运载火箭多表冗余捷联惯组的故障诊断与决策

为了提高运载火箭惯导系统的可靠性,介绍了一种多表冗余捷联惯性测量组合的故障诊断和冗余信息重构技术,对陀螺仪和加速度计信息采取三取二的冗余、诊断的管理策略,将故障定位到具体惯组的某个敏感轴,对故障惯组隔离后进行信息重构,实现故障情况下的导航信息的正常输出,增强了运载火箭对惯组故障的适应能力。     

基于拉普拉斯分值和超球支持向量机的轴承故障诊断方法设计

针对轴承振动信号中的故障信息往往很微弱,同时振动样本数据分布不平衡即故障样本占总样本数的比例低,从而导致故障诊断模型训练不精确而影响诊断精度的问题,提出了一种基于拉普拉斯分值和超球大间隔支持向量机的故障诊断方法。首先,采用有标签的训练样本数据和拉普拉斯分值法提取原始振动信号中的微弱故障信息,并降低其数据维数,从而得到用于故障诊断的特征向量,然后设计了一种改进的超球大间隔支持向量机的故障诊断模型,通过最小化超球体积和最大化超球边界和故障样本之间的间隔来实现故障诊断,以解决样本的不均衡问题,最终通过将测试样本数据代入决策方程并通过投票机制确定其故障类别。在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中方法能有效解决样本的不均衡情况下的故障诊断,且相对其它方法,具有诊断精度高和收敛速度快的优点。     

基于深度卷积网络的多传感器信号故障诊断方法研究

针对传统故障诊断方法中多传感器数据融合技术难度大、特征提取困难等问题,提出了一种基于深度卷积网络的多传感器信号故障诊断方法,通过构建测量数据帧进行卷积计算实现多通道数据的自然融合,利用深度网络结构实现高层特征的自动提取和分类,从而高效地实现了故障分类诊断;经分别采用小规模数据集REF和大规模故障数据集BI02进行实验验证,均取得了较高的故障识别准确率,具有很强的工程应用价值。     

基于模糊神经网络的故障诊断及其在无刷直流电机系统中的应用

本文针对故障诊断知识具有模糊性的特点,提出了一种基于模糊神经网络的故障诊断方法,将模糊理论与神经网络融合在一起,实现了对故障的模糊诊断.文中给出了模糊神经网络的结构和学习方法,并提出了一种阈值向量故障判别方法,使故障判别更具灵活性.并以无刷直流电机系统为对象,将该方法应用于系统的故障诊断,仿真结果表明,该方法是行之有效的.