贝叶斯网络在模型诊断中的应用

把贝叶斯网络引入到模型诊断框架中,依据观测量,研究了一种建立系统贝叶斯网络观测模型的方法。利用网络观测模型,可计算系统诊断解的后验概率,从而找出系统最可能的故障组件。最后,以卫星两轴姿态控制系统为例,应用本文方法进行了分析。     

基于免疫机理的气阀故障诊断

生物免疫系统众多的工作机理为研究新的故障诊断方法提供了方向.该文研究了一种结合克隆和变异原理的反面选择算法.比较气阀正常和故障时的频谱,提取出气阀某一故障的特征频段,利用反面选择算法产生适于这一故障的检测器集.通过对3种气阀故障的检测,说明了该算法的有效性.     

基于反面选择算法的气阀故障诊断

研究了一种结合克隆和变异原理的反面选择算法，利用傅立叶变换把时域振动信号转换为频域信号，提取出某一故障的特征频段，基于生物免疫系统的反面选择机理，并利用反面选择算法训练和产生适合于这一故障的检测器集。通过对三种气阀故障的检测，实验结果很好地说明了本算法的有效性，为研究新的故障诊断方法提供了可能。     

基于模型的航天器推进系统故障诊断

设计了基于模型的推进系统的故障诊断系统,根据推进系统的结构和行为模型,分析出各组件可处的工作状态及组件之间的连接关系,利用JMPL建模语言建立了推进系统各组件的定性模型。把推进系统模型和系统场景文件输入给诊断推理引擎,可实现推进系统的实时诊断。诊断结果表明,建立的推进系统模型是准确可靠的,开发的诊断系统能有效地找出故障组件并确定故障组件的状态。     

基于GA-PSO优化BP神经网络的压缩机气阀故障诊断

针对压缩机气阀故障信号非平稳性、非周期性的特点,提出一种基于主成分分析（PCA）和GA-PSO优化BP神经网络的压缩机气阀故障诊断方法。首先利用小波包分解提取出气阀故障的特征;然后故障特征向量通过PCA降维,降低网络的规模和计算时间。针对标准BP算法收敛速度慢且易陷入局部极小的缺点,引入一种GA-PSO算法用于BP神经网络的参数优化过程。最后以往复压缩机阀盖的振动信号作为信号源,通过故障诊断仿真测试,验证了PCA和GA-PSO-BP神经网络对压缩机气阀故障诊断具有可行性和有效性。     

基于贝叶斯网络的转子系统故障诊断研究

通过分析传统故障诊断方法在处理实际系统不确定性问题时存在的困难,研究了基于贝叶斯网络的转子故障诊断方法。依据转子系统存在的故障类型和对应的故障征兆,本文建立了转子系统的贝叶斯网络模型,并开发了基于贝叶斯网络模型的转子故障诊断系统。通过对实际转子系统故障的检测,证实了该方法在处理信息不确定条件下,进行故障诊断的有效性。