基于区间解析冗余关系的参数不确定性的仿真研究

拓展基于区间解析冗余关系法(interval valued analytical redundancy relations,I-ARRs)对不确定性混杂系统的故障检测。该方法产生一组对故障估计的阈值,一旦标称残差超过阈值,则故障能被检测。现有的故障检测方法主要是针对参数性故障,因此对测量信号导数的估计呈现出各种限制;而且在I-ARRs中对测量信号导数十分敏感,不可避免地涉及到对残差的估计。为解决这一问题,利用鲁棒滑模微分器方法得到对含噪声测量信号导数最优估计,降低残差噪声,以减小虚警、漏报,从而提高鲁棒性。通过典型电力电子电路BUCK电路仿真,验证了此方法的有效性。     

线性离散系统间歇故障的鲁棒检测方法

针对一类存在未知扰动、过程噪声和测量噪声的离散线性随机动态系统,研究了其鲁棒间歇故障检测问题.设计了降维未知输入观测器的输出,通过引入滑动时间窗口构造了截断残差信号,使得该残差信号对未知扰动解耦而对间歇故障敏感;针对间歇故障的发生时刻和消失时刻,分别提出了2个假设检验,在给定误报率和漏报率的情况下,分别定量确定了间歇故障发生时刻和消失时刻的检测阈值以满足检测性能要求,并在概率框架下分析了间歇故障的可检测性.同时,在某卫星模型上对所提出的方法进行了仿真验证.结果表明,所提出的方法能够快速、准确地检测出间歇故障的发生时刻和消失时刻.     

基于多级观测器的液压伺服系统自适应故障检测与隔离

针对传统的基于固定阈值的故障检测及诊断方法虚警率高,无法有效实现液压伺服系统的故障检测与隔离,提出了一套基于多级观测器的液压伺服系统自适应故障检测与隔离方法。首先,采用第1级RBF网络作为液压伺服系统观测器,通过比较观测器估计输出值与实际系统输出得到残差信号。其次,采用第2级RBF神经网络产生自适应阈值,实现了液压伺服系统自适应故障检测。最后,采用小波包分析提取残差信号特征,利用第3级RBF神经网络实现系统的典型故障隔离。实验结果表明,利用多级观测器模型能够有效实现液压伺服系统的自适应故障检测及隔离。     

基于自适应观测器的线性离散系统故障诊断

为诊断线性离散系统中的故障,提出了基于状态估计的自适应观测器故障诊断方法。利用基于Lyapunov函数的自适应观测器构造残差信号,设计了观测器增益矩阵和故障估计值的自适应调节规律。保证Lyapunov函数的一阶导数为负,所提出的自适应调整律能够实现观测器稳定和故障估计误差收敛。仿真结果表明,该方法可以及时检测系统故障,且能够诊断故障大小。     

级联系统执行器故障的自适应诊断

针对一类非线性级联系统的执行器增益故障诊断问题,提出了基于自适应观测器的故障诊断方法.考虑理想情况下的非线性级联系统模型,研究带有未知扰动的非线性级联系统模型.通过设计的自适应检测观测器而产生残差,将残差与事先设定的阈值比较,来确定故障是否发生.所设计的自适应诊断观测器保证了残差信号的收敛及对故障的准确估计;在具有扰动情况下,可以确保信号指数衰减到残差集.对风力发电机非线性级联系统模型的仿真实验验证了设计方法的有效性.     

基于ANFIS非线性观测器的连续小波变换故障检测

提出一种把信号分析和数学模型相结合的故障检测方法,通过小波变换对信号的去噪和自适应神经模糊推理系统(ANFIS)具有的离线学习功能,来获取系统输入输出的非线性动力学特性,进而实时计算出残差,并对残差序列进行MexicanHat小波变换,通过对极值点的逻辑判决,准确检测出故障的发生·该方法具有灵敏度高、克服噪声能力强的特点·仿真结果验证了这一方法的有效性·     

基于ARMAX模型的挖掘机液压系统故障检测

根据挖掘机的可靠性水平和智能化程度,提出了一种基于ARMAX(Auto-Regressive Moving Average Exogenous)模型的挖掘机液压系统故障检测方法.使用系统正常状态下的信号样本建立系统的ARMAX辨识模型,通过休哈特控制图分析ARMAX辨识模型的输出残差,以获取故障检测的阈值;然后,将系统故障状态下的信号样本代入ARMAX辨识模型,当模型残差超过阈值,即能判定系统发生故障.实验分析表明,基于ARMAX模型的故障检测方法够有效地检测挖掘机液压系统产生的故障.图3,参10.     

基于傅立叶变换的逆变器故障检测新方法

利用加窗傅立叶变换对逆变器输出的正序分量进行了分析,获得了输出信号的正序对称分量,提出了基本谱残差的概念.定义了故障决策函数,利用仿真或实验确定故障阈值,通过基本谱残差与阈值的对比可实现逆变器的故障检测,仿真结果表明了本文方法的有效性.     

基于集员滤波器的故障诊断

针对具有未知但有界故障的时变系统,提出一种集员滤波的故障诊断方法,保证系统的状态、故障信号的值100%包含在上下界内.假设过程噪声、测量噪声和故障信号的值有界,采用S-过程方法和线性矩阵不等式(LMI)方法设计集员滤波器,最后运用递归优化算法对集员滤波器进行优化.所提方法不仅可以对故障大小进行估计,还能够检测出故障信号类型.数值仿真证明了该方法的可行性和有效性.     

一种基于LMI的H-/H∞故障检测观测器优化设计方法

针对线性时不变动态系统,构造一个线性全阶输出观测器,获得包括扰动、噪声、建模误差等未知输入信号和故障信号的残差动态特性,选用残差对故障信号的H-指数描述其对故障的灵敏度,用残差对未知信号的H∞范数表示其对不确定因素的鲁棒性,将故障检测观测器的设计描述为一个优化问题.研究了基于线性矩阵不等式的故障检测观测嚣设计,给出了求解最优观测器增益的方法,并证明了该解存在的条件.实践结果表明,应用该方法所设计的故障检测观测器灵敏度高,对干扰信号具有强鲁棒性.     

一种基于鲁棒残差生成器的故障估计方法

针对具有加性执行器或元部件故障的线性系统,在独立故障的个数大于独立测量个数的情况下,提出了一种基于鲁棒残差生成器的故障估计方法.该故障估计方法是基于鲁棒残差生成器实现的,不需要额外设计动态的故障估计器.故障估计的实现需要:设计编码集;基于编码集设计鲁棒残差生成器;利用编码集和鲁棒残差生成器的输出实现故障分离和故障的渐近估计.给出了本方法的适用的充分条件,并证明了故障估计误差的渐近收敛性.最后,针对具有加性执行器故障的线性系统,基于几何方法设计鲁棒残差生成器,并进行了故障检测、故障分离和故障估计的仿真.仿真结果验证了本故障估计方法的有效性.     

基于电流的芯片级集成电路故障诊断方法研究

随着芯片级集成电路规模的逐渐增大,电路结构越来越复杂,当前故障诊断方法利用电路状态对电路故障进行检测,检测精度低。为此,提出一种新的基于电流的芯片级集成电路故障诊断方法。选择动态电流对芯片级集成电路故障进行诊断,通过Haar小波函数对芯片级集成电路进行预处理。介绍了多重分形理论基础,给出动态电流多重分形谱的计算方法。针对正常芯片级集成电路的动态电流信号求出其多重分形谱,选择一组测试向量对待测芯片级集成电路进行动态电流检测,对得到的数据进行小波变换处理,求出不同尺度下动态电流小波系数的模极大值。依据小波系数模极大值求出多重分形谱,通过其和正常电路多重分形谱之间的差异判断该电路是否存在故障。实验结果表明,所提方法诊断精度高。     

基于电压残差的三相逆变器故障诊断

针对三相逆变器开路故障诊断问题,研究了一种具有动态参考量的电压残差故障诊断方法。利用逆变器闭环控制系统现有的相电压采样信号,将延迟一个周期的相电压波形作为动态参考,与当前的相电压信号进行比较得到电压残差波形,通过设置合理的故障检测阈值,实现逆变器开关管开路故障的准确诊断。仿真结果验证了该方法具有抗不平衡负载和负载突变干扰的能力,且诊断时间小于一个周期,具有容易实现、无需增加硬件的优点。     

基于神经网络的非侵入式电机故障检测方法

为了克服传统电机故障检测方法的准确率低、测量过程为侵入式、严重依赖先验知识的缺点,本文提出了一种基于卷积神经网络的非侵入式电机故障检测方法。通过将电机与其它设备共同工作时的总电源信号作为检测样本,实现检测过程的非侵入式,并基于残差优化卷积网络结构进行神经网络训练,最终实现电机超载、单相短路及相间短路故障的非侵入式检测与分类。结果表明,本文提出的方法可以使故障识别准确率达到96.79%,能够更加快速准确并稳定地实现电机的非侵入式故障诊断。     

基于HAAR小波和BP神经网络的非线性电路故障诊断

提出了一种基于HAAR小波和BP神经的非线性电路故障诊断方法，该方法采用小波分解作为非线性电路故障信号的预处理器能大大减少神经网络的输入及训练和处理时间.介绍了一种改进的采用动量因子防止局部收敛的BPNN方法后，阐述基于HAAR小波分解提取故障信号中的故障特征的原理.     

基于改进卡尔曼滤波的配电网动态数据平差方法

受设备、天气等多方面因素影响,电网量测数据不可避免的存在误差。在实际应用前,应选用合适的估计方法进行数据平差。为减小不良数据对估计精度的影响,本文提出了一种鲁棒性无迹卡尔曼滤波算法(RUKF),在进行无迹卡尔曼滤波之前引入基于运行模式的不良数据检测方法,通过分析量测量的变化趋势调整阈值,避免出现不良数据的漏检与误检现象。以IEEE 33-bus与某实际107节点系统为例,进行仿真验证。实验结果表明,在存在不良数据的情况下,RUKF与传统UKF相比,求得的数据平差结果具有更高的估计精度,提高了数据估算的鲁棒性。多个实验表明本文提出的RUKF算法对数据平差计算可以提供有效的理论支撑。     

welch功率谱估计法在流化床风帽故障检测中的应用研究

利用循环流化床常见故障风帽的实际模型,在搭建的冷态鼓泡流化床的试验台上对流化床正常风帽工况和故障风帽工况下流化床炉膛内复杂多相流动的工况进行模拟。并对正常风帽和故障风帽工况下循环流化床风室内的压力波动信号进行了采集,应用welch功率谱估计法处理采集的压力波动信号,最终得出两种工况下功率谱密度(power spectral density,PSD)的分布情况。对比正常风帽与故障风帽工况下流化床风室内压力波动信号的功率谱密度分布情况,提取故障时的特征值,来实现循环流化床风帽故障的检测与诊断。试验表明,该方法能对流化床风帽的故障进行检测与诊断。提出应用welch功率谱估计法对流化床风帽故障检测的方法,为流化床风帽故障的在线检测提供参考价值。     

基于鲁棒背景检测的显著性电力线路故障识别

红外技术能有效地检测电力设备过热缺陷,具有远距离、不接触、不取样、准确、快速、直观等特点。传统的电力设备故障红外人工诊断耗时、耗力,而针对人工诊断不足提出的智能诊断其难点之一在于能否较好的获得感兴趣区域。红外图像具有强度集中、对比度低等性质,常用的分割算法用于电力设备红外图像ROI获取,其结果往往是过分割。为了加强对设备的故障检测,本论文根据电气设备站安装的固定红外摄像头全天候实时监测,并且拍摄交联电缆、电缆头、电流互感器接头、变比接头、断路器、干式变压器、支柱绝缘子等二十种相关设备的电气设备故障红外图片,再经过基于鲁棒背景检测的显著性检测对故障部位进行图像分割,结果表明图片边界连通性、背景加权对比度以及优化效果,均优于传统方法,有效避免了图像过分割问题。证实了基于鲁棒背景检测的显著性检测对故障部位进行图像分割是可行的。     

一种基于EMD-BLS的三相整流电路故障诊断方法

针对三相整流电路的故障诊断,提出了一种基于经验模式分解和宽度学习系统相结合的三相整流电路故障诊断方法。首先利用经验模式分解方法对故障信号进行分解,提取基本模式分量的能量作为特征信号;然后再利用时间复杂度、低分类高精度的宽度学习系统建立故障诊断的分类模型,有效地完成三相整流电路的故障分类。实验结果表明,经验模式分解特征提取效果显著,宽度学习系统故障分类器具有较好的适应性,较快的计算速度和较高的准确度。     

基于故障物理注入的模拟电路测试性分析方法研究

针对仿真建立的故障字典与实体电路存在较大差异以及一部分电路无法进行软件仿真等问题,本文提出了基于故障物理注入建立故障字典并进行故障检测和隔离的方法。首先研究了基于故障物理注入技术的实现方法;然后根据实测数据构建整数编码字典,以此为基础讨论了故障检测率、隔离率和虚警率等指标的预计方法;最后结合电路实例对算法进行了验证。实验结果表明,采用整数编码字典方法进行测试性分析与传统的D矩阵模型算法相比具有更高的故障分辨能力。