CN104503435A - 一种用于航天动力系统实时故障检测的综合决策方法 - Google Patents
一种用于航天动力系统实时故障检测的综合决策方法 Download PDFInfo
- Publication number
- CN104503435A CN104503435A CN201410725350.4A CN201410725350A CN104503435A CN 104503435 A CN104503435 A CN 104503435A CN 201410725350 A CN201410725350 A CN 201410725350A CN 104503435 A CN104503435 A CN 104503435A
- Authority
- CN
- China
- Prior art keywords
- overbar
- fault
- time
- result
- fault detection
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种用于航天动力系统实时故障检测的综合决策方法,包括以下步骤:步骤一:统计各种故障检测算法在离线考核验证过程中的先验结果信息;步骤二:计算综合决策结果:对于试车试验中应用多种故障检测算法的结果,利用步骤一中的先验结果信息估计最优结果,给出决策结果;步骤三:估计故障时间:通过试验得到各种故障检测算法的时间样本,对时间样本进行偏差分析计算诊断时间概率进而对故障诊断时间进行估计。本发明的方法具有提高实时故障检测的准确性和可靠性的优点。
Description
技术领域
本发明具体涉及航天动力系统故障检测领域,特指一种应用于航天动力系统工作过程实时故障检测的综合决策方法。
背景技术
发展航天,动力先行,航天动力系统是运载火箭等航天运输工具以及卫星、空间站等航天器系统的动力装置,其安全可靠运行对确保航天发射任务成功以及顺利开展载人航天、探月工程等大型航天活动,至关重要。
航天动力系统结构工况复杂,机械-流体-热动力多种工作形式高度非线性耦合,而且由于高温、高压、强腐蚀、高密度能量释放的恶劣极致工作条件,其具有故障易发难控、发生发展速度快、破坏性大等特点。根据文献《液体火箭推进增压输送系统》的统计,发动机作为运载火箭的核心动力装置,由其故障造成的航天任务失败占到22%。
航天动力系统实时故障检测是提高航天动力系统可靠性和安全性,确保航天任务成功的重要前提和基础。其一方面可基于航天动力系统工作过程中实际测量的数据信息,对动力系统是否发生故障做出及时、可靠的判断,另一方面其结果是采取紧急关机、调节工作状态等故障控制措施的重要决策依据。
航天动力系统实时故障检测主要包括信号处理、数学模型、人工智能三种类型。然而,上述方法由于其基本原理、适用范围以及建立的判断准则等的不同,其对航天动力系统故障检测的结果(包括检测到故障的时间以及对是否发生故障做出的判断)也不尽相同,因而很难为航天动力系统工作状态的判断以及是否采取故障控制措施提供一致有用的决策信息。为此,文献《O’Reilly D.System for Anomaly and Failure Detection(SAFD)System Development(FinalReport)》(NASA CP-193907,1993)采用一种联合应用多种故障检测方法的综合状态决策方法。但该方法主要采用投票表决的方式,即多种故障检测方法以少数服从多数的方法进行表决。文献《液体火箭发动机实时故障检测与报警原型系统的设计与实现》(火箭推进,2005,31(8):21-25)对投票方法进行了改进,以红线关机方法作为最底限,即当红线关机方法检测到故障时,不管其余方法是否已经检测出故障,均判断发动机出现故障。可以看出,该方法一方面赋予了红线关机方法极高的表决权力,因此,一旦红线关机方法给出错误结果,则整个综合状态决策方法也将做出错误的判断;另一方面,则对其余方法赋予了同等的表决权力,而并未考虑这些方法在应用过程中的实际表现和能力。
发明内容
为克服现有方法的不足,本发明提供一种提高实时故障检测的准确性和可靠性的应用于航天动力系统工作过程实时故障检测的综合决策方法。
一种用于航天动力系统实时故障检测的综合决策方法,包括以下步骤:
步骤一:统计各种故障检测算法在离线考核验证过程中的先验结果信息;
步骤二:计算综合决策结果:对于试车试验中应用多种故障检测算法的结果,利用步骤一中的先验结果信息估计最优结果,给出决策结果;
步骤三:估计故障时间:通过试验得到各种故障检测算法的时间样本,对时间样本进行偏差分析计算诊断时间概率进而对故障诊断时间进行估计。
优选地,步骤一中统计各种故障检测算法在离线考核验证过程中的先验结果信息的过程如下:
a、其中共计使用m组航天动力系统的历史数据对检测方法Xi进行离线考核验证,其中,有mi1组考核验证结果属于Y1,有mi2组考核验证结果属于Y2,有mi3组考核验证结果属于Y3,有mi4组考核验证结果属于Y4,(mi1+mi2+mi3+mi4=m),在检测结果中,计算得到属于Y1的百分比为记为R(Y1|X),属于Y2的百分比为记为R(Y2|X),属于Y3的百分比为记为R(Y3|X),属于Y4的百分比为记为R(Y4|X),并有
R(Y1|X)+R(Y2|X)+R(Y3|X)+R(Y4|X)=1 (1)
b、对所有n种故障检测算法分别计算其结果,并写成矩阵的形式,有:
式(2)中,第i(i=1,...,n)行的元素表示了在检测方法Xi的离线考核验证结果中,属于Y1、Y2、Y3、Y4的比例分布;第j(j=1,2,3,4)列的元素则表示了各故障检测算法的考核验证结果在情形Yj中的比例分布情况;
其中当系统工作状态正常,检测方法的故障检测结果也为“正常”,此类情形表示检测方法对航天动力系统的正常工作状态没有做出错误判断,记为Y1;
当系统工作状态正常,而故障检测算法的故障检测结果为“故障”,此类情形表示故障检测算法对航天动力系统的正常工作状态做出了错误判断,即“误检”,记为Y2;
当系统工作过程中出现故障,而故障检测算法的故障检测结果为“正常”,此类情形表示故障检测算法未能检测到航天动力系统工作过程中的故障,即“漏检”,记为Y3;
当系统工作过程中出现故障,故障检测算法的故障检测结果也为“故障”,此类情形表示故障检测算法能正确检测到航天动力系统工作过程中的故障,记为Y4。
优选地,步骤二中所述的计算综合决策结果的过程如下:
对式(2)中的矩阵每列元素相乘有
由式(1)中各个所求的值有下述方程:
对方程求解可得α的值,代入式(4)
其中,j=1,2,3,4,计算出最大修正值,与之相对应的Yj即为综合决策的结果。
优选地,步骤三中所述估计故障时间的过程:
同时应用n种故障检测方法X1,X2,…,Xn,经过k次试验方法X1检测出故障的时间为T11、T12、…、T1k,方法X2检测出故障的时间为T21、T22、…、T2k,以此类推方法Xn检测出故障的时间为Tn1、Tn2、…、Tnk,当其中某种方法没有检测出故障时,设其时间为0,由检测时间组成的时间向量为 设由检测时间组成的矩阵表示为:
对于矩阵T中的每一个列向量找出最大的一个元素,例如T11≤T21≤…≤Tn1则构造新的列向量 这样可以得到一个新的偏差矩阵
对T进行归一化处理可以得到矩阵:
对于某一次故障检测,设X1方法检测出故障的时间为t1,X2方检测出故障的时间为t2,…,Xn方检测出故障的时间为tn,其中t1≤t2≤…≤tn,构造矩阵
对于矩阵t第一行1,0,…,0表示方法X1在t1时刻监测到故障,此时方法X2、X3、…、Xn没有检测出故障用0表示,同样道理矩阵t第二行1,1,…,0表示t2时刻方法X1与X2检测到故障方法其他方法没有检测到故障,t的第三行1,1,1,0,…,0表示在t3时刻X1、X2、X3三种方法都检测到了故障,其它方法没有检测到故障,矩阵t其它各行情况以此类推;
设向量 对x的每一行求和可以得到新的向量 归一化有 则故障发生时间估计值为
与现有技术相比,本发明的有益效果是:
本发明的方法有机综合了不同故障检测方法在实际应用和考核过程中的误检率、漏检率以及检测到故障的时间等先验知识,对航天动力系统工作过程中是否发生故障以及故障发生的时间做出综合决策,提高航天动力系统实时故障检测的准确性和可靠性,因而可广泛应用于航天动力系统地面试车、飞行过程中的实时状态判断,对提高航天动力系统工作过程中的可靠性和安全性、保护人员、设备和财产的安全具有重要的作用和意义。
为了更进一步了解本发明的特征及技术内容,请参阅以下有关本发明的详细说明和附图,然而所附图仅提供参考与说明,并非用来对本发明加以限制。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
如图1所示,本实施例的假设共有n种检测方法,记为方法集合X={X1,X2,…,Xn},则在航天动力系统的实时故障检测过程中,方法Xi对航天动力系统工作状态的判断为一个二元集合,记为xi={0,1}(i=1,2,3,…,n)。其中,“0”表示该方法的故障检测结果为“正常”,即判断航天动力系统当前的工作状态为“正常”;“1”表示该方法的故障检测结果为“故障”,即判断航天动力系统当前的工作状态为“故障”。
然而,在实际应用中,每种故障检测方法均有可能会做出错误的判断。因此,综合航天动力系统的实际工作状态和检测方法的故障检测结果,有四种可能的情形:
I、系统工作状态正常,检测方法的故障检测结果也为“正常”,此类情形表示检测方法对航天动力系统的正常工作状态没有做出错误判断,记为Y1;
II、系统工作状态正常,而检测方法的故障检测结果为“故障”,此类情形表示检测方法对航天动力系统的正常工作状态做出了错误判断,即“误检”,记为Y2;
III、系统工作过程中出现故障,而检测方法的故障检测结果为“正常”,此类情形表示检测方法未能检测到航天动力系统工作过程中的故障,即“漏检”,记为Y3;
IV、系统工作过程中出现故障,检测方法的故障检测结果也为“故障”,此类情形表示检测方法能正确检测到航天动力系统工作过程中的故障,记为Y4。
基于上述分析,本发明主要分为两个阶段。首先是数据准备阶段,统计故障检测算法在历史试验数据考核过程中的先验信息;第二阶段是综合决策阶段,即在航天动力系统的实际工作过程中,基于故障检测算法的实际检测结果,结合第一阶段统计得到的先验信息,给出航天动力系统工作状态判断和故障发生时刻的估计。具体包括下述步骤:
第一步:统计检测算法在离线考核验证过程中的先验结果信息
a.假设共计使用m组航天动力系统的历史数据对检测方法Xi进行离线考核验证,其中,有mi1组考核验证结果属于Y1,有mi2组考核验证结果属于Y2,有mi3组考核验证结果属于Y3,有mi4组考核验证结果属于Y4(mi1+mi2+mi3+mi4=m)。在检测结果中,计算得到属于Y1的百分比为(记为R(Y1|X)),属于Y2的百分比为(记为R(Y2|X)),属于Y3的百分比为(记为R(Y3|X)),属于Y4的百分比为(记为R(Y4|X)),并有
R(Y1|X)+R(Y2|X)+R(Y3|X)+R(Y4|X)=1(1)
b.类似地,对所有n种检测算法分别计算其结果,并写成矩阵的形式,有:
式(2)中,第i(i=1,...,n)行的元素表示了在检测方法Xi的离线考核验证结果中,属于Y1、Y2、Y3、Y4的比例分布;第j(j=1,2,3,4)列的元素则表示了各检测方法的考核验证结果在情形Yj中的比例分布情况。
第二步:修正矩阵,计算综合决策结果
对矩阵每列元素相乘有
由式(1)中各个所求的值有下述方程,
对方程求解可得α的值,代入式(4)
其中,j=1,2,3,4,计算出最大修正值,与之相对应的Yj即为综合决策的结果。(例如,代入Y4所得到的修正值最大,则决策结果为Y4)
第三步:综合决策阶段,估计故障时间
同时应用n种故障检测方法X1,X2,…,Xn,经过k次试验方法X1检测出故障的时间为T11、T12、…、T1k,方法X2检测出故障的时间为T21、T22、…、T2k,以此类推方法Xn检测出故障的时间为Tn1、Tn2、…、Tnk,当其中某种方法没有检测出故障时,设其时间为0,由检测时间组成的时间向量为 设由检测时间组成的矩阵表示为
对于矩阵T中的每一个列向量找出最大的一个元素,例如T11≤T21≤…≤Tn1则构造新的列向量 这样可以得到一个新的偏差矩阵
对T进行归一化处理可以得到矩阵
对于某一次故障检测,设X1方法检测出故障的时间为t1,X2方检测出故障的时间为t2,…,Xn方检测出故障的时间为tn,为了便于说明不妨设t1≤t2≤…≤tn(若没有检测出故障则认为t为0这里为了便于说明设t1≠0),构造矩阵
对于矩阵t第一行1,0,…,0表示方法X1在t1时刻监测到故障,此时方法X2、X3、…、Xn没有检测出故障用0表示。同样道理,矩阵t第二行1,1,…,0表示t2时刻方法X1与X2检测到故障方法其他方法没有检测到故障,t的第三行1,1,1,0,…,0表示在t3时刻X1、X2、X3三种方法都检测到了故障,其他方法没有检测到故障,矩阵t其他各行情况以此类推。
设向量 对x的每一行求和可以得到新的向量 归一化有 则故障发生时间估计值为
选取50组试验数据作为试验样本,提取4种检测方法的结果,此时特征空间为X=(x1,x2,x3,x4),利用选取数据按照第一步和第二步的方法求出统计信息。
以属于情况Y4的一个样本X=(0,0,1,1)为例说明决断过程。X=(0,0,1,1)表示检测方法X1和X2判断发动机工作正常,检测方法X3和X4判断发动机出现故障,利用投票方法无法给出发动机是否出现故障。
综合决策过程如下:求得的先验信息表示为P(Y1)=0.2,P(Y2)=0.125,P(Y3)=0.05,P(Y3)=0.625。
由公式
其中j=1,2,3,4,代入第二步所得到的条件概率有:
α(0.2×0.6+0.125×0.1+0.05×0.3+0.625×1.1)=1,则α=1.1976,结果代入公式(4),可以得到4种状态的估计信息,见下表。利用表1中的数据,得出可知该测试样本检测结果属于Y4即发动机出现故障,其中检测方法X1和X2判断结果有误,检测方法X3和X4正确判断出发动机发生故障,综合决策结果正确。
表1检测结果的估计信息
对于Y4的一个检测样本(0,0,1,1)有检测出故障的时间为0、0、103s、105s,利用步骤四的计算方法可以得到故障发生的估计时间为
结果表明,该方法能够有效提高检测正确率。以此方法为基础,可以应用于其它系统的故障检测,具有较好的应用价值。
综上所述,虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明,任何本领域普通技术人员,在不脱离本发明的精神和范围内,当可作各种更动与润饰,因此本发明的保护范围当视权利要求书界定的范围为准。
Claims (4)
1.一种用于航天动力系统实时故障检测的综合决策方法,其特征在于,包括以下步骤:
步骤一:统计各种故障检测算法在离线考核验证过程中的先验结果信息;
步骤二:计算综合决策结果:对于试车试验中应用多种故障检测算法的结果,利用步骤一中的先验结果信息估计最优结果,给出决策结果;
步骤三:估计故障时间:通过试验得到各种故障检测算法的时间样本,对时间样本进行偏差分析计算诊断时间概率进而对故障诊断时间进行估计。
2.根据权利要求1所述的用于航天动力系统实时故障检测的综合决策方法,其特征在于,步骤一中统计各种故障检测算法在离线考核验证过程中的先验结果信息的过程如下:
a、其中共计使用m组航天动力系统的历史数据对检测方法Xi进行离线考核验证,其中,有mi1组考核验证结果属于Y1,有mi2组考核验证结果属于Y2,有mi3组考核验证结果属于Y3,有mi4组考核验证结果属于Y4,(mi1+mi2+mi3+mi4=m),在检测结果中,计算得到属于Y1的百分比为记为R(Y1|X),属于Y2的百分比为记为R(Y2|X),属于Y3的百分比为记为R(Y3|X),属于Y4的百分比为记为R(Y4|X),并有
R(Y1|X)+R(Y2|X)+R(Y3|X)+R(Y4|X)=1 (1)
b、对所有n种故障检测算法分别计算其结果,并写成矩阵的形式,有:
式(2)中,第i(i=1,...,n)行的元素表示了在检测方法Xi的离线考核验证结果中,属于Y1、Y2、Y3、Y4的比例分布;第j(j=1,2,3,4)列的元素则表示了各故障检测算法的考核验证结果在情形Yj中的比例分布情况;
其中当系统工作状态正常,检测方法的故障检测结果也为“正常”,此类情形表示检测方法对航天动力系统的正常工作状态没有做出错误判断,记为Y1;
当系统工作状态正常,而故障检测算法的故障检测结果为“故障”,此类情形表示故障检测算法对航天动力系统的正常工作状态做出了错误判断,即“误检”,记为Y2;
当系统工作过程中出现故障,而故障检测算法的故障检测结果为“正常”,此类情形表示故障检测算法未能检测到航天动力系统工作过程中的故障,即“漏检”,记为Y3;
当系统工作过程中出现故障,故障检测算法的故障检测结果也为“故障”,此类情形表示故障检测算法能正确检测到航天动力系统工作过程中的故障,记为Y4。
3.根据权利要求1所述的用于航天动力系统实时故障检测的综合决策方法,其特征在于,步骤二中所述的计算综合决策结果的过程如下:
对式(2)中的矩阵每列元素相乘有
由式(1)中各个所求的值有下述方程:
对方程求解可得α的值,代入式(4)
其中,j=1,2,3,4,计算出最大修正值,与之相对应的Yj即为综合决策的结果。
4.按照权利要求1所述的用于航天动力系统实时故障检测的综合决策方法,其特征在于,步骤三中所述估计故障时间的过程如下:
同时应用n种故障检测方法X1,X2,…,Xn,经过k次试验方法X1检测出故障的时间为T11、T12、…、T1k,方法X2检测出故障的时间为T21、T22、…、T2k,以此类推方法Xn检测出故障的时间为Tn1、Tn2、…、Tnk,当其中某种方法没有检测出故障时,设其时间为0,由检测时间组成的时间向量为 设由检测时间组成的矩阵表示为:
对于矩阵T中的每一个列向量找出最大的一个元素,例如T11≤T21≤…≤Tn1则构造新的列向量 这样可以得到一个新的偏差矩阵
对T进行归一化处理可以得到矩阵:
对于某一次故障检测,设X1方法检测出故障的时间为t1,X2方检测出故障的时间为t2,…,Xn方检测出故障的时间为tn,其中t1≤t2≤…≤tn,构造矩阵
对于矩阵t第一行1,0,…,0表示方法X1在t1时刻监测到故障,此时方法X2、X3、…、Xn没有检测出故障用0表示,同样道理矩阵t第二行1,1,…,0表示t2时刻方法X1与X2检测到故障方法其他方法没有检测到故障,t的第三行1,1,1,0,…,0表示在t3时刻X1、X2、X3三种方法都检测到了故障,其它方法没有检测到故障,矩阵t其它各行情况以此类推;
设向量x=t 对x的每一行求和可以得到新的向量 归一化有 则故障发生时间估计值为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410725350.4A CN104503435B (zh) | 2014-12-03 | 2014-12-03 | 一种用于航天动力系统实时故障检测的综合决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410725350.4A CN104503435B (zh) | 2014-12-03 | 2014-12-03 | 一种用于航天动力系统实时故障检测的综合决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104503435A true CN104503435A (zh) | 2015-04-08 |
CN104503435B CN104503435B (zh) | 2017-03-22 |
Family
ID=52944839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410725350.4A Active CN104503435B (zh) | 2014-12-03 | 2014-12-03 | 一种用于航天动力系统实时故障检测的综合决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104503435B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105486526A (zh) * | 2015-11-30 | 2016-04-13 | 北京宇航系统工程研究所 | 一种用于运载火箭测试发射过程的多策略故障诊断系统 |
CN107045739A (zh) * | 2016-02-05 | 2017-08-15 | 福特全球技术公司 | 基于收集的车辆数据调整诊断测试 |
CN109573103A (zh) * | 2018-11-19 | 2019-04-05 | 北京航天自动控制研究所 | 一种适用于推力下降故障条件下的剩余运载能力评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006086894A1 (en) * | 2005-02-15 | 2006-08-24 | Abb Research Ltd | Diagnostic device for a process control system |
CA2668329A1 (en) * | 2006-10-24 | 2008-05-02 | Edsa Micro Corporation | Systems and methods for a real-time synchronized electrical power system simulator for "what-if" analysis and prediction over electrical power networks |
CN102998996A (zh) * | 2012-12-07 | 2013-03-27 | 陕西千山航空电子有限责任公司 | 一种飞机机载实时故障诊断方法 |
CN103064340A (zh) * | 2011-10-21 | 2013-04-24 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
CN103678101A (zh) * | 2012-09-10 | 2014-03-26 | 中国科学院软件研究所 | 高速列车网络控制系统的软件可靠性检测方法 |
-
2014
- 2014-12-03 CN CN201410725350.4A patent/CN104503435B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006086894A1 (en) * | 2005-02-15 | 2006-08-24 | Abb Research Ltd | Diagnostic device for a process control system |
CA2668329A1 (en) * | 2006-10-24 | 2008-05-02 | Edsa Micro Corporation | Systems and methods for a real-time synchronized electrical power system simulator for "what-if" analysis and prediction over electrical power networks |
CN103064340A (zh) * | 2011-10-21 | 2013-04-24 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
CN103678101A (zh) * | 2012-09-10 | 2014-03-26 | 中国科学院软件研究所 | 高速列车网络控制系统的软件可靠性检测方法 |
CN102998996A (zh) * | 2012-12-07 | 2013-03-27 | 陕西千山航空电子有限责任公司 | 一种飞机机载实时故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
黄强: "高压补燃液氧煤油发动机故障检测与诊断技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105486526A (zh) * | 2015-11-30 | 2016-04-13 | 北京宇航系统工程研究所 | 一种用于运载火箭测试发射过程的多策略故障诊断系统 |
CN105486526B (zh) * | 2015-11-30 | 2018-02-09 | 北京宇航系统工程研究所 | 一种用于运载火箭测试发射过程的多策略故障诊断系统 |
CN107045739A (zh) * | 2016-02-05 | 2017-08-15 | 福特全球技术公司 | 基于收集的车辆数据调整诊断测试 |
CN107045739B (zh) * | 2016-02-05 | 2021-09-10 | 福特全球技术公司 | 基于收集的车辆数据调整诊断测试的系统和方法 |
CN109573103A (zh) * | 2018-11-19 | 2019-04-05 | 北京航天自动控制研究所 | 一种适用于推力下降故障条件下的剩余运载能力评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104503435B (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yin et al. | Data‐driven adaptive observer for fault diagnosis | |
CN103488092B (zh) | 基于t-s模糊模型与学习观测器的卫星故障诊断与容错控制方法 | |
CN101907088B (zh) | 基于单类支持向量机的故障诊断方法 | |
Rosa et al. | Fault detection and isolation of LPV systems using set-valued observers: An application to a fixed-wing aircraft | |
CN103412220B (zh) | 一种基于数据融合的船舶电站故障诊断方法 | |
Zhang et al. | Distributed sensor fault diagnosis in a class of interconnected nonlinear uncertain systems | |
CN106444701A (zh) | 领导‑跟随型多智能体系统的有限时间鲁棒故障诊断设计方法 | |
CN104503435A (zh) | 一种用于航天动力系统实时故障检测的综合决策方法 | |
CN104267415B (zh) | 基于贝叶斯决策的故障识别方法及装置 | |
CN104808653A (zh) | 基于滑模的电机伺服系统加性故障检测和容错控制方法 | |
CN103759740B (zh) | 一种巡视器静态时陀螺故障自主诊断方法 | |
CN106874589A (zh) | 一种基于数据驱动的报警根源寻找方法 | |
CN104483135A (zh) | 一种液体火箭发动机故障管路隔离方法 | |
CN105068529B (zh) | 一种基于加权残差分量比较的故障分离方法及系统 | |
CN104483965A (zh) | 液体火箭发动机地面试车稳态过程故障检测参数选择方法 | |
Gueddi et al. | VPCA-based fault diagnosis of spacecraft reaction wheels | |
Patton et al. | A Monte Carlo analysis and design for FDI of a satellite attitude control system | |
Garg et al. | Model-free neural fault detection and isolation for safe control | |
Zhang et al. | Fault monitoring and diagnosis of aerostat actuator based on pca and state observer | |
Wu et al. | Online fault diagnosis of nuclear power plants using signed directed graph and fuzzy theory | |
Meinke | Active machine learning to test autonomous driving | |
Yang et al. | Real-time sensor fault detection and isolation in power system with hardware implementation | |
Spirkovska et al. | Anomaly detection for next-generation space launch ground operations | |
Kong et al. | Concurrent fault diagnosis method for electric-hydraulic system: Subsea blowout preventer system as a case study | |
Werner-Stark et al. | Knowledge-based diagnosis of process systems using procedure hazid information |
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 |