基于回归型支持向量机的液压舵机故障诊断

利用回归型支持向量机（SupportVectorRegression，SVR），设计了一个液压舵机的故障诊断系统。利用系统的可测参量，建立了基于SVR的液压舵机的全局故障检测模型。在仿真过程中发现，此方法能对电液伺服阀、位移传感器和伺服放大器的各种故障进行诊断，诊断准确度高，适用于闭环控制系统的故障检测，仿真结果验证了该方法的有效性。     

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Simulink的实时故障检测

提出一种基于观测器的在线动态系统故障检测快速生成方案,利用NetCon系统实现控制器与故障检测系统运行在同一个智能节点上,使得残差的生成与系统的性能联系起来,实现不仅能监控系统的运行情况,还能完成故障检测的功能,同时能够避免闭环控制对故障检测的影响。针对一个实际的伺服电机,是进行离线辨识获得电机的模型;设计一个输出估计器——动态观测器,生成残差信号;通过离线仿真和在线实验证实该方案的有效性,完成从理论到实验仿真,再到实际运用的系统开发过程。     

中央空调水系统传感器在线故障诊断研究

针对中央空调冷媒水系统中的温度传感器，本文提出了一种基于数理统计的在线故障诊断方法，以实现在线检测并修正传感器的突发漂移故障。首先建立控制体的能量守恒方程式，然后利用其残差值判断是否出现传感器漂移故障，根据残差方程的数字特征运用数理统计的方法建立诊断方程组，通过采集有效的系统运行数据求解诊断方程组以修正传感器的故障。该方法在已经建立的中央空调水系统仿真器上进行了验证，结果表明它能够较快地解决传感器突发漂移故障，将其嵌入到楼宇智能控制系统中将使系统更可靠，更智能。     

基于内模原理的变结构最优容错控制

针对系统中发生传感器故障和/或执行器故障的情况,兼顾考虑故障对系统内部状态和外部输出的影响,提出了一种物理上可实现的变结构动态最优容错控制方法.该方法首先利用内模原理设计了故障补偿器以补偿故障对系统输出的影响,然后利用Riccati矩阵方程设计了故障情况下的最优容错控制律.为了解决最优容错控制的物理不可实现问题,采用一种新型的降维故障诊断器,在实现故障诊断的同时完成了对系统状态的观测.最后给出了根据故障的发生情况进行变结构调节的动态最优容错控制的设计步骤.仿真结果验证了该方法的有效性和可靠性.     

一种新型鲁棒容错控制器在飞控系统中的应用

讨论了一种新型的鲁棒容错控制器在飞控系统中的应用。该鲁棒容错控制器由两部分组成,主控制器和补偿控制器。首先,建立了飞机的正常标称模型,通过比较标称模型和实际系统的输出生成残差。在飞机无故障情况下,残差近似为零,仅主控制器作用,保证系统在无故障时具有良好的性能;考虑执行机构故障,飞机发生故障后,故障残差不再为零,补偿控制器以残差为输入,输出补偿控制信号,保证系统稳定,补偿故障对系统的影响。仿真结果表明了该新型鲁棒容错控制器的正确性和可行性。     

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。     

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。     

一种基于多级信息融合技术的系统故障诊断方法

采用多级信息融合思想，利用系统故障症状的分散性，提出了一种新的系统故障诊断方法。首先，我们采用多传感器同源数据融合来保证量测信号的准确可靠；然后，利用同一故障在系统中的不同表现症状，采用模糊积分融合，融合输出为相对应的故障诊断结果。最后对燃气轮机的多部位故障诊断进行了仿真研究，结果较为理想。     

基于神经网络的假设检验故障诊断算法研究

传统的χ2检验法通过比较先验信息与量测信息进行故障检测,当先验信息所依赖的模型出现错误时将无法进行有效的故障检测和故障隔离。提出利用神经网络的方法结合χ2检验法进行故障诊断,训练神经网络来跟踪系统模型,则正确的先验信息保存在训练好的神经网络中,系统模型输出与网络模型输出之差作为故障诊断的依据。针对INS/GPS组合导航系统进行算法仿真,该算法能够快速、准确地判断系统故障源,通过故障隔离和系统重构,使系统在故障情况下依然保持正常工作。     

基于扩展Type-2模糊集的故障检测方法

随着系统复杂程度的不断提高,对系统故障的诊断也越来越困难.提出一种扩展的Type-2模糊集合,利用扩展隶属函数的"肯定证据,排除假象"的特性,建立基于Type-2的模糊诊断方法,并给出了相应的设计算法.增加了负值的扩展隶属函数,将系统输出的残差清晰地划分为三个状态:正常、异常和故障.增加了一个状态,能够更好地得出清晰的诊断结果,有效地避免误诊和漏诊.针对三水箱系统,仿真结果表明了该方法的有效性.     

神经网络主元分析的传感器故障诊断方法

针对多传感器故障诊断问题，将神经网络引入主元分析(principal component analysis, PCA)模型之中，提出一基于主元分析的多传感器故障诊断模型。首先，应用传感器正常工作时测量的历史数据，由PCA模型得到所有传感器的预测值。其次，计算传感器系统的平方预期误差值(squared prediction error, SPE),根据系统的SPE值是否跳变，判定有无故障发生。通过分别重构单个传感器信号的SPE值来确定发生故障的传感器。最后,应用一个多传感器故障诊断仿真实例证明了该方案的可行性。     

基于BP网络的群射防空火箭炮变间隔研究

通过动力学仿真为BP网络建立训练样本,从而使其能够模拟变发射间隔与起始扰动的非线性动力学关系。在对BP网络训练后对变间隔的问题进行研究,并进行优化,从而得出了一组较好的发射间隔值,使得相应的起始扰动较小。动力学的仿真表明BP网络优化的结果比较可靠,从而为确定群射防空火箭炮的发射间隔提供参考。     

基于支持向量机的导弹动力系统动态过程仿真

为了对导弹动力系统动态过程进行仿真,研究了基于支持向量机方法的动态仿真技术。仿真结果与试车数据比较表明,支持向量机对发动机推力的动态变化过程进行了很好的仿真;与基于神经网络的计算结果比较表明,该模型的计算时间短、精度高,可用于液体火箭推进系统的实时状态监控、故障诊断及控制系统设计等方面。     

基于预处理模糊Petri网与改进遗传算法的电网故障诊断方法

为了提升电网复杂故障时的态势感知能力,提出了基于预处理模糊Petri网与改进遗传算法的电网故障诊断方法.首先,基于层次化、动态建模的思想,在建立元件一般故障诊断模型的基础上,引入浮动库所、浮动弧、浮动变迁的概念来合理的体现主保护、断路器以及后备保护之间的逻辑关系,建立了元件复杂故障时的诊断模型;其次,挖掘故障信息源的特性进行预处理,依据故障类型动态建立相应Petri网诊断模型;再次,利用改进的遗传算法对模型中的参数进行了训练、优化;最后,探讨了该Petri网故障诊断模型的容错性、通用性.对算例系统仿真的结果表明:该方法突出了故障诊断过程的层次性、可理解性,提升了诊断模型的透明性、改善了诊断模型的易维护性,在电网复杂故障的情况下诊断结果仍具有较高的准确度,并呈现有较好的容错性.     

基于仿真的防空导弹综合故障诊断专家系统设计

研究了某新型地空导弹的故障智能诊断问题,针对故障诊断知识获取的"瓶颈",提出了一种利用计算机仿真技术与人工智能技术相结合的方案,来组建针对某型导弹故障智能诊断专家系统,利用武器系统的功能模型,通过设置系统可能出现的故障,进行故障仿真,并获取故障数据信息。然后对数据进行分析变换,提取故障诊断所需知识。系统中采用了多种推理方法结合的集成推理策略,可以有效提高故障诊断的可靠性。系统在模拟诊断实验中,诊断结果成功率达百分之百。系统为新型武器装备的故障智能诊断研究,提出了一个新的发展方向。     

基于支持向量回归机的红外热像实时仿真

提出了基于支持向量回归机的红外热像仿真方法,该方法使用实测得到的场景红外辐射特性数据组成的训练样本集训练支持向量回归机,使得支持向量回归机具有预测能力,然后使用和物体表面划分面元数目相同的支持向量回归机计算仿真设定条件下的物体表面表观温度场数据,并利用三维可视化技术,将温度场数据和三维模型相结合,最终以运动车辆及建筑物场景为例,实现了对目标与背景构成的场景进行全方位红外热像实时仿真。     

基于自适应神经网络的非线性系统故障诊断

针对一类模型未知及状态不可测的非线性系统,提出了基于自适应神经网络的故障诊断策略,不仅在线估计神经网络的矩阵权重,而且在线估计高斯函数的宽度和中心。该方法对系统的未知非线性特性没有特别要求,仅对神经网络提出较弱的假设条件。首先利用径向基函数(Radial Basis Function,简称RBF)神经网络构造状态观测器,估计系统的状态。然后利用另一个自适应RBF神经网络作为故障估计器,其输入是系统的估计状态(而不是系统状态),其输出为系统所发生的故障模型。利用Lyapunov稳定理论详细分析了状态误差和故障误差的收敛性,分别给出了两个神经网络的参数调整律,仿真证明了该方法的实用性和有效性。     

支持向量回归参数调整的一种启发式算法

对支持向量回归 （Support Vector Regression, SVR）的自由参数进行调整是提高SVR模型推广能力的重要途径，通常通过最小化模型的推广误差估计来实现。交叉验（Cross Validation, CV）误差是推广误差的一种近似无偏估计，基于CV误差的参数调整大多采用网格搜索法，计算比较费时，需要寻找高效的参数调整算法。通过对径向基核函数SVR的CV误差随参数变化趋势的分析，提出一种启发式搜索算法。该算法采用阶梯式搜索以找出近似最优解，然后用局部算法求取更精确的解。基准数据集上的实验表明所提算法的有效性和高效性。