复杂机载电子系统故障综合诊断技术研究

故障综合诊断技术一直是复杂机载电子系统研发过程中的关键部分,当前的故障诊断技术同时需要机内测试（BIT）和场外自动化测试设备（ATE）的测试结果才能得出诊断结果,诊断效率低,时间长并且不能在线诊断。针对新一代战斗机将更加依赖航空电子系统的趋势,迫切需要一种诊断时间短,且能够实现在线诊断的故障诊断技术。因此,一种基于模型的故障诊断方法被提出。该方法通过融合多信号模型和整数编码故障字典模型,模块间采用多信号模型,单个模块中采用整数编码故障字典模型,克服了多信号模型对测试信息的浪费和整数编码故障字典模型建模困难的缺点,并提出一种多目标测试优选方法,通过优化检测方案,充分发挥BIT的检测性能。该方法通过充分使用BIT的测试信息,摆脱了对场外ATE的依赖,实现了在线快速定位故障并识别故障模式。     

基于多信号流模型的诊断策略动态生成

针对静态故障树诊断序列长、人工可干预度差和不支持多现象并行推理问题,提出了基于D-矩阵和Rollout信息启发搜索算法的故障诊断策略动态生成方法,介绍了基于TEAMS多信号流模型的D-矩阵数据获取方法和Rollout信息启发搜索算法的DLL独立封装技术、输入输出数据规范和动态交互控制方法;基于此开发的交互式智能诊断系统(IIDS)软件平台经实际现场测试诊断验证,对诊断现场出现的多种客观条件,如系统工作模式或测试资源变化、用户干预和多故障现象并发推理等具有很好的适应性,故障覆盖率和隔离率指标高,对提高装备故障诊断的效率、准确性和灵活性具有显著作用。     

多信号模型在虚拟故障建模与仿真中的应用

在分析虚拟维修训练需求和故障机理的基础上,提出基于多信号模型的电子装备故障建模方法,研究了虚拟环境中故障数据生成与实时检测、故障现象模拟及仿真运行流程等问题;在VC++环境下开发虚拟仪表,并借助实时通信模块获取Virtools环境中虚拟样机上的测试信号;最后,在Virtools中实现了某型无人机飞行指挥与控制系统故障建模与仿真,验证了该方法的可行性;多信号模型可以完整地描述故障的传递轨迹,高效、灵活地构建故障故障机理模型,为受训人员提供了一个实施诊断逻辑的良好训练环境。     

飞行控制系统故障诊断与重构技术研究

对于高空长航时无人机高性能要求,提出一种多等级余度飞行控制系统。结合飞行控制系统各组成部分的结构特点,给出了传感器信号的余度信号管理技术,机载计算机通道故障诊断与仲裁技术;伺服子系统故障隔离和控制分配重构技术。试验结果表明该飞行控制系统故障诊断与重构方案设计合理可行,不仅较好地完成了飞行控制系统的余度管理任务,而且有效提高了故障检测率抑制了虚警,保证了系统的可靠性与容错能力。     

基于多信号温度模型的机载电子板卡故障检测研究

在利用红外热像仪进行机载电子板卡故障检测中,针对电子板卡结构复杂,解析建模困难的特点,提出了一种基于多信号温度模型的分析诊断方法。通过将机载电子板卡正常工作时的红外温度图像与故障时的进行对比,建立了系统的多信号温度模型,针对多信号温度模型的缺点,提出一种基于贝叶斯网络的测试性建模方法,并给出贝叶斯网络模型的测试性分析方法与指标计算方法,得到模型相关矩阵并进一步进行故障诊断分析,为检测电子元器件故障及老化程度提供了一种有效途径。     

基于有色Petri网的工作流故障诊断方法

工作流系统的故障自动诊断和定位是云计算环境提供持续服务的基础。为了提高工作流系统的故障诊断准确性,本文提出了一种基于有色Petri网的故障诊断方法。首先,用开放世系模型对工作流进行建模。然后,提出了一种基于有色Petri网的故障模型。最后,将工作流的开放世系模型转化为有色Petri网故障模型,并提出了相应的多故障诊断方法。实验表明,本文提出的方法不仅故障定位的准确率和执行效率高于相关算法,还能有效的识别系统中的多个故障。     

基于Treelet变换的模拟电路故障诊断

针对模拟电路故障诊断中特征向量冗余的问题,提出一种基于Treelet变换的模拟电路故障诊断方法.Treelet变换是一种自适应的多尺度的数据分析方法,适用于对高维数据降维和特征选择。文中首先对被测电路的输出信号采样,将采集到的信号进行Treelet变换,提取故障特征向量,最后将得到的特征向量输入BP神经网络进行故障模式识别。仿真实验结果表明,该方法能够有效地提取电路故障特征。与其他故障特征提取方法相比较,基于Treelet变换的模拟电路故障诊断方法具有较高的故障诊断率和收敛速度。     

基于多信号模型的诊断推理机设计

随着飞机功能和性能要求的不断提高,其综合化程度、复杂性也越来越高,传统的故障诊断方法已经不能满足日益复杂的飞机维护需求。针对传统诊断方法对系统的强依赖性和在多故障模式下处理能力不足等问题,给出一种基于多信号模型的故障诊断方法,设计并实现了基于多信号模型的诊断推理机,并用以某型飞机的自动飞行控制系统为对象验证了该方法在解决飞机系统故障关联和多故障诊断问题中的有效性。     

基于免疫遗传算法改进的BP神经网络在灭火系统电路板故障诊断中的应用

针对装甲车辆灭火系统电路板规模较大,功能日趋多样与完善的同时,其复杂程度也日益提高,故障层次越来越多,故障现象与故障原因的映射关系更加复杂,组合故障频发,传统的故障诊断方法已不能满足灭火系统电路板故障诊断的要求。设计了基于免疫遗传算法优化的BP神经网络对灭火系统电路板进行故障诊断,并在免疫和遗传过程中保留了部分训练最优解。实现了神经网络收敛速度的提高,使用Matlab编程优化算法并完成了电路板仿真故障的诊断。通过实验验证了该诊断模型的准确性和可靠性,为电气系统通用检测设备的神经网络诊断方法实现提供了理论支撑。     

基于改进的自适应回归时序模型故障诊断

汽车变速箱的故障诊断工作比较复杂,由于传统的诊断方法已不能满足复杂的故障现象, 文中提出了一种基于改进的自适应回归时序模型故障诊断方法;方法采用了基于时间序列故障诊断技术,首先测取工作环境下的振动信号,然后建立被诊断对象的时间序列数学模型,最后用信息距离判别法诊断出故障类型,提高了诊断效率;最后在变速箱进行了实验研究;选用型号为621B40型ICP加速度传感器测取变速箱的振动信号,通过设置模型参数(n,m)来模拟故障检测,实验分析表明,提出的算法可以有效地识别变速箱系统中不同严重程度的故障,且与传统的故障诊断算法相比,提出的算法对提高识别率和降低计算复杂度都有着明显的优势。     

混沌状态下永磁同步发电机的故障诊断——LMI法研究

本文以永磁同步风力发电机为研究对象, 在两相同步旋转坐标系下建立了永磁同步发电机的数学模型. 应用时间尺度和线性仿射变换建立了系统混沌模型, 验证了系统在某些参数和工作条件下会出现混沌运动. 随后在考虑系统不确定性的情况下设计了故障观测器, 在系统发生故障时, 通过所设计的故障观测器能对混沌状态下永磁同步发电机的故障做出准确估计. 仿真结果表明基于线性矩阵不等式方法的故障观测器能够对系统故障做出快速准确的诊断. 关键词： 永磁同步发电机 混沌 非线性不确定系统 故障诊断     

基于固态功率控制器的器载配电器的BIT设计技术研究[BT)]

航空航天飞行器发展迅速,用电设备数量增多,飞行任务复杂性增大,对飞行器配电系统的智能程度以及可靠性提出更高要求。配电器是配电系统的核心设备,为飞行器所有用电负载设备分配电能,其性能的优劣直接影响到飞行任务的成败,BIT（Built-In Test）技术是一种能够显著改善系统或设备测试性能和诊断能力的重要手段。研究了以固态功率控制器为核心器件的配电系统总体方案,对固态功率控制器的故障模式与测试方法进行了分析,给出了测试点设计和优选方法,通过故障诊断能力计算结果表明BIT设计技术可提高配电系统的可靠性和智能化程度。     

A Fault Diagnosis Method Considering Meteorological Factors for Transmission Networks Based on P Systems

Bad meteorological conditions may reduce the reliability of power communication equipment, which can increase the distortion possibility of fault information in the communication process, hence raising its uncertainty and incompleteness. To address the issue, this paper proposes a fault diagnosis method for transmission networks considering meteorological factors. Firstly, a spiking neural P system considering a meteorological living environment and its matrix reasoning algorithm are designed. Secondly, based on the topology structure of the target power transmission network and the action logic of its protection devices, a diagnosis model based on the spiking neural P system considering the meteorological living environment is built for each suspicious fault transmission line. Following this, the action messages of protection devices and corresponding temporal order information are used to obtain initial pulse values of input neurons of the diagnosis model, which are then modified with the gray fuzzy theory. Finally, the matrix reasoning algorithm of each model is executed in a parallel manner to obtain diagnosis results. Experiment results achieved out on IEEE 39-bus system show the feasibility and effectiveness of the proposed method.     

无人值守变电站电力设备音频监测及故障诊断系统

针对智能变电站的无人值守需求及现有故障诊断系统的不足,提出一种电力设备音频监测及故障诊断系统。根据变电站电力设备音频信号信噪比较低的特点,采用具有强鲁棒性的梅尔频率倒谱系数作为判断音频信号异常的特征参数,在此基础上根据音频特征构成多样本观测序列,并采用隐马尔科夫模型进行故障诊断,通过对比对数似然估计概率的输出值确定故障类型。该方法具有实时性较强的优势,也避免了现有故障诊断方法要求较大样本容量的缺陷。实验结果表明,该故障诊断系统具有较高的识别率和鲁棒性。     

兆瓦级NBI加热系统弧流电源故障诊断方法探究

针对中国环流器2号A(HL-2A)装置弧流电源的特点,以及弧流电源故障诊断的条件与现状,提出了结合中性束注入(NBI)控制系统的相关功能模块与基于Matlab/Simulink仿真技术构建的故障字典,以实现弧流电源运行状态的在线监测及其故障模式的诊断。NBI控制系统在监测到弧流电源故障状态后,调用存储的弧流电源输出信号进行分析,提取信号的特征值,然后通过查找弧流电源故障字典以诊断出可能的故障模式。结合实验数据论证了该故障诊断法对弧流电源简单故障定位准确,对复杂故障能缩小定位范围,具有原理简单、可操作性强等优点。     

基于风洞的设备健康管理与数据有效性判定平台研究

低速增压风洞是满足我国航空工业科技发展而建设的一座气动力重大基础试验设施。为了保障该设施的高效率和可靠地运行,以各机电设备、电气测控设备、机械装置为对象,根据其故障模式和故障特点选取合适的监测点,获取实时工作状态数据,再以数据为基础,进行状态监测、故障诊断、故障预测,实现预先性决策和针对性快速维修。基于OSA-CBM 体系构建的风洞健康管理系统,根据设备的运行状态,实现对试验数据的有效性进行实时判定,并实现了风洞装备由事后维修向视情维修转变;实现了装备从使用、维护、管理模式由分散式管理向集约式管理的转变;实现了装备系统故障诊、预测及判读从人工智能向机器智能的转变。     

基于高压模块供电的MCP-PMT高压击穿故障分析及设计改进北大核心CSCD

为克服MCP-PMT传统高压供电设备体积大、便携性差的问题,采用了基于小型化高压模块的高压供电方式。该系统在实际使用过程中发生了一起MCP-PMT高压击穿故障。详细分析了该系统的故障原因,将问题定位为MCP-PMT内部真空度下降导致的耐压性能下降,同时还发现了导致故障发生的诱因是高压模块在加电时刻存在的高压过冲现象。针对高压模块的过冲问题,本文提出了较为巧妙的设计改进方法并取得了良好的效果,进一步提高了MCP-PMT系统的工程应用可靠性。     

Multi-Sensor Vibration Signal Based Three-Stage Fault Prediction for Rotating Mechanical Equipment

In order to reduce maintenance costs and avoid safety accidents, it is of great significance to carry out fault prediction to reasonably arrange maintenance plans for rotating mechanical equipment. At present, the relevant research mainly focuses on fault diagnosis and remaining useful life (RUL) predictions, which cannot provide information on the specific health condition and fault types of rotating mechanical equipment in advance. In this paper, a novel three-stage fault prediction method is presented to realize the identification of the degradation period and the type of failure simultaneously. Firstly, based on the vibration signals from multiple sensors, a convolutional neural network (CNN) and long short-term memory (LSTM) network are combined to extract the spatiotemporal features of the degradation period and fault type by means of the cross-entropy loss function. Then, to predict the degradation trend and the type of failure, the attention-bidirectional (Bi)-LSTM network is used as the regression model to predict the future trend of features. Furthermore, the predicted features are given to the support vector classification (SVC) model to identify the specific degradation period and fault type, which can eventually realize a comprehensive fault prediction. Finally, the NSF I/UCR Center for Intelligent Maintenance Systems (IMS) dataset is used to verify the feasibility and efficiency of the proposed fault prediction method.