CN103970997B - 一种无人直升机传感器故障快速诊断方法 - Google Patents
一种无人直升机传感器故障快速诊断方法 Download PDFInfo
- Publication number
- CN103970997B CN103970997B CN201410186719.9A CN201410186719A CN103970997B CN 103970997 B CN103970997 B CN 103970997B CN 201410186719 A CN201410186719 A CN 201410186719A CN 103970997 B CN103970997 B CN 103970997B
- Authority
- CN
- China
- Prior art keywords
- fault
- sensor
- observers
- robust observers
- dimensionality reduction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种无人直升机传感器故障快速诊断方法,其特征在于将全维鲁棒观测器的估计值与传感器测量的实际值进行比较生成残差,应用序贯概率比准则对残差进行决策分析,从而检测出系统的故障;同时针对每一个参与反馈信号的传感器,建立一系列并行的降维鲁棒观测器实现对输出信号的解耦,然后根据传感器各自的输出信号和降维鲁棒观测器的估计值进行比较,对应的残差偏差最大的传感器即为故障传感器,用多传感器的D-S数据融合算法的故障类型快速确定故障的类型。
Description
技术领域
本发明涉及一种快速、准确检测与定位无人直升机飞控系统传感器故障的方法,该发明属于航空航天无人机技术领域。
背景技术
基于解析模型的故障诊断方法是当前与今后主流方法之一,其思想就是利用现有的知识建立系统的数学模型,将系统的输入与输出同时传递给数学模型,利用一定的准则建立系统的残差,再按照一定的判定准则确定系统是否发生了故障及发生了什么故障和故障的大小。其中基于观测器和参数估计的方法是最常用的方法之一,其基本思想是以测量值为基础,通过在确定性系统中采用观测器或在随机性系统中采用卡尔曼滤波器估计系统的输出。
Heredia等人设计了基于Luenberger观测器留数产生方法的执行器故障诊断系统,随后Heredia等人又将此方法应用于无人直升机的传感器故障检测与诊断,并通过仿真以及飞行试验对此方法的有效性进行了验证。提出了一种故障诊断方案,闻新通过构造一组全阶未知输入观测器来估计局部状态,而这些局部估计无需任何局部信息,且观测器的残差被用于故障检测,因此给出了一种大系统分解方案,其中的子系统动态交联项被视为观测器的位置输入。卡尔曼滤波故障诊断方法是针对随机系统的方法,已经成功应用于飞行控制系统传感器故障的检测与诊断。Bundick、Motyka等人已经将基于卡尔曼滤波的故障诊断技术在飞行控制系统中进行了成功应用。标准的卡尔曼滤波是针对线性系统的,对于非线性系统一般采用扩展卡尔曼滤波(EKF)或迭代扩展卡尔曼滤波(IEKF),因此与估计误差相关的代价函数(costfunction)就必须进行线性化,而线性化会导致误差和次优估计。Haupt等人给出了一种最优递归迭代算法,克服了上述问题。贾彩娟提出了一种基于Sage-Husa时变噪声统计估计器的自适应卡尔曼滤波器算法,在滤波过程中利用噪声统计估计器对未知的统计特性进行在线估计,并对无人机控制系统的传感器故障进行在线诊断,此方法无须增加硬件余度和其他解析余度,易于实现,可靠性好,检测迅速。
针对无人直升机飞行控制系统这种各个通道耦合强度高,检测故障要求实时性高,而且该系统是一个动态的系统,状态时刻都在变化。对于这样的系统,一般的观测器或者滤波器法不能够有效的完成无人直升机飞行控制系统的传感器故障诊断。为了更好地解决这个矛盾,必须采用效率更高的故障检测算法,故障检测定位时间短,而且能够去掉各个通道之间的耦合,以便更好地定位故障,利用观测器检测时所得的残差只能与系统的故障信息有关,不能和系统的状态有任何关系。
发明内容
本发明的目的在于提出一种能够有效针对无人直升机飞行控制系统传感器故障的快速诊断与定位的方法。
本发明的关键在于如何才能使得出的残差信号完全与系统的状态没有关系,只与故障信号有关,如何才能减少故障检测与定位的时间,如何能够解除飞行控制系统各通道之间的耦合。
本发明的故障诊断方法,包括:利用鲁棒观测器设计方法,针对整个飞控系统设计全维鲁棒观测器,同时针对每一个输出再结合输入设计降维鲁棒观测器以保证得出的残差只与故障信息有关,而且各个通道耦合效果明显降低。将得出的残差借助于序贯概率比准则来确保故障检测有较低的虚警率和漏报率。之后用D-S证据利用数据融合算法来确定所发生故障的类型,有助于进一步有针对性的设计容错控制方法。
本发明所述无人直升机传感器故障快速诊断方法详细内容如下:
1、根据系统的直升机模型建立状态方程,首先要针对整个飞控系统,用无人直升机的输出和输入建立全维鲁棒观测器,由观测器得到系统的状态估计值,根据系统的实际状态得到残差序列。由于实际系统中状态变量不便于直接测量,所以采用系统输出的实测值和全维鲁棒观测器的估计值之差作为残差。
2、应用序贯概率比算法实时监控产生的残差序列。由得到的残差序列求出的概率似然比,然后再由给定的虚警概率和漏报率,求出检测门限A和B,由平均检测时间最短的序贯概率比准则可知,当传感器发生故障时序贯概率比就给出故障报警,由此可以判断系统发生了故障。
3、将个传感器的输出信号进行划分:,使得对应第个传感器的输出,;针对任意的,系统都是可观测的,利用和系统输入建立个降维鲁棒观测器。
4、当确定系统发生故障时,检查由第个降维鲁棒观测器所得的第个传感器实际输出产生的残差,对比其他降维鲁棒观测器残差可以发现,此残差发生了很大的变化,而由其它降维鲁棒观测器产生的残差改变较小。由此知第个传感器发生故障。
5、确定发生故障后,根据传感器输出的信息,采用多传感器的D-S数据融合算法的故障类型快速确定故障的类型。
5.1、将所有传感器故障类型构造成一个样本空间。
5.2、计算各个传感器对每一种故障类型的基本概率分配函数。
5.3、由不同证据体的基本概率分布函数,根据D-S数据融合算法进行融合,得出融合后的结果,根据基本可信度分配的决策规则判定该传感器故障到底属于哪种类型。
本发明的技术效果是:针对整个无人直升机飞行控制系统设计全维鲁棒观测器求的系统输出残差,然后借助于序贯概率比准则保证故障检测有较低的虚警率和漏报率;检测到故障发生的同时利用针对每一个传感器输出设计的降维鲁棒观测器进行故障快速检测和定位。然后为了能够更好的进行容错控制,采用D-S数据融合算法对故障类型进行辨别。该方法定位故障快速准确,不受直升机恶劣的工作环境的影响,可靠性高。
附图说明
图1是无人直升机快速故障诊断原理图。
图2是鲁棒观测器故障检测与定位原理图。
图3是D-S数据融合方法故障类型确定原理图。
在图中1.控制器2.无人直升机3.传感器4.全维鲁棒观测器5.序贯概率比准则6.降维鲁棒观测器7.DS数据融合算法8.传感器信号重构算法。
具体实施方式
为了进一步详细阐明本发明,下面结合附图和优选实施方式作详细描述。
通常情况下,如图1所示,以控制器(1)和设置在无人直升机(2)上的传感器(3)作为所示无人直升机(2)的线性定常飞行控制系统,可以用下面的状态空间模型描述。
(1)
式中,为状态向量;为控制向量;为观测向量(或传感器的输出向量),、、为相应维数的常数矩阵。
当系统发生故障时,上面的模型就会发生相应的变化。一般地,传感器故障类型有卡死,增益变化,恒偏差等故障类型,上述传感器故障行为,将影响闭环反馈系统的动态性能,所以进行传感器(3)的故障诊断与容错控制是很有必要的。对于动态系统的状态空间方程(1),传感器故障的一般表示形式为
(2)
式中,为传感器的故障分配矩阵;为故障向量;和分别为相应维数的扰动阵;表示扰动、模型不确定性和噪声的函数。
考虑到无人直升机飞行控制系统闭环以及传感器输出信息的耦合,所以利用无人直升机(1)的输入u与输出y设计一个全维鲁棒观测器(4),将全维鲁棒观测器(4)的估计值与传感器(3)测量的实际值进行比较,从而生成残差,应用序贯概率比准则(5)对残差进行决策分析,从而检测出系统的故障;然后针对每一个参与反馈信号的传感器(3),建立如图2所示的一系列并行的降维鲁棒观测器(6),每个降维鲁棒观测器(6)对应于一个传感器(3)的输出,这样利用降维鲁棒观测器组可实现对输出信号的解耦,然后根据传感器(3)各自的输出信号和降维鲁棒观测器(6)的估计值进行比较,对应的残差偏差最大的传感器即为故障传感器;
对带有传感器故障的状态方程式,设计如下全维鲁棒观测器(4):
(3)
式中,为全维鲁棒观测器状态向量;分别为相应维数的参数矩阵。全维鲁棒观测器4的估计误差定义为,满足如下等式;
(4)
式中,为任意常数矩阵,将式(2)带入(4),则残差信号如下:
(5)
假设在初始情况下,故障向量的初值为零,即,那么故障可检测的条件为:
(6)
此时全维鲁棒观测器(4)的设计满足下面的矩阵方程组:
(7)
当上面的条件满足时,残差信号变为:
(8)
可以看出,残差仅仅和传感器(3)的故障信息有关,和扰动及模型不确定性没有任何关系,这就是全维鲁棒观测器(4)进行故障检测原理。
全维鲁棒观测器(4)的设计就是利用给定的系统矩阵利用一定的设计自由度,解出满足矩阵方程组的参数矩阵。观察方程组发现,求解的关键是条件2的矩阵方程,从而解出T矩阵的值,相应的其他矩阵就会迎刃而解。
首先选择F阵,使其特征值满足系统稳定性条件,此时我们可以假设
(9)
其中,为任意给定的负实数,且,为单位阵。这样使得F阵的设计满足方程组(7)中的条件1。
根据式(9),将方程组(7)中的条件2转化为
(10)
对C矩阵进行奇异值分解,则有
(11)
式中,为相应维数的矩阵,将上式代入式(10),得
(12)
式(12)可分解为下面的两个等式:
(13)
(14)
将代入到上式,得
(15)
结合式,式(13)和式(15),可得到关于T矩阵的方程组
(16)
可以看出,T矩阵的选取是解方程组的关键,令
(17)
则式(13)转化为矩阵方程
(18)
对U进行奇异值分解:
(19)
式(18)的解为
(20)
式中,为任意的参数矩阵,在设计中可以任意选择。这样便得到了矩阵的解。然后从式(14)可求的值。由可以求得,由求出的,根据方程组(7)可以求得参数矩阵和。通过上面的计算可以得到所有全维鲁棒观测器参数矩阵的解。然后由公式(8)可以得到系统输出的残差。
由于残差中包含了可能发生的故障信息,所以正确的残差分析是基于观测器技术进行故障诊断和隔离的关键。在理想情况下,残差值为零则表示被检测系统与该系统无故障时的解析模型描述相同,对应于系统无故障;相反,残差值偏离零对应于系统发生了故障。然而,由于实际系统存在外部扰动和测量噪声,基于鲁棒观测器的故障检测技术产生的残差中存在模型描述不精确带来的模型偏差,因而需要进行故障检测的残差决策。残差决策就是在一定的判定准则下判断残差信号中是否真正存在故障信息,其基本原理就是统计决策中的二元假设检验理论。
序贯概率比准则(5)的基本思想就是在给定虚警概率和漏报率的条件下,使所需要的平均检测时间最短的双门限检验。这种方法并不预先规定观测样本的数目,而是在检验过程中不断增加观测数据,一直到满足要求的故障门限为止,所以具有实时性。通常情况下,故障残差符合相互独立的正态分布,假设残差的均值为,同时给定一个标准差为。规定二元架设检验条件为:表示在正常情况下,残差的均值为;表示在故障情况下,残差的均值为,设为残差独立的观测序列,则概率似然比定义如下:
(21)
定义如下的检测门限:
(22)
其中为虚警概率,为漏报概率,那么平均检测时间最短的序贯概率比准则为:
(23)
序贯概率比方法不需要大量的数据和计算,只是不断的增加观测样本的数值,所以适合在线故障检测。
对于上面的描述,我们首先建立了一个全维鲁棒观测器(4)作为主观测器,并将其输出与系统的输出相比较,然后应用序贯概率比方法实时的监控其故障情况,一旦发生故障,那么下面的工作就是针对每一个传感器(3)的输出设计降维鲁棒观测器(6)来定位故障传感器。
降维鲁棒观测器(6)的建立可根据全维鲁棒观测器(4)的设计方法设计,但是其中第个降维鲁棒观测器只由和驱动。由降维鲁棒观测器(6)可得到组状态估计值,其中是由第个降维鲁棒观测器(6)得到的,;
当确定系统发生故障时,检查由第个降维鲁棒观测器(6)所得的第个传感器(3)实际输出产生的残差,将会发现,此残差发生了很大的变化,而由其它降维鲁棒观测器(6)产生的残差改变较小。这是因为虽然通过降维鲁棒观测器(6)的解耦,但是当某传感器出现故障时,其他通道的输出同样会受到较小干扰,所以比较哪个通道残差比较大,就判断是哪个传感器出现了故障,从而定位故障。由此可知第个传感器(3)发生故障。
为了更好的设计飞行控制系统的容错算法,仅仅定位了传感器故障还是不够的。我们还需要知道传感器故障的故障类型,是卡死类型的,是增益变化类型的,还是其他类型的。这时我们就需要不同类型故障发生时的一些特征来判断发生的是哪种故障。严格说来,在测量与故障特征之间以及故障特征与故障源之间都是一种非线性映射。因此,故障类型的多样性、不确定性和各种故障类型之间联系的复杂性构成了确定故障类型的难点。仅靠单一的故障特征量和诊断方法已无法完成诊断任务,然而D-S证据理论数据融合技术就克服这一困难。
设计一个原理结构如图3所示基于D-S数据融合的DS数据融合算法(7)作为故障类型确定算法,对无人直升机飞控系统的输出数据进行预处理,提取特征量。通过基本概率分配函数的计算方法,计算得到对不同命题,即不同故障模式的基本概率分配值,然后利用组合和决策规则进行信息融合和最终的故障定位。
1、将所有传感器故障类型构造成一个样本空间。
我们把传感器故障的所有故障类型:卡死故障,增益变化,恒偏差等故障类型,构成一个样本空间Θ,也就是D-S证据理论中的识别框架,即论域。其中包含的有限个基本命题,记为,代表基元且Θ中的各个故障类型是互斥的。
如果,在识别框架Θ下,集函数,满足:
,(24)
其中,代表空集。此时称为的基本概率分配函数(BPA),表示对命题的信任程度。
2、计算各个传感器(3)对每一种故障类型的基本概率分配函数。
识别框架Θ下,
(25)
(26)
式(25)称为信任函数,表示对的全部信任。式(26)称为似然函数,表示对的不否定的信任程度,对所有的都满足,
(27)
那么显而易见对于的不确定性可以用下面的式子表示,
(28)
给定几个同一个识别框架上的基于不同命题(或是证据)的信任函数,可以通过一定的计算规则算出一个总的信任函数,此信任函数就是上述几个命题(或是证据)联合作用下的信任函数。具体组合方法如下:
设是目标类型数目,在故障诊断中即是故障模式数目;代表传感器总数目;表示传感器(信息源)对故障模式的关联系数,是根据具体环境定义的。
(29)
(30)
(31)
(32)
有了以上定义,我们可以得到传感器的BPA为:
(33)
相应传感器的不确定性为:
(34)
得到基本概率分配函数之后,便可以利用D-S证据融合技术进行信息融合,并结合决策规则进行最终的决策,最终实现故障类型的精确判别。
3、由D-S数据融合理论判定该传感器故障类型。
由不同证据体的基本概率分布函数,根据D-S数据融合算法进行融合,得出融合后的结果,根据基本可信度分配的决策规则判定该传感器故障到底属于哪种类型。
设代表同一识别框架上的个独立的信任函数,是对应的基本概率分配,是识别框架上的一个子集,对应于的焦元分别是:,其中,表示对应的焦元数。
设,那么组合后得到的最新的基本概率分配函数为:
(35)
式(35)中的,它反映了不同命题(或是证据)间的冲突程度,为归一化因子。
得到证据对识别框架中所有证据的信任函数和不确定度后,由基本可信度分配的决策规则确定诊断结论。
;,即决策目标应该具有最大信任函数值;
,其中,即决策目标信任函数值与其它的信任函数值(包括不确定信任度函数值)之差都要大于某个门限值;,其中,即不确定信任度函数值要小于某个门限值。
最后采用传感器信号重构算法(8)修正控制器(1)的输出,控制无人直升机(1)的动作。
Claims (3)
1.一种无人直升机传感器故障快速诊断方法,其特征在于建立一个全维鲁棒观测器,将全维鲁棒观测器的估计值与传感器测量的实际值进行比较,从而生成残差,应用序贯概率比准则对残差进行决策分析,由得到的残差序列求出的概率似然比,然后再由给定的虚警概率和漏报率,求出检测门限A和B,由平均检测时间最短的序贯概率比准则可知,当传感器发生故障时序贯概率比就给出故障报警,由此可以判断系统发生了故障,从而检测出系统的故障;同时针对每一个参与反馈信号的传感器,建立一系列并行的降维鲁棒观测器,每个降维鲁棒观测器对应于一个传感器的输出,这样利用降维鲁棒观测器实现对输出信号的解耦,然后根据传感器各自的输出信号和降维鲁棒观测器的估计值进行比较,对应的残差偏差最大的传感器即为故障传感器;
所述全维鲁棒观测器是这样建立的:对带有传感器故障的状态方程式,建立如下全维鲁棒观测器:
式中,z(t)为全维鲁棒观测器状态向量;F,K,H,L1,L2分别为相应维数的参数矩阵;
所述降维鲁棒观测器的建立根据全维鲁棒观测器的建立方法建立,但是其中第i个降维鲁棒观测器只由控制向量u和观测向量ysi驱动。
2.根据权利要求1所述的无人直升机传感器故障快速诊断方法,其特征在于确定发生故障后,根据传感器输出的信息,采用多传感器的D-S数据融合算法的故障类型快速确定故障的类型,步骤如下:1)将所有传感器故障类型构造成一个样本空间;2)计算各个传感器对每一种故障类型的基本概率分配函数;3)由不同证据体的基本概率分布函数,根据D-S数据融合算法进行融合,得出融合后的结果,根据基本可信度分配的决策规则判定该传感器故障到底属于哪种类型。
3.根据权利要求2所述的无人直升机传感器故障快速诊断方法,其特征在于在求得各个传感器对每一个故障类型的概率分配函数mi(Aj)之后,根据以下D-S数据融合理论进行融合:
式中设Bel1,Bel2,…Beln代表同一识别框架Θ上的n个独立的信任函数,m1,m2,…mn是对应的基本概率分配,A是识别框架Θ上的一个子集,对应于Beli的焦元分别是:其中i=1,2,…n,ki表示对应的焦元数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410186719.9A CN103970997B (zh) | 2014-05-06 | 2014-05-06 | 一种无人直升机传感器故障快速诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410186719.9A CN103970997B (zh) | 2014-05-06 | 2014-05-06 | 一种无人直升机传感器故障快速诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103970997A CN103970997A (zh) | 2014-08-06 |
CN103970997B true CN103970997B (zh) | 2016-05-25 |
Family
ID=51240485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410186719.9A Active CN103970997B (zh) | 2014-05-06 | 2014-05-06 | 一种无人直升机传感器故障快速诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103970997B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950877B (zh) * | 2015-06-17 | 2018-05-29 | 西安理工大学 | 一种四旋翼飞行器故障诊断方法 |
CN105539054B (zh) * | 2015-12-28 | 2018-05-11 | 辽宁工业大学 | 一种阻尼可调半主动悬架系统传感器故障诊断方法 |
US20170243413A1 (en) * | 2016-02-22 | 2017-08-24 | Hamilton Sundstrand Corporation | Method for determining aircraft sensor failure without a redundant sensor and correct sensor measurement when redundant aircraft sensors give inconsistent readings |
CN106185499A (zh) * | 2016-10-08 | 2016-12-07 | 深圳万发创新进出口贸易有限公司 | 一种电梯控制系统 |
CN106485072B (zh) * | 2016-10-08 | 2018-11-27 | 泰州市邦富环保科技有限公司 | 一种用于医疗设备的控制系统 |
CN106195247B (zh) * | 2016-10-08 | 2018-10-23 | 山东至信信息科技有限公司 | 一种基于大数据管理模式的变速器控制系统 |
CN106406353A (zh) * | 2016-11-16 | 2017-02-15 | 北京航空航天大学 | 一种具有故障诊断能力的无人直升机飞控系统 |
CN106951197A (zh) * | 2017-01-19 | 2017-07-14 | 北京印刷学院 | 一种基于信号测试的印刷设备远程故障诊断方法及系统 |
US11364923B2 (en) * | 2017-05-10 | 2022-06-21 | The Regents Of The University Of Michigan | Failure detection and response |
CN107329083B (zh) * | 2017-07-28 | 2019-07-19 | 南京航空航天大学 | 针对高速列车牵引电机非线性系统传感器的故障诊断方法 |
US11385632B2 (en) * | 2018-12-21 | 2022-07-12 | The Boeing Company | Sensor fault detection and identification using residual failure pattern recognition |
CN110244697B (zh) * | 2019-06-26 | 2020-05-26 | 哈尔滨工业大学 | 基于复合观测器的垂直起降飞行器复杂故障诊断辨识方法 |
CN112559233B (zh) * | 2020-12-14 | 2023-01-10 | 中国建设银行股份有限公司 | 识别故障类型的方法、装置、设备和计算机可读介质 |
CN112801171A (zh) * | 2021-01-25 | 2021-05-14 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 传感器虚警识别方法、装置、计算机设备及存储介质 |
CN112902967A (zh) * | 2021-01-31 | 2021-06-04 | 南京理工大学 | 一种基于残差卡方-改进序贯概率比的抗欺骗导航方法 |
CN113071509B (zh) * | 2021-03-22 | 2022-05-03 | 南京航空航天大学 | 一种智能车车轮转角传感器故障检测方法 |
CN113218667B (zh) * | 2021-04-06 | 2022-06-10 | 南京航空航天大学 | 一种超磁致伸缩线控制动系统故障诊断装置及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101481019A (zh) * | 2009-02-20 | 2009-07-15 | 华中科技大学 | 一种用于卫星姿态控制系统的传感器容错观测方法 |
CN102768121A (zh) * | 2012-07-31 | 2012-11-07 | 北京交通大学 | 基于鲁棒观测器的列车悬挂系统故障检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558661B2 (en) * | 2006-05-02 | 2009-07-07 | Delphi Technologies, Inc. | Adaptive maneuver based diagnostics for vehicle dynamics |
-
2014
- 2014-05-06 CN CN201410186719.9A patent/CN103970997B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101481019A (zh) * | 2009-02-20 | 2009-07-15 | 华中科技大学 | 一种用于卫星姿态控制系统的传感器容错观测方法 |
CN102768121A (zh) * | 2012-07-31 | 2012-11-07 | 北京交通大学 | 基于鲁棒观测器的列车悬挂系统故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103970997A (zh) | 2014-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103970997B (zh) | 一种无人直升机传感器故障快速诊断方法 | |
US10018979B2 (en) | Device and method for detection and/or diagnosis of faults in a processes, equipment and sensors | |
Li et al. | Particle filtering based likelihood ratio approach to fault diagnosis in nonlinear stochastic systems | |
EP1643332B1 (en) | Hybrid model based fault detection and isolation system | |
Seron et al. | Fault tolerant control allowing sensor healthy-to-faulty and faulty-to-healthy transitions | |
Tabatabaeipour | Active fault detection and isolation of discrete-time linear time-varying systems: a set-membership approach | |
EP2853972A2 (en) | Device and method for detection and/or diagnosis of faults in a process, equipment and sensors | |
Puig et al. | A GMDH neural network-based approach to passive robust fault detection using a constraint satisfaction backward test | |
Said et al. | Decentralized fault detection and isolation using bond graph and PCA methods | |
Ntalampiras | Fault identification in distributed sensor networks based on universal probabilistic modeling | |
Li et al. | Deep learning based covert attack identification for industrial control systems | |
Manikandan et al. | Takagi Sugeno fuzzy expert model based soft fault diagnosis for two tank interacting system | |
Rebaï et al. | A contribution to cyber-security of networked control systems: An event-based control approach | |
Liu et al. | A divide and conquer approach to anomaly detection, localization and diagnosis | |
Magrabi et al. | Decentralised fault detection and diagnosis in navigation systems for unmanned aerial vehicles | |
Negi et al. | A LSTM approach to detection of autonomous vehicle hijacking | |
Zhou et al. | Overview of fault detection and identification for non-linear dynamic systems | |
Maza | Diagnosis Modelling for Dependability Assessment of Fault‐Tolerant Systems Based on Stochastic Activity Networks | |
Zhang et al. | Root cause analysis of actuator fault based on invertibility of interconnected system | |
Ferrari et al. | Distributed fault diagnosis of large-scale discrete-time nonlinear systems: New results on the isolation problem | |
Samy et al. | Fault detection and isolation (FDI) | |
Zhang et al. | Actuator fault diagnose for interconnected system via invertibility | |
Yang et al. | A nonlinear adaptive observer-based differential evolution algorithm to multiparameter fault diagnosis | |
Yahyaei et al. | A novel incipient fault detection based on residual evaluation by using correlation dimension and inverse of largest Lyapunov exponent | |
Skobelev et al. | On-Line Checking of Faults in Cyber-Physical Systems. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |