基于有限状态机的被动测试错误诊断

针对被动测试错误诊断算法只能推测出被测系统可能存在错误却无法准确定位错误的问题，提出了一种逐步定位系统实现错误的层次递进的方法．先利用测试序列的输入输出信息并结合错误模型生成初始诊断错误集合，再依据测试套上下文使用错误检测算法对该集合进行筛选，最后经连续观察或结合主动测试进行错误区分．实例验证结果表明，所提方法能够对绝大多数有单个实现错误的有限状态机模型进行错误定位．     

一种通信有限状态机的被动测试及其错误诊断

针对现有的被动测试方法无法解决嵌入式通信系统的错误检测问题，提出了一种被动测试错误检测方法．该方法在外部通道放置观察者，并使用了全局状态描述系统的当前可能状态，利用了观察到的输入输出信息，同时结合了模型转换推测出系统的状态变迁．基于该检测方法又设计出一种层次化的错误诊断算法，首先记录被动检测过程中系统经历的转换轨迹，用变异分析方法生成候选诊断，然后通过被动观察来降低错误集合的规模，最后使用区分序列和交叉判定进行错误定位．通过一个实际的H．245通信协议的实验表明，所提算法能够在有限观察步骤内检测出被测系统中的错误，并能有效定位检测错误，其回溯算法也可以显著缩短错误症状序列的长度．     

错误分离最小化的一个新的近似算法

在错误分离最小化的模型中，一般都是用sigmoid函数或者一个凹函数来近似步函数，从而得到一个序列线性算法．本文用了一个分片线性函数来近似步函烽，从而给出了一个新算法，并且证明了算法是有限步终止的．     

基于Markov链模型的被动测试错误检测算法

通过分析如何将概率统计的思想应用到基于有限状态机的协议被动测试上,在Markov链模型基础上,提出了一种新的被动测试错误检测算法,并给出了与已有算法的比较.从比较结果可知,新算法只需要知道有限状态机中转换的概率分布和最终观察到的输入/输出对的概率分布,就可以解决已有算法存在的问题,因此适用范围更广,同时还探讨了单个错误定位问题.     

快速成型系统中STL模型缺陷的自动修复技术

在分析STL模型规则的基础上，针对CAD模型表面三角化后存在的问题，提出了建立STL模型的拓扑结构关系和常见错误的自动诊断方法，并给出了缝隙修复的算法。经实际应用证明，该方法简单可靠，易于实现。     

一种基于ED方法的实时事务调度的改进算法

提出一种实时事务表示模型，该模型给出了一种基于ＥＤ方法的实时事务调度的改进算法，该算法与ＥＤ相比，可以减少调度时发生的运行时间错误     

一种基于ED方法的实时事务调度的改进算法

提出一种实时事务表示模型，该模型给出了一种基于ＥＤ方法的实时务调度的改进算法，该算法与ＥＤ相比，可以减少调度对发生的运行时间错误。     

新型混合信道模型下的Reed-Solomon码融合硬判决译码算法研究

为了深入研究突发错误信道环境下的RS码译码算法,首先在RS(255,239)译码条件下对随机错误译码算法 Reformulated inversionless Berlekamp-Massey(RiBM)与突发错误译码算法 Reformulated inversionless Burst-error Correcting(RiBC)分别进行了仿真分析,得到了两种译码方式的误码率与连续错误比特长度的关系,并据此对突发错误的长度BL进行了界定.其次对该译码条件下的数字编码系统中的混合信道进行了研究,根据突发错误长度的界定对信道进行了建模,得到马尔科夫模型下的新型混合信道模型,最后在此模型下对RiBM随机错误译码、RiBC突发错误译码方法进行融合,并对融合译码算法进行了仿真.结果表明在新型混合信道环境中融合译码算法可降低传输误码率.     

对故障诊断经典结论的思索

讨论了经典故障诊断文献在可诊性、诊断算法、模型分类等问题上的疏漏，强调指出：①在任何非全参数估计下，不应错误地认为第二类容差电路的故障可诊性与电路元件的标称值无关。②非线性二乘故障定位准则有严重理论缺陷，③电路元件容差并非始终构成诊断困难。④第一类容差电路有良好的故障可诊性。⑤三个诊断方法的内在联系。     

分布式离散事件系统的安全可诊断性算法

采用有限状态自动机对分布式离散事件系统建模, 提出一种分布式离散事件系统的安全可诊断性算法. 首先, 获得系统的全局模型, 剪枝并确定系统是否可诊断. 若系统可诊断, 则构建该系统的安全诊断器, 在全局模型中添加安全标签, 判断系统是否安全可诊断. 实验结果表明: 该算法可判断分布式离散事件系统是否安全可诊断, 缩小了求解空间; 最好情况下实例状态数约缩减至7倍, 平均情况下实例状态数约缩减5.45倍.     

复杂装备故障诊断任务路径规划

针对复杂装备故障诊断任务路径规划问题进行研究,提出了一种基于图论的故障诊断任务建模方法。将装备的结构关系用邻接矩阵表示,并利用可达矩阵分析查找耦合任务集,使故障诊断任务模型得以简化;分析了故障诊断任务模型中有、无先验知识的任务路径规划2种情况,对经典的深度优先搜索算法和贪心搜索算法进行了改进,并将其应用于地空导弹武器装备分系统中进行任务路径规划,举例结果验证了方法的可行性和有效性,提高了故障诊断效率。     

机械故障稀疏特征相似性度量优化研究

针对当前机械故障诊断研究忽略了对其参数的选取与优化,导致准确性较差等问题,提出基于量子遗传 算法优化的机械故障稀疏特征相似性度量方法。基于先进行信号非线性混合,再进行去混合。将峭度作为目 标函数,利用量子遗传算法,对盲源分离过程的分离矩阵参数与非线性去混合参数进行优化,实现机械故障盲 源分离。基于故障信号处理,利用量子遗传算法与最小二乘支持向量机(LSSVM: Least Squares Support Vector Machine)相结合实现机械故障稀疏特征相似性度量。当LSSVM在机械故障诊断时对模型参数选取,利用量子遗 传算法针对 LSSVM 模型参数进行优化。将 LSSVM 参数选取问题转换为优化问题,利用优化后的 LSSVM 分类 模型实现机械故障稀疏特征相似模式分类。实验结果表明,该方法可以实现高效盲源分离,机械故障诊断准确 率高,运行性能良好。     

大型真空系统智能故障诊断

根据大型真空钎焊炉真空系统的故障种类及特点,分析了现有的真空系统故障诊断存在的主要问题。针对大型真空系统故障诊断的不确定性和模糊性等特点,建立了基于故障树分析方法的模糊Petri网模型和推理算法,并以扩散泵不工作故障诊断为例,验证了该模型及算法的正确性和有效性。     

改进遗传算法在含DG配电网故障定位中的应用

大量分布式电源接入配电网使其结构复杂多变,导致标准遗传算法故障定位效率和准确性受到影响。根据配电网运行的实际情况搭建故障定位数学模型,对标准遗传算法的开关函数和评价函数进行改进,提高了算法的容错性和准确性;引入配电网分级处理的概念,对配电网进行分区处理,将整个配电网分为若干个独立区域,缩短了算法中解的维度,从而提高算法定位的效率;最后通过MATLAB对不同故障类型算例进行仿真,结果表明改进后的遗传算法在含分布式电源的配电网中有很好的容错能力,通过对其仿真时间和精准度进行分析,结果表明算法运算效率和准确性都很高。     

异构网络环境中的自适应在线故障检测

通过研究网络流量异常检测，提出一种新的基于自适应自回归(AAR)模型的在线故障检测算法．该算法只利用标准管理信息库，因此检测不依赖于特定产品类别，适用于异构网络环境．验证了流量信号的非平稳特性，并采用模拟获取的网络流量拟合AAR模型．由于不必将整个时间序列进行分片和单独拟合，算法可以直接处理获取的新数据，实现真正意义上的在线故障检测．利用时间平均方法消除了网络噪声的影响．在实验中，故障检测结果与预设的故障场景完全对应，进一步证明了该算法的准确性．     

改进PSO优化SVM的滚动轴承故障诊断

提出一种基于改进粒子群算法和支持向量机的滚动轴承故障诊断方法.首先分析基本粒子群算法的不足及其关键参数,提出多方面改进的粒子群算法,利用10种基准测试函数对比多种粒子群算法,证明该改进算法的优势.然后结合支持向量机,建立滚动轴承故障诊断模型,并提取滚动轴承振动信号的时域、频域、小波包节点能量和CEEMDAN分量排列熵四种特征,构成单一特征和组合特征作为诊断模型的输入特征向量.最后利用凯斯西储大学滚动轴承数据进行验证,并与网格算法、遗传算法和多种不同粒子群算法进行对比.试验证明,本改进粒子群算法优化支持向量机模型在滚动轴承故障诊断中更具优势.     

故障模型及三级分解估计算法

本文给出了通用故障模型、故障检测方法、故障可检测与诊断的充要条件及故障估计的三级分解算法。仿真工作表明本方法是有效和可行的。     

基于MSFG的机载BITE故障定位算法研究

故障定位是机载BITE的重要功能,定位结果的准确性对维修测试有着重要影响。基于多信号流图模型,在构造故障-测试关联矩阵和故障-故障关联矩阵的基础上,引入故障信息矢量和故障定位矩阵,并给出适用于机载BITE故障定位的矢量描述和矩阵定义,进而提出一种简单、有效的故障定位算法。实例验证表明,该算法能够对系统中的故障源进行准确定位。     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP(Back-Propagation)网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35.4%,收敛速度提高了44.9%,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90.8%。     

基于多种群蚁群算法的变压器故障检测次序寻优方法研究

针对传统变压器故障检测次序的不足,在研究变压器故障树分析方法的基础上,提出了一种基于多种群蚁群算法的变压器故障检测次序寻优方法.首先给出了多种群蚁群算法的原理和模型;然后利用蚁群算法的全局优化和启发式寻优的特点,对变压器故障检测次序进行优化;最后,以分接开关故障树为例验证了多种群蚁群算法在变压器故障检测次序寻优中的可行性和有效性.