非线性动态网络/系统（N/S）模型辨识与故障诊断

采用方波脉冲函数变换（BPFT）对一类非线性动态N/S混合模型(H1,B)进行了辨识，导出了计算混合模型（H1,B）的相关公式和N/S响应的伏特劳级数解在方波域内的离散递推算式，解决了一类非线性动态N/S模型的数值计算问题.在此基础上，提出了一种基于多重预置模型的非线性N/S的故障诊断方法，该法通过检验各个预设模型与N/S当前状态的匹配程度来判断N/S是否处于某种故障状态，而无须在线估算N/S当前的模型及分析其特征，从而极大地减轻了在线计算工作量，可实现在线故障诊断.给出了故障诊断实例，实验结果表明该法故障诊断的准确率达到80％～90％.     

面向故障诊断的广义频率响应函数的在线估计方法

基于非线性谱分析的故障诊断是一种新的故障诊断理论。针对该方法中广义频率响应函数的在线估计问题,研究了利用Volterra时域核在线得到被测系统的广义频率响应函数的新方法。基于Volterra系统的鲁棒总体均方最小自适应辨识算法,提出了一种新的广义频率响应函数的在线估计方法。该方法能够有效减少广义频率响应函数的在线计算量,而且实现简便,鲁棒性强。仿真实验证明了该方法的有效性。     

工业机器人驱动系统非线性频谱故障诊断方法

针对广义频率响应函数(GFRF)在故障诊断中存在计算量大、无法满足系统对诊断实时性要求的问题,提出基于非线性输出频率响应函数(NOFRF)的工业机器人驱动系统故障诊断方法。该方法构建系统一维频谱函数的辨识模型,将系统的输出频谱与估计频谱进行比较求出残差,根据残差大小改变辨识步长迭代出前4阶频谱;对获取到的4阶频谱进行逐阶采样,每阶频谱采集10个数值,共40个频谱构成40维特征矢量,将其作为系统的故障特征输入核主成分分析方法(KPCA)进行压缩,通过计算主元累计贡献率将高维数据压缩至3维,降低变量之间的非线性度;构造SVM分类器,将KPCA方法生成的低维数据中60%的数据作为训练集对分类器进行训练,将40%的数据作为测试集进行故障识别。实验结果表明,在相同的数据提取任务下,与基于GFRF的方法相比,所提方法节约时间854%,可以准确、快速地提取系统故障特征,进一步验证了该方法在工业机器人驱动系统故障诊断应用上的可靠性。     

一种基于RBF神经网络的传感器故障诊断方法

针对传感器故障，提出了一种基于RBF神经网络的集成故障诊断方法，用RBF神经网络建立传感器故障模型，对系统的状态和故障参数进行在线估计，然后将故障参数与修正的Bayes分类算法（MB算法）相结合，进行传感器故障在线检测、分离和估计。对连续搅拌釜式反应器（CSTR）的仿真结果表明，该集成故障诊断方法能够对多重传感器进行故障进行快速准确的分离和估计，并对传感器故障具有容错性。     

基于粒子滤波的分布式智能故障诊断系统研究

针对传统故障诊断系统硬件结构以及故障识别算法过于复杂的问题,提出并研究了一种基于粒子滤波的分布式智能故障诊断系统.该系统采用ZigBee无线传感网络实现系统分布式多变量参数的实时采集,基于粒子滤波算法在线处理各变量数据,并基于简易模式识别算法获得系统真实状态的准确估计,实现系统故障的智能诊断与故障预示.智能故障诊断系统由ZigBee无线传感数据采集网络、粒子滤波算法、系统状态模型和故障模式识别四部分构成.粒子滤波算法基于粒子序贯重要性重采样和蒙特卡洛方法对传感器采集数据滤波,抑制或消除干扰及显著性误差对系统状态估计的影响,可避免粒子退化.故障模式识别就是求取与粒子滤波输出的系统状态估计曲线残差之和最小的系统状态模型.智能故障诊断系统的实现和实例实验结果表明该系统能实现对象的远程监测、对象状态的精确估计、对象故障的准确诊断,拓宽了分布式传感网络的应用范围,并具有成本低、可靠性高、实时性好和易实现的优点.     

基于强跟踪多模型估计器的作动器故障诊断

在多操纵舵面飞机的自修复飞控系统中,快速准确地获得作动器的故障信息至关重要。该文将多模型思想与强跟踪滤波器相结合,在多模型自适应估计方法的基础上,提出了一种基于强跟踪多模型自适应估计器的作动器故障诊断方法。该方法改进了多模型自适应估计方法的不足之处,具有较好的鲁棒性和较强的自适应能力。它适用于非线性系统,能在线快速地检测出故障,并能较准确地估计出故障的大小。通过对各种作动器故障的仿真,验证了该算法的有效性。     

具有干扰解耦能力的鲁棒在线故障诊断

针对一类带有未知输入干扰和模型不确定性系统,提出了一种新型鲁棒在线故障诊断方法,该方法综合应用带有未知输入状态观测器技术和RBF神经网络的在线建模能力,利用状态观测误差实时调整RBF神经网络的权值,使其不但能在线实时检测、分离、估计故障信号,而且对未知输入干扰具有解耦能力,对有界模型不确定性具有鲁棒性,给出了该方法的鲁棒性和灵敏度的分析结果,仿真结果表明了该方法的有效性。     

基于自适应神经网络的非线性系统的智能故障诊断

针对一类模型未知的非线性系统,提出了一种基于自适应神经网络的故障诊断方法,用RBF神经网络构造了状态估计器和故障估计器,解决了非线性系统状态不可测时的故障诊断问题。并用Lyapunov方法研究了故障误差和状态误差的收敛性,结果表明了该方法实用、有效。     

利用Petri网特征结构的故障诊断方法

为解决大规模复杂系统故障诊断中计算复杂性高的问题,提出一种基于Petri网的在线故障诊断方法.首先,建立诊断对象的规范Petri网模型;其次,提出模型的严格最小库所不变量和特征库所不变量集合,并借助特征库所不变量集合描述Petri网模型的结构信息;最后,基于特征库所不变量集合提出任意当前标识的故障函数,并利用故障诊断函数完成故障识别和定位.结果表明:该故障诊断方法采用了系统结构信息,无需遍历系统状态空间,具有多项式级的计算复杂性,能够满足实时性要求.     

改进的MPCA方法及其在批过程故障诊断中的应用

基于传统的多方向主元分析(MPCA)常会导致误诊断，且对批生产过程难以保证在线状态监测和故障诊断的实时性，提出了一种改进的MPCA方法，该方法采用多模型非线性结构代替传统MPCA单模型线性化结构，克服了后者不能处理非线性过程和实时性问题，并避免了MPCA在线应用时预报未来测量值带来的误差，提高了批过程性能监测和故障诊断的准确性．     

基于间隙度的变换器早期故障诊断方法

变换器早期故障特征微小，极易被电网复杂工况信号淹没，因此早期故障诊断可以避免电力系统故障发酵，保证供电安全。但传统基于电流、电压残差信号的方法难以实现早期故障诊断。引入间隙度作为一种新的度量工具，可以由系统间内部距离描述早期故障。通过卡尔曼滤波器观测的输出状态可以建立早期故障模型，将模型间的间隙度作为早期故障诊断特征，由系统内部衡量故障偏差，进行故障类别和故障强度诊断，提高系统稳定性。通过仿真实验搭建变换器模型，验证以间隙度为度量工具实现变换器早期故障诊断的有效性，通过与传统残差阈值方法比较，本文方法可以有效提高变换器早期故障诊断灵敏度同时降低误判率。     

基于融合模型的柴油机空气管理系统故障诊断

柴油机作为重要的动力机械,其性能监测和故障诊断得到重视。而柴油机空气管理系统故障包括进气系统漏气、堵塞和EGR阀卡涩等故障将会导致恶化和经济性下降。针对空气管理系统具有较强的非线性,无法建立精确地数学模型等问题,建立了基于数学模型和数据驱动模型的融合模型,针对进气歧管漏气、中冷器堵塞,EGR阀卡滞等故障进行诊断研究。采用机理建模的方法建立EGR流量模型、充气系数模型和基于数据驱动建模的方法建立充气系数模型、进气压力波动幅值模型,利用奇偶方程法进行残差生成器的设计并生成三个残差信号,通过仿真分析可得到故障和残差值之间的映射矩阵,最后,采用模糊推理的方法进行故障诊断。研究结果表明：所构建的故障诊断系统能准确的诊断出空气管理系统的漏气直径为5mm、堵塞至进气流量减少10%和EGR阀卡滞故障在关闭状态。     

一种数字电路的桥接故障诊断方法

针对目前数字电路桥接故障诊断效率低的问题,提出了一种基于微分故障模拟算法的数字电路的桥接故障诊断方法,用VHDL语言对电路模型进行了重新建模,利用单固定故障的信息来诊断桥接故障,并对ISCAS85平台下的一些电路进行了模拟,结果表明该方法简单、高效,特别适合于数字电路的故障诊断,对于提升我国数字电路可靠性具有重要的理论意义与实际推广应用价值。     

内燃机失火故障的神经网络诊断研究

提出了一种利用排气中HC、CO2、O2浓度和内燃机工况参数信息的内燃机失火故障诊断方法,并提出了描述内燃机失火程度的模糊评价指标,进行了内燃机有失火故障和无故障排气成分检测对比实验。利用实验数据和内燃机工况参数,通过Elman神经网络建立了失火程度评价指标与排气中HC、CO2、O2浓度以及内燃机工况参数之间关系的诊断模型,应用MATLAB软件对该模型进行学习训练,将训练好的神经网络模型应用于内燃机失火故障的诊断。结果表明,此模型能够正确诊断内燃机失火故障。     

基于改进SAE的提升机制动系统故障诊断

为了减少传统故障诊断方法人工主观干预对诊断结果的影响,使用无监督学习方式提取提升机监测数据的故障特征,提出了一种基于稀疏自编码器的故障诊断方法. 首先分析了制动系统的故障机理,采集了提升机正常运行和故障模拟状态下的监测数据,生成了故障诊断数据集;然后建立了SAE故障诊断模型,并使用Dropout和Adam算法对其进行了优化;最后使用测试数据集对模型的性能进行了测试. 试验结果表明,提出的方法较好地避免了稀疏数据的训练误差,减少了过拟合现象,降低了稀疏数据局部最优点的影响,故障类型的平均分类精度达到94%,能有效地进行矿井提升机的故障诊断.      

Fuzzy fault diagnosis system of MCFC

A kind of fault diagnosis system of molten carbonate fuel cell (MCFC) stack is proposed in this paper. It is composed of a fuzzy neural network (FNN) and a fault diagnosis element. FNN is able to deal with the information of the expert knowledge and the experiment data efficiently. It also has the ability to approximate any smooth system. FNN is used to identify the fault diagnosis model of MCFC stack. The fuzzy fault decision element can diagnose the state of the MCFC generating system, normal or fault, and can decide the type of the fault based on the outputs of FNN model and the MCFC system. Some simulation experiment results are demonstrated in this paper.     

有杆抽油系统诊断方法研究与应用

以有杆抽油系统动力学行为分析为基础,将基础理论研究和应用技术有机地结合起来,建立了考虑悬挂系统弹性的直井和定向井有杆抽油系统诊断模型,研究了基于B/S（Brower/Server）模式的有杆抽油系统故障诊断方法,利用Internet技术和Web技术开发了相应的软件系统, 通过浏览器即可实现对有杆抽油系统快速、准确的故障诊断,并给出了诊断算例,诊断结果验证了该系统的有效性。基于B/S模式的有杆抽油系统故障诊断对避免井下作业的盲目性,提高系统效率,降低采油成本,实现油田企业信息化和提高油井的科学管理水平具有重要意义。