基于改进多模滤波算法的控制系统故障诊断

应用分层多模自适应滤波算法对控制系统的故障进行诊断时,只能识别出故障的类型,如识别出是传感器还是执行器发生故障,并不能判定出故障的大小.提出一种改进分层多模自适应滤波算法,应用此算法可使分层多模自适应滤波算法不仅可以检测出控制系统的故障类型,而且能够确定发生故障的执行器局部故障程度.将此算法应用于某无人机控制系统的故障诊断,仿真结果验证了该方法的有效性.     

油库储油区燃烧爆炸事故树分析

针对油库储油区安全管理点多面广的特点,分析储油区燃烧爆炸事故的相关影响因素和条件,建立完善的事故树模型。通过定性分析理清燃烧爆炸事故与基本事件之间的逻辑关系,定量分析获得各项基本事件的结构重要度排序,找出储油区存在燃烧爆炸隐患的重点部位,制订科学合理的安全信息监控点设置策略,为油库安全管理手段向信息化迈进提供决策依据。     

复杂条件下岩质边坡施工过程数值模拟

为研究基坑开挖时的变形、稳定性及对坡顶建筑物的影响,以实际工程为例,运用数值模拟分析方法,对含有软弱夹层的顺层岩质基坑边坡在直立开挖与支护过程中的位移场、应力场及对坡顶建筑物影响进行了动态模拟分析。研究结果表明:开挖过程中,岩体卸荷引起变形,支护结构可以限制变形的发展,开挖面处岩体失去原有限制发生卸荷回弹,使得边坡顶部和靠近开挖面处出现拉应力集中区,层状岩体的软弱夹层处会产生较大的剪应力,并随着开挖加深而增大;开挖后边坡顶部已建挡墙附近应力消散,坡顶产生不均匀沉降。     

基于排放和模糊神经网络模型的柴油机故障诊断方法

根据排放检测数据规律,定义并提取特征参数,建立了规则与模糊神经网络有机结合的柴油机故障诊断模型及其对应的特征知识库,确立了模型的“可塑性”学习路线,并以单缸失火故障为例,进行了模型诊断实例研究。结果表明：运用该方法进行柴油机的故障诊断,结果准确,识别速度快,诊断效率高。     

基于NNLI技术的齿轮箱故障诊断

将NNLI技术应用到齿轮箱的故障诊断中,提出了基于NNLI的特征提取方法,并将该方法与神经网络结合起来,进一步提出基于NNLI特征提取的神经网络故障诊断方法,给出了两种不同的网络分类器,通过齿轮箱故障诊断实例验证了该方法的有效性。     

通用雷达装备虚拟维修训练系统设计

针对目前装备模拟训练系统研制所存在的问题,以雷达装备为研究对象,开发了一种通用虚拟维修训练系统。该系统运用高层体系结构和组件技术,采用总线—插件的分布式软件体系结构,实现了系统开放互联的要求,有效降低了开发成本,提高了系统的通用性。     

基于BP神经网络的复杂电子设备实时故障诊断专家系统

以某型通信设备为例,介绍了如何将BP神经网络和传统的专家系统结合在一起,构成实时的故障诊断系统,从而避免传统的专家系统存在的一些问题,更好地解决故障诊断的问题.     

Bayes信息融合方法在雷达故障诊断中的应用

根据雷达系统诊断信息多样化的特点,重点考虑雷达的BIT信息、FMECA信息、FTA信息和案例信息,提出将各类信息根据对故障现象的影响程度进行归一化处理,然后利用Bayes证据理论的方法将归一化后的信息进行融合处理,得到的结果进行故障诊断的方法,该方法可以克服各类故障信息中的量纲不一致性,可以提高诊断的可信度,降低诊断的不确定度,是一个比较理想的方法。     

基于D-S理论的综合故障诊断决策方法

从解决综合诊断中多诊断方法诊断结果的综合问题出发,介绍了D-S理论的有关概念和公式以及组合规则,提出了D-S理论在综合故障诊断决策中的应用方法,解决了综合诊断系统中多诊断方法诊断输出结果的综合问题,减少了系统输出不确定性,提高系统诊断可靠性和准确性。     

Transient analysis of Markov models of fault‐tolerant systems with deferred repair using split regenerative randomization

The (standard) randomization method is an attractive alternative for the transient analysis of continuous time Markov models. The main advantages of the method are numerical stability, well‐controlled computation error, and ability to specify the computation error in advance. However, the fact that the method can be computationally very expensive limits its applicability. In this paper, we develop a new method called split regenerative randomization, which, having the same good properties as standard randomization, can be significantly more efficient. The method covers reliability‐like models with a particular but quite general structure and requires the selection of a subset of states and a regenerative state satisfying some conditions. For a class of continuous time Markov models, model class C₂, including typical failure/repair reliability‐like models with exponential failure and repair time distributions and deferred repair, natural selections are available for both the subset of states and the regenerative state and, for those natural selections, theoretical results are available assessing the efficiency of the method in terms of “visible” model characteristics. Those results can be used to anticipate when the method can be expected to be competitive. We illustrate the application of the method using a large class C₂ model and show that for models in that class the method can indeed be significantly more efficient than previously available randomization‐based methods. © 2006 Wiley Periodicals, Inc. Naval Research Logistics, 2006