数据基故障诊断算法更新问题研究

机内测试被广泛应用于故障诊断、装备健康管理与预测等领域。针对机内测试设备在设计和升级时遇到的分类器更新、样本数量不平衡、硬件条件限制问题,提出初步解决方案。利用基于密度的聚类和人工免疫方法处理原始数据;提出基于代表样本点的混合学习方法;利用支持向量机和仿真案例验证所提方法。结果表明所提方法能够解决上述问题,有助于基于数据的机内测试设备设计与升级。     

火控系统的故障成因及专家系统的建立方法

针对火控系统的故障成因,通过几种常用故障诊断方法的比较,提出了最适合火控系统故障诊断的专家系统法,并就系统的核心问题—系统的总体结构、知识库的建立和推理机制的实现等方面给出了详细的介绍,以提高其应用价值。     

数据驱动的复杂系统非预期故障诊断通用过程模型

提高对复杂系统非预期故障诊断能力是故障诊断领域的难点。结合非预期故障诊断内涵及基本原理,构建了一种用于复杂系统非预期故障诊断的通用过程模型。该模型采用四层递进结构,包括四个主要模型,即预期(已知)故障检测模型、预期(已知)故障识别模型、非预期(未知)故障检测模型和非预期(未知)故障识别模型。分析了各模型所包含的关键问题及其相应的实现算法,包括检测统计量的构建及评估、故障特征方向提取、故障识别器设计及故障贡献率计算。该通用过程模型规范了复杂系统非预期故障的诊断流程,明确了数据驱动的实现原理。以卫星姿态控制系统为例,验证了非预期故障诊断通用过程模型的有效性。     

一种基于元胞自动机的故障样本选取方法

故障样本选取是测试性验证中的关键环节,直接影响测试性验证试验的效率和结果的正确性。在板级电路的故障样本选取过程中,运用传染病思想中的元胞自动机模型分析了电路故障的传播行为,提出了一种基于元胞自动机的故障样本选取方法,实现了故障样本的等效选取。以某型装备关键部件为例,建立了故障传播模型,计算并改进了元胞自动机状态计算方法,通过注入易操作的故障样本,简化了故障注入的流程,提高了故障注入效率。     

模拟电路中非零交叉情况下故障最小范围的确定方法

为确定模拟电路非零交叉情况下故障元件存在范围,提出了一种K故障下诊断的新方法。它是一种确定故障元件存在的最小范围的方法,即在十分现实的K故障下,确定能代表电路所有元件并给出在K故障假设下的最优可测试元件组,使故障定位工作只局限于该组元件。通过可测试值计算和规范式不确定性组与最优可测试成分组的确定,可以诊断故障元件的范围。     

基于阶次分析方法的齿轮箱齿轮故障诊断研究

研究了旋转机械非稳态振动信号分析中的计算阶次分析方法．分析了该方法在重采样过程中的采样率设置规则．利用插值算法实现了对等时间间隔采样的齿轮箱振动信号的角域重采样,将其应用于齿轮箱加速过程故障诊断,成功识别了齿面磨损故障．结果显示,阶次分析法能有效避免传统频谱方法出现的频率模糊现象,在处理非平稳转速变化信号时具有独特的优越性．     

基于主成分分析的储运过程管道堵塞故障检测

针对现代储运过程典型的管道堵塞故障,分析了其对过程监控参数的影响;采用基于主成分分析的故障检测方法,构建了故障检测流程和检测模型;以储运过程典型仿真系统为研究对象,建立了主成分模型;通过模拟不同程度的管道堵塞故障,进行了管道堵塞故障检测的仿真应用研究,获得了管道堵塞故障统计量控制图.实验结果表明了基于主成分分析的故障检测方法的有效性和正确性.     

基于Prony算法合闸于故障保护方案

将Prony分析方法应用于断路器合闸于故障保护。利用Matlab软件对断路器合闸于输电线路故障和非故障情况下的暂态过程进行建模和仿真,对合闸后半个周波或1个周波输电线路保护安装处实测的电流数据进行采样,应用Pronv算法对其进行分析,提取出此暂态电流中包含的各次自振荡分量的各个特征量,识别出线路中是否存在故障。仿真证明：该分析方法可在合闸后半个周波或1个周波准确求出合闸操作暂态过程中各次频率的分量,从而正确识别线路的故障。     

基于模糊模型的发动机部件级故障隔离方法研究

发动机故障诊断与故障隔离是发动机健康监控领域的一大难题,但对发动机故障定位、预防灾难性事故发生及发动机维修意义重大。为了准确地确定故障发生的部位,本文针对某型液体火箭发动机,提出一种基于模糊模型的部件级故障隔离方法。首先对发动机系统进行部件的划分,然后建立各个部件的模糊模型并进行训练,最后按照设定的故障检测与隔离策略对故障进行诊断。利用两组发动机故障仿真数据对基于模糊模型部件级故障隔离方法进行验证,结果表明:本方法可以实现单一或多个部件故障隔离。     

平滑支持向量机的航空发动机性能衰退故障诊断

为解决发动机所监控的健康指数不能多于测量参数的问题,采用平滑支持向量机方法(SSVM),用4个参数对发动机九类衰退故障进行诊断,并与传统的支持向量机方法(采用LSSVM)进行对比.研究表明:在样本数量小、样本分布不平衡等条件的影响下,SSVM对各类部件性能衰退故障的诊断正确率均在90％以上.相对于LSSVM,SSVM无需优化参数,鲁棒性强,对样本集大小和样本集数目不平衡性的适应性良好,更适合航空发动机性能衰退故障的诊断.