基于粒子滤波和SPRT的小电流单相接地选线方法

针对现有的小电流单相故障选线方法灵敏度低和选线速度慢等诸多方面的问题,提出了一种基于粒子滤波和序贯概率比检验(sequential probability ratio test,SPRT)的小电流系统单相接地故障选线方法.通过建立线路的粒子滤波状态空间模型,并利用粒子滤波对系统信息进行跟踪与预测,将得到新的观测值通过序贯概率比检验方法,构造其似然比,并结合阈值进行故障选线判断.实验结果表明:该方法可以显著提高小电流系统故障选线的准确率和可靠性.     

基于LS-SVM软传感器的容错控制方法及应用

针对一类非线性系统中传感器卡死、恒增益和恒偏差失效等易发故障,考虑控制系统多存在耦合、非线性、时变、滞后等难以建立精确的解析模型,基于数据驱动技术提出一种软传感器容错控制方法.基于LS-SVM构建了系统软传感器,并利用软传感器的预测输出与实际传感器输出之差获取残差信号;采用SPRT算法进行故障检测,当传感器发生故障时,用LS-SVM软传感器预测输出代替物理传感器的实际输出,从而以软闭环方式实现对传感器故障的容错控制.将所提出的方法应用于一阶水箱液位控制系统,实验结果表明,基于LS-SVM软传感器与SPRT的结合能够可靠及时检测非线性系统中各类传感器故障,而借助于软闭环切换还可对传感器故障实现安全容错.     

基于序贯概率比检验的爆炸物检测系统

设计一种基于标记中子方法的爆炸物检测系统, 采用ING-27型中子发生器与硅酸钇镥闪烁晶体（LYSO）γ探测器进行探测, 并基于序贯概率比检验（SPRT）方法判别爆炸物. 通过[KG*8]对干奶粉、 硝铵(AMM)和TNT模拟物进行检测, 分析计算测量γ能谱数据中C,N,O三种元素的特征峰, 将所得概率比结果与相应的设定阈值ln A和ln B进行比较. 结果表明, SPRT方法可应用于爆炸物检测.     

基于新息特性抗野值Kalman预测算法

针对Kalman最优预测方法应用过程中,量测值中的野值对状态预测的不利影响,提出了一种基于新息正交特性实时估计量测方差的新算法.该算法使得修正的量测方差能够保持修正前的新息正交性,从而改变Kalman最优增益,修正状态预测值,使得预测误差的方差为最小.仿真结果表明,该算法能够克服野值对状态最优预测值的不利影响,提高了跟踪精度.     

基于集员估计的线性MIMO系统故障检测方法

考虑了一类具有未知有界噪声的线性多输入多输出(MIMO)系统的故障检测问题,提出了一种基于集员估计的故障检测方法.通过当前时刻系统状态范围和测量输出值的一致性检验来检测系统是否发生故障.如果系统正常运行,则利用系统测量输出信息校正当前时刻系统状态范围.利用三容水箱系统模型进行了仿真研究,结果表明了所提方法的有效性.     

计数型序贯网图检验

针对序贯概率比检验(SPRT)无法控制抽取样本量等不足之处,提出了一种改进的抽样检验方法-----序贯网图检验. 该方法的要点是在原SPRT问题中插入一系列检验点,将单个检验问题拆分为若干对假设检验的问题. 计算表明,新方法比SPRT有明显的改进; 与国际公认的抽样标准IEC 1123所建议的截尾序贯概率比检验方法比较,其改进是全方位的.     

一种自确认软测量方法的研究与应用

软测量技术在过程工业中得到了广泛应用于代替或部分代替仪表的功能进行监控。但是,长期困扰软测量应用的是其鲁棒性问题。因此,提出了新型的软测量模型即自确认软测量模型。利用主元分析对输入传感器数据进行了在线校验和故障重构,不仅能确保了输入传感器(辅助变量传感器)数据的可靠性。同时,利用一定的状态参数来指示当前输入传感器的状态。此外,通过输出方差和归纳区间估计两种方法对软测量输出的不确定性进行了描述。模型的输出将不是单个预测值的输出,而是同时输出五种信息:带概率区间的输出、模型的状态(故障状态,重构状态和迷失状态等等)、不确定性、故障信息和校验输出值,并对发生故障的输入传感器进行数据重构和修复以达到模型自校验和自诊断的目的。所提出方法在污水处理过程中得到了有效应用。     

基于PSO-RBF监测预测模型的电力电子电路

针对现有电力电子电路故障状态预测技术的不足,提出将电路特征性能参数与粒子群算法(PSO)优化的径向基函数(RBF)神经网络相结合,对电力电子电路进行故障状态监测预测.以电源电路中Buck电路为例,选择电路输出电压作为监测信号,提取输出电压平均值及纹波电压值作为电路特征性能参数,并利用改进后的RBF神经网络实现状态预测.结果表明,利用PSO改进后的RBF神经网络对电路输出平均电压和纹波电压的预测比单纯RBF神经网络预测的结果更加精准,能够跟踪电源电路状态特征性能参数的变化趋势,有效实现电力电子电路状态监测和预测.     

基于LSSVM概率输出与证据理论融合的变压器故障诊断

为了利用相对较少的故障数据样本对变压器主要故障类型进行较准确的判断,基于智能互补和数据融合的思想,提出基于最小二乘支持向量机LSSVM( least square support vector machine)概率输出与证据理论融合的故障诊断方法。该诊断方法具有以下特点：可融合蕴含变压器运行状态的多种特征信息,输出变压器各种故障的概率,为变压器检修提供更多的可用信息;充分发挥了LSSVM在小样本情况下具有较强泛化能力的优势。算例结果表明,该诊断方法的故障诊断准确率达到91.1%,优于传统的IEC三比值法(故障诊断准确率75.6%)及LSSVM分类法(故障诊断准确率82.2%),有效降低了诊断误判的风险。     

基于MSPM的故障诊断技术研究现状与展望

首先,阐述基于主元分析(PCA)模型、偏最小二乘法(PLS)模型和独立分量分析(ICA)模型的统计过程监控方法的基本思想及应用情况,并综述各种方法的研究现状及发展趋势.其次,介绍将传统统计过程监控技术与故障预测技术相结合,并实现基于多元统计过程监控(MSPM)的故障预测的方法及其研究成果.最后,分别就多元故障预测技术中出现的非高斯、非线性、多模态、概率分布、间歇过程的故障预测和应用验证等6个难点问题进行讨论.