基于多级RBF神经网络集成的传感器故障诊断研究

针对诊断传感器偏置故障及漂移故障的难点问题,提出了一种基于多级RBF神经网络集成的传感器故障诊断方法。该方法充分利用控制系统闭环回路测控信息,建立多级神经网络集成观测器模型。将输出与传感器实际输出相比较获取残差序列,获得基于残差序列的传感器偏置故障和漂移故障的辨识策略,实现控制系统传感器故障在线诊断。将三容水箱液位控制系统作为仿真对象,仿真结果表明该方法不仅可以提高单一神经网络的运算精度,而且采用RBF神经网络集成方式还要优于其他集成方式,可以快速准确地检测和分离传感器故障,辨识传感器故障类型、故障大小以及故障发生的时间。     

基于改进的 D-S 证据理论在设备故障诊断中的应用

多传感器、多手段检测的信息融合技术在设备检测中的应用日益广泛,而常用的基于D-S证据理论的融合技术除了没有给出可信度的分配方法外,融合结果上还有很多不足之处。探讨了可信度的分配问题,提出了几种改进的融合方法,较好地解决了证据冲突时的否定性、积化性和敏感性问题。     

涡轮泵实时故障检测的时间编码信号处理方法研究

为了提高液体火箭发动机涡轮泵实时故障检测的有效性,通过取消对胞元长度限制和提出新的编码计算方法,提出了一种改进的时间编码信号处理方法,并将其应用于涡轮泵振动信号的实时特征提取.通过正常和异常涡轮泵历史试车稳态过程的振动数据对该方法的稳定性和故障检测有效性进行了验证,结果表明,基于时间序列编码的信号处理方法可以有效提取故障特征,可用于涡轮泵故障的实时检测.