基于主元空间统计的传感器故障诊断与重构

针对主元分析故障诊断方法中所采用SPE统计量的局限性,通过分析主元模型的整体框架,提出一种通过T2统计量来研究传感器数据超限的故障检测与重构,确定故障大小与类型,采用迭代法恢复传感器示值的方法。仿真结果表明,该方法对传感器进行故障检测与重构后,其故障幅值完全处于精度范围内,且低于所要求的控制限。     

基于DPCA方法的传感器故障检测与诊断

针对多传感器的相关时序测量数据,在假设只存在传感器故障的前提下,提出了一种基于动态主成分分析（DPCA）的传感器故障检测方法。根据测量数据建立传感器的DPCA模型,在该模型基础上利用T2和SPE统计量进行传感器的故障检测。同时,将基于主成分分析（PCA）模型的传感器有效度指标SVI推广应用于DPCA模型中。通过对污水处理系统中重要传感器的故障诊断仿真实验表明：该方法能有效地检测和识别出故障传感器。     

加权k最近邻重构分析的工业过程故障诊断

k--最近邻(k--nearest neighbor, k--NN)是一种有效的基于数据驱动的故障检测方法, 该方法在工业过程监视方面已经得到了广泛的应用. 但在过程中存在故障时, 精确地寻找故障根源和识别故障变量是故障诊断的重要目标, 也是保证工业过程安全生产的重要任务. 本文在k--NN故障检测技术的基础上, 提出了一种加权的k--NN重构方法, 对使控制指标减小最大(maximize reduce index, MRI)的过程变量依次进行重构, 进而确定发生故障的传感器. 根据理论分析并结合数值仿真对提出的方法进行了验证, 数值仿真先从精度方面验证了该方法能够有效地对故障传感器数值进行重构, 然后验证了该方法不仅适用于单一传感器 故障诊断, 对于同时发生或者因变量相关性而传播的传感器故障也具有很好的效果. 最后, 该方法被成功应用于TE(Tennessee Eastman)化工过程.     

基于滑模观测器的车辆电子稳定性控制系统故障重构

针对车辆电子稳定性控制系统的横摆角速度传感器和侧向加速度传感器故障检测和重构问题,使用T-S模糊系统建立了车辆动力学系统的全局模型,依据滑模控制理论,给出了基于滑模观测器的传感器故障检测和重构方法,且所设计观测器满足给定的从未知输入到故障重构误差的L2增益性能要求.最后通过实测数据,验证了方法是可行的.     

加权κ最近邻重构分析的工业过程故障诊断

k-最近邻(k-nearest neighbor,k-NN)是一种有效的基于数据驱动的故障检测方法,该方法在工业过程监视方面已经得到了广泛的应用.但在过程中存在故障时,精确地寻找故障根源和识别故障变量是故障诊断的重要目标,也是保证工业过程安全生产的重要任务.本文在k-NN故障检测技术的基础上,提出了一种加权的k-NN重构方法,对使控制指标减小最大(maximize reduce index,MRI)的过程变量依次进行重构,进而确定发生故障的传感器.根据理论分析并结合数值仿真对提出的方法进行了验证,数值仿真先从精度方面验证了该方法能够有效地对故障传感器数值进行重构,然后验证了该方法不仅适用于单一传感器故障诊断,对于同时发生或者因变量相关性而传播的传感器故障也具有很好的效果.最后,该方法被成功应用于TE(Tennessee Eastman)化工过程.     

卡尔曼滤波器用于发动机传感器故障检测

讨论了采用卡尔曼滤波器对发动机传感器故障进行检测，分离问题，当传感器参与控制过程时，必须避免故障传感器输出对其它传感器的影响，并有效地检测出已故障的传感器，还就实时控制时信号重构过程进行了全数字仿真，结果表明所采用方法能有效检测，分离故障，并进行信号的重构与切换。     

重构贡献在变压器故障诊断中的应用

在常规DGA诊断方法中,存在故障数据不敏感的问题。为此,提出一种基于重构贡献的变压器故障诊断方法。该方法在建立主元分析模型后,采用SPE和T2统计量检测故障,在分析重构贡献法故障诊断性能的基础上,利用重构贡献法识别故障。实例研究结果表明,该方法可以识别故障发生的原因,提高故障诊断的准确性,具有较好的故障识别能力。     

主元空间中故障可重构性、可分离性研究

基于主元分析(Principal Component Analysis,PCA)的统计过程性能监测尽管不依赖于精确的数学模型,但也限制了它的故障诊断能力。本文在故障子空间和PCA监测模型及故障重构技术的基础上,研究了基于T2统计量的故障诊断问题,获得了主元空间中故障可重构性、可分离性的必要充分理论条件。通过对双效蒸发过程的仿真监测,证实了所获理论结果的有效性;表明通过故障重构不仅为故障识别提供了基础,而且重构故障幅值波形还为判断传感器故障类型提供了依据。     

基于扰动估计的飞行控制系统传感器故障重构

针对飞行控制系统的传感器故障重构问题,讨论了基于扰动估计的传感器故障检测与重构方法。首先,通过建立观测器,对已有系统的干扰进行估计;其次,通过干扰的估计值来建立系统的鲁棒观测器;最后,再通过对系统建立多个降维鲁棒观测器来隔离并重构传感器故障。采用某飞机横侧向模型进行仿真验证,仿真表明基于扰动估计的鲁棒观测器能够有效地对传感器故障进行隔离与重构。     

主元空间中故障重构的故障识别（英文）

基于主元分析(Principal Component Analysis,PCA)统计过程监控方法,由于其不需要数学模型,因此目前在过程监控领域获得了广泛应用,但这也限制了其在故障诊断方面的能力。针对此问题,本文从故障子空间与PCA监控模型的角度,利用故障重构技术,对基于PCA的T~2统计量进行重构,获得了主元子空间中T~2统计量的故障可重构性理论条件,提出了具体的故障识别指标和诊断算法,解决了基于主元子空间故障重构技术的故障诊断问题,弥补了Dunia等人的方法只在残差子空间中讨论故障重构与识别问题。通过对双效蒸发过程的仿真监控,表明了所获得的理论条件、故障识别指标和诊断算法能对传感器故障和过程故障进行有效地识别,证实了所获理论、识别指标和诊断算法的有效性。     

分布式光纤测温系统及高速数据采集与处理

分布式光纤测温系统是一种用于实时测量空间温度场分布的传感器系统。介绍了一种以数字信号处理器(DSP)为核心,以并行高速流水线式A/D转换器、先入先出队列芯片(FIFO)、可编程逻辑器件(CPLD)为主体的分布式光纤测温系统。其数据采集速率每秒可达10×107次,空间分辨力达1m,温度分辨力为1℃,并能直接在主机中解调出温度数据。     

电容式MEMS器件模态频率的电学测试方法研究

针对电容式MEMS器件,提出了一种基于调制解调原理的模态频率测试方法,详细介绍了该测试方法的测试原理和测试系统的组成。利用Ansys对某插齿式微加速度计进行了模态仿真分析,分析得到的模态频率为3 941 Hz,利用该测试方法对该微加速度计进行模态频率测试,得到的测试结果为3 440Hz。仿真与测试得到的结果接近,验证了该测试方法的有效性,产生偏差的主要原因可能是制造过程中的加工误差。     

基于二分图极大权值匹配的SOC故障定位算法研究*

针对故障传播给故障定位带来的影响,考虑SOC功能测试系统中的故障源和故障事件之间的不确定性,提出一种基于二分图的故障定位算法。首先从SOC中抽象出特定的硬件模块,由这些模块构成故障源。然后故障源结合相应的故障事件组合成二分图,在二分图的基础上生成一种适用于SOC故障定位的故障传播模型(Fault Propagation Model,FPM)。最后将SOC故障定位的问题转化成二分图极大权值匹配的求解问题,从概率上保证结果的正确性。实验结果表明,故障定位准确率提高了0~21%,误报率下降了0~15%,更加适用于小型系统的故障定位。     

基于路径分析和信息熵的错误定位方法

软件错误定位是一项耗时又费力的工作,因此如何提高软件错误定位的自动化程度一直以来都是软件工程领域研究的热点.现有的基于频谱的错误定位方法很少利用程序的上下文信息,而程序的上下文信息对错误定位至关重要.针对此问题,本文提出了一种基于路径分析和信息熵的错误定位方法FLPI.该方法在基于频谱信息技术的基础上,通过对所有执行路径中的数据依赖关系进行分析来引入执行上下文信息,同时利用信息熵理论将测试事件信息引入到可疑语句的怀疑度计算公式中,以提高错误定位的精度和效率.为了评价该方法的有效性,基于一组基准程序和开源程序进行实验验证.实验结果表明,本文所提方法FLPI能够有效地提高错误定位的精度和效率.     

基于主元特征提取的汽轮机性能监测和故障诊断

提出了一种基于主元特征提取的汽轮机性能监测和故障诊断新方法,该方法充分利用了发电机的过程数据信息,通过计算监控统计量Hotelling’s T2和SPE来监测汽轮机的运行。若T2或SPE统计量超过置信上限,则判定系统存在故障或异常,可以通过相似度分析的方法来确定故障发生的原因,汽轮机历史故障数据集仿真试验验证了该方法的有效性。     

基于故障重构的故障识别

针对基于主元分析(Principal Component Analysis,PCA)的统计过程性能监测法,尽管不依赖于精确的数学模型,然而却限制了其在故障诊断方面的能力问题,在故障重构技术的基础上,研究了基于统计量的故障诊断问题,获得了主元子空间中故障可重构性的理论条件,提出了故障识别指标和诊断算法.通过对双效蒸发过程...     

针对CLEFIA的多字节差分故障分析

研究CLEFIA分组密码对多字节差分故障分析的安全性,给出CLEFIA分组密码算法及故障分析原理。根据在第r轮、r-1轮、 r-2轮注入多字节故障的3种条件,提出一种新的针对CLEFIA的多字节故障模型及分析方法。通过仿真实验进行验证,结果表明,由于其Feistel结构和S盒特性,CLEFIA易遭受多字节故障攻击,6~8个错误密文可恢复128 bit的CLEFIA密钥。     

基于UHF传感器与以太网的GIS局部放电监测系统设计

针对传统局部放电监测采样率低、信号易受干扰、不利于实时监测,而超高频（ UHF）传感器进行局放监测因设备通信速度慢、无法故障录波的问题,设计了一种基于UHF传感器与以太网的气体绝缘开关设备（ GIS）局部放电监测系统。该系统由一个主控采集系统和若干个传感器模块组成,传感器模块获取局部放电产生的UHF电磁波信号0.3～2 GHz,通过对数检波电路降频至2～10 MHz;主控采集系统采集该信号,通过SDRAM缓存后经以太网发送至变电站管理员,实现对GIS局部放电高速实时在线监测。测试实验结果表明：该系统功能强,速度高,工作稳定,监测范围广,当局部放电发生时,系统能实时发送报警信号,并可提供故障信号波形用以故障分析。10/100 M以太网通信实际速度可达500 kB/s,比传统的RS—485通信速度提高90倍以上。     

Ensuring fault-tolerant computations in distributed control systems

This paper demonstrates that the fault tolerance of distributed control systems (DCSs) can be improved by scheduling of processes representing functional segments with guaranteed operation of the mechanisms of process reexecution and parallel execution based on checkpoints. Moreover, we suggest the methodological approach to assessing the fault tolerance level of DCSs, which proceeds from the probabilistic modeling of systems having the time triggered architecture (TTA). Finally, we derive numerical formulas for qualitative and quantitative estimation of the fault tolerance level for different modifications of DCSs at the design stage.     

Deep auto-encoder observer multiple-model fast aircraft actuator fault diagnosis algorithm

In the extended multiple model adaptive estimation fault diagnosis algorithm, the extended Kalman filter has theoretical limitations, and the establishment of accurate aircraft mathematical model is almost impossible. Meanwhile, there is no automatic method to optimally select the node number of deep neural network hidden layer. In this paper, a deep auto-encoder observer multiple-model fault diagnosis algorithm for aircraft actuator fault is proposed. Based on the empirical formula of the basic auto-encoder hidden layer node number selection (three layered neural network), the recursive formula for deep auto-encoder hidden layer node number selection are proposed. The deep auto-encoder observers for no-fault and different actuator faults are trained to observe the system state. Combined with multiple model adaptive estimation, the deep auto-encoder observer overcomes the theoretical limitation of extended Kalman filter, and avoided the calculation of the nonlinear system Jacobian matrix. The simulation results show that hidden layer node number selection recursive formula is useful. The fault diagnosis algorithm is more efficient and has better performance compared to the standard methods.