化情况, 自适应地增加隐藏层神经元, 减小分类误差; 并可根据增量数据集中新出现的故障类别, 进行相应的类增量学习, 增加故障诊断的范围。有效解决了ELM增量学习过程中模型自适应动态选择最佳网络结构的问题, 提高模型的故障诊断的精度和故障诊断的范围。本文选择UCI数据集中公共数据集和Biquad低通滤波电路故障诊断数据集, 通过与类增量ELM (class incremental ELM, CI-ELM)模型对比实验, 验证了所提方法的有效性。     

基于证据推理和置信规则库的涡扇发动机故障预测

针对某型涡扇发动机故障预测的问题,提出一种基于证据推理和置信规则库的涡扇发动机故障预测模型。为描述涡扇发动机的健康状态,利用证据推理算法融合发动机系统状态信息;结合先验知识建立混合驱动的置信规则库仿真预测模型;采用投影协方差自适应进化策略用于优化模型参数;通过实验验证了模型的有效性。研究结果表明：该方法不仅准确预测涡扇发动机故障风险概率,而且为故障诊断和维修保障提供了有力的支撑。