CN106682692A - 一种基于svr多模型的液压舵回路故障诊断系统构造方法 - Google Patents

一种基于svr多模型的液压舵回路故障诊断系统构造方法 Download PDF

Info

Publication number
CN106682692A
CN106682692A CN201611195126.4A CN201611195126A CN106682692A CN 106682692 A CN106682692 A CN 106682692A CN 201611195126 A CN201611195126 A CN 201611195126A CN 106682692 A CN106682692 A CN 106682692A
Authority
CN
China
Prior art keywords
fault
svr
model group
failure
fault diagnosis
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
Application number
CN201611195126.4A
Other languages
English (en)
Other versions
CN106682692B (zh
Inventor
李婷
谢蓉
王剑
曹宇燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201611195126.4A priority Critical patent/CN106682692B/zh
Publication of CN106682692A publication Critical patent/CN106682692A/zh
Application granted granted Critical
Publication of CN106682692B publication Critical patent/CN106682692B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于SVR多模型的液压舵回路故障诊断系统构造方法，包括设计基于SVR多模型的液压舵回路故障诊断系统，训练故障诊断SVR模型组，测试故障诊断系统三个步骤。该故障诊断系统结构灵活，可根据液压舵回路可测状态数及故障种类数进行调整。该故障诊断系统通过采集典型条件下舵回路各状态历史数据训练SVR模型组，使其逼进各状态的动态特性。然后将模型组的输出与实际输出进行对比，基于生成的残差集进行故障检测和隔离。由于SVR模型训练过程不依赖舵机的精确模型，从而避免了因建模误差导致的故障诊断可靠性降低问题。因此该方法更适合工程应用。

Description

一种基于SVR多模型的液压舵回路故障诊断系统构造方法
技术领域
本发明属于液压舵回路故障诊断技术领域，涉及一种基于SVR多模型的液压舵回路故障诊断系统构造方法。
背景技术
液压舵回路是飞机自动控制系统中不可缺少的组成部分，对飞机的安全起降和飞行性能有重大影响。典型的液压舵回路主要由电液伺服阀、液压缸、位移传感器三个部件组成，舵回路的故障也主要集中在这三个部件上。电液伺服阀故障种类繁多，按故障表现可大体划分为泄漏型、堵塞型、卡滞型及电气元件故障；液压缸故障可分为泄露、爬行和卡死故障；传感器故障主要包括恒偏差、变增益、卡死故障。
以往的故障诊断方法侧重于对液压舵回路中伺服阀、液压缸等单个部件进行研究，忽略了单个部件故障对整个舵回路的影响；对舵回路单一故障研究的比较多，对多故障的检测和隔离技术研究的比较少。
以往针对液压舵机的多故障诊断，往往采用传统多模型法。即构造多个观测器或滤波器对系统各故障条件下的状态进行估计，以一定的算法使得所发生的故障以较快的速度逼近故障后系统动态特性的“最优模型”。由于构造观测器和滤波器都需要事先建立系统的物理模型，因而此类方法的可靠性极大地依赖于机理建模的精确性。液压舵机模型自身的非线性和不确定性，使得这类系统很难被精确建模。相比传统多模型法，基于数据驱动多模型的故障诊断方法主要利用从待诊断系统中采集到的历史数据逼近系统各故障过程，不依赖于物理模型，更适合于工程应用。其中，神经网络(ANN)常被用来逼近待诊断系统的各故障过程。
Vapnik等人于1995年提出支持向量回归理论(SVR，support vector machine forregression)用以解决回归拟合方面的问题。将SVR理论用于故障诊断，其基本原理是使用SVR对训练样本进行函数逼近，拟合出一个可以描述样本输入输出关系的函数，然后通过对比测试样本输出与拟合函数输出的残差实现故障诊断。截至目前，SVR技术已经在水下自主航行器、电力传输系统、航空发动机、高频电源等实际系统或设备的故障诊断中得到应用。研究表明基于SVR的模型逼近比ANN算法需要的训练样本少，精确性更高。
发明内容
要解决的技术问题
为了避免现有技术的不足之处，本发明提出一种基于SVR多模型的液压舵回路故障诊断系统构造方法，解决液压舵回路多种故障的检测和隔离问题。
技术方案
一种基于SVR多模型的液压舵回路故障诊断系统构造方法，其特征在于步骤如下：
步骤1、设计基于SVR多模型的故障诊断系统：
步骤1.1：确定故障诊断系统的结构
故障诊断系统包括故障检测模型组、故障隔离模型组和故障决策单元；
所述故障检测模型组生成故障检测残差集，包括一个结构上平行的SVR模型组SVRG0；模型组中的每个SVR模型分别对正常条件下系统的每个可测状态输出进行逼近；设液压舵机有m个可测状态，则模型组SVRG0包括m个SVR模型SVRG0_1～SVRG；0_m
所述故障隔离模型组生成故障隔离残差集，包括多个平行SVR模型组；设待隔离故障种类为n，则故障隔离模型组包括n个模型组SVRG1～SVRGn，每个模型组中包含多个结构平行的SVR模型为SVRGi_0～SVRGi_m,i＝1,2,…n，各SVR模型分别对特定故障类型下m个可测状态进行逼近；
所述故障决策单元根据故障检测和故障隔离模型组的输出结果输出故障诊断结果；
步骤1.2：确定故障诊断系统的输入
以液压舵回路的m个可测状态个数为故障诊断系统输入的个数，采集m个状态的时间序列构成测试样本集X＝(X1,X2,…Xm)作为故障诊断系统的输入；
液压舵回路的可测状态信号为：作动筒两腔压力信号，伺服阀阀芯位移信号，作动筒位移信号，作动筒运动速度信号；
步骤1.3：确定故障诊断系统的输出
故障诊断系统中故障检测模型组输出端个数固定为m；待隔离的故障种类为n，则故障诊断系统中故障隔离模型组输出端个数为m×n；故障决策单元输出端个数固定为2，可由y＝(y1,y2)表示，y1指示故障是否发生，y2指示故障发生的种类；
步骤1.4：构成故障诊断系统
将故障检测模型组m个输出端连接故障决策单元的输入端，故障决策单元根据这部分输入检测系统是否发生故障，并将结果输出到y1；y1连接故障隔离模型组的输入端；
故障隔离模型组根据y1的取值判断是否启动生成故障隔离残差；
故障隔离单元的m×n个输出端也连接故障决策单元输入端；
故障决策单元计算故障隔离结果并输出到y2；
步骤2：训练故障诊断SVR模型组
步骤2.1：准备训练样本
采集m个正常系统可测状态在固定时间段T＝[t1,t2]内的时间序列，构成m个训练样本集作为故障检测SVR组SVRG0的训练样本；每个训练样本集xi中包含l个样本，i＝1,2,…l；样本维数为2，xi＝[xi1,xi2]，xi1为时间序列采样中的时刻，xi2为xi1时刻时间序列的幅值；
采集n种故障条件下系统m个状态在时间段T内的时间序列，构成m×n个训练样本集用来训练故障隔离SVR组SVRG1～SVRGn；
步骤2.2：训练故障诊断模型组
使用生成的训练样本集分别对故障检测SVR模型组、故障诊断SVR模型组进行训练；
步骤3：确定故障检测阈值
将n种故障条件下系统m个故障样本集依次输入故障检测SVR模型组SVRG0，计算各故障检测SVR模型的输出与样本实际输出的残差，并与无故障条件下输出的残差进行比较，确定每个故障检测SVR模型的检测阈值；针对一种故障，至少有一个SVR模型设定的检测阈值满足Tr＜||r(t)||2，检测故障成立；其中：r(t)表示某种故障条件下，SVR模型输出的故障检测残差；
步骤4：确定故障隔离阈值
将n种故障条件下系统m个故障样本集依次输入故障隔离SVR模型组SVRG1～SVR，Gn计算故障隔离SVR模型的输出与样本实际输出的残差；根据残差计算结果确定各故障隔离SVR的隔离阈值；当发生故障k,k＝1,2,…n，要求模型组SVRGk至少有一个SVR SVRGk_i,i＝1,2,…m，设定的阈值满足Tk＞||r(k)||2k≠q，同时其他模型中对应的SVR SVRGq_i的阈值满足Tq≤||r(q)||2q＝1,2,…k-1,k+1,…n，实现故障类型k的隔离；
步骤5：测试故障诊断系统
步骤5.1：准备测试样本
正常及n种故障条件下，采集多个包含m个状态的时间序列构成测试样本集X＝(X1,X2,…Xm)。记录每个测试样本集X对应的故障诊断预期输出结果；如果测试样本为正常样本，则记录故障预期检测结果ye1为0，否则记录ye1为1；如果测试样本为1～n种故障条件下的样本，则记录故障预期隔离结果ye2为1～n；故障检测预期结果为正常的样本，记录故障预期隔离结果ye2＝0；
步骤5.2：测试故障诊断系统
将测试样本集逐个输入故障诊断系统，记录故障诊断系统实际输出结果；对比理想输出结果，确认故障诊断系统的故障检测正确性和故障隔离正确性。
所述步骤1.3中故障诊断系统的输出形式为：y1取值为0，1，-1，其中：0表示无故障发生，1表示有故障发生，-1表示无法检测；y2取值为0～n，取值为0时表示无法隔离故障，其他取值与故障种类的编号一一对应。
有益效果
本发明提出的一种基于SVR多模型的液压舵回路故障诊断系统构造方法，包括设计基于SVR多模型的液压舵回路故障诊断系统，训练故障诊断SVR模型组，测试故障诊断系统三个步骤。该故障诊断系统结构灵活，可根据液压舵回路可测状态数及故障种类数进行调整。该故障诊断系统通过采集典型条件下舵回路各状态历史数据训练SVR模型组，使其逼进各状态的动态特性。然后将模型组的输出与实际输出进行对比，基于生成的残差集进行故障检测和隔离。由于SVR模型训练过程不依赖舵机的精确模型，从而避免了因建模误差导致的故障诊断可靠性降低问题。因此该方法更适合工程应用。
附图说明
图1为本发明液压舵回路结构图；
图2为本发明故障诊断系统结构图；
图3为本发明故障诊断算法流程图；
图4为本发明液压舵回路多个故障诊断SVR训练原理图。
具体实施方式
现结合实施例、附图对本发明作进一步描述：
本发明实施例的对象是一类典型的液压舵回路，其结构图如图1所示。该舵回路由控制器、电液伺服阀、液压缸、位移传感器及负载组成，位移传感器的输出信号反馈到系统的输入端构成位置闭环。系统运行时，电液伺服阀将控制器输出的电信号放大、转换并控制大功率的液压能，推动液压缸活塞杆的运动，从而带动飞机舵面偏转。本发明针对此类闭环系统提出基于SVR多模型的液压舵回路故障诊断系统构造方法，按照以下步骤实施：
步骤1：设计基于SVR多模型的故障诊断系统
步骤1.1：确定故障诊断系统的结构
如图2所示，故障诊断系统由故障检测模型组、故障隔离模型组及故障决策模块构成；故障检测模型组生成故障检测残差集，包括一个结构上平行的SVR模型组(SVRG0)，模型组中的每个SVR模型分别对正常条件下系统的每个可测状态输出进行逼近。本实施例采集液压舵回路m＝5个状态的时间序列构建SVR故障检测模型组，这5个状态分别为液压缸左腔压力PA，右腔压力PB，伺服阀阀芯位移Xv，液压缸活塞运动速度Vxp，系统输出位移Xp。则模型组SVRG0包括5个SVR模型(SVRG0_1～SVRG0_5)。
故障隔离模型组生成故障隔离残差集，包括多个结构上平行SVR模型组。根据待诊断系统的故障种类确定故障诊断系统中故障隔离SVR模型组的个数。本实施例基于Simulink仿真环境验证所提方法的可行性。选取6种液压舵回路典型故障构建SVR故障隔离模型组，6种故障名称及仿真方法见表1。则故障隔离单元包括n＝6个模型组(SVRG1～SVRG6)，每个模型组中包含多个结构平行的SVR模型(SVRGi_1～SVRGi_5,i＝1,2,…6)，各SVR模型分别对特定故障类型下5个可测状态进行逼近。
故障决策模块根据故障检测和故障隔离模型组的输出结果输出故障诊断结果。
表1液压舵回路典型故障
步骤1.2：确定故障诊断系统的输入
液压舵回路的可测状态个数即为故障诊断系统输入的个数，本实施例中液压舵回路有5个可测状态，则分别采集5个状态的时间序列构成测试样本集X＝(X1,X2,…X5)作为故障诊断系统的输人。
步骤1.3：确定故障诊断系统的输出
故障诊断系统中故障检测模型组输出端个数固定为5；待隔离的故障种类为6，则故障诊断系统中故障隔离模型组输出端个数为30；故障决策模块输出端个数固定为2，可由y＝(y1,y2)表示，y1指示故障是否发生，y2指示故障发生的种类。
步骤1.4：构成故障诊断系统
故障检测模型组5个输出端连接故障决策单元的输入端，故障决策单元根据这部分输入检测系统是否发生故障，并将结果输出到y1；y1同时连接故障隔离模型组的输入端。故障隔离模型组根据y1的取值判断是否启动生成故障隔离残差。故障隔离单元的30个输出端也连接故障决策单元输入端。故障决策单元计算故障隔离结果并输出到y2
步骤2：训练故障诊断SVR模型组
步骤2.1：准备训练样本
采集5个正常系统可测状态5～30秒的时间序列，滤除高频噪声，构成5个训练样本集作为故障检测SVR模型组(SVRG0)的训练样本。每个训练样本集中包含l＝4000个样本，用xi表示，i＝1,2,…l。样本维数为2，即xi＝[xi1,xi2]，xi1为时间序列采样中的时刻，xi2为xi1时刻时间序列的幅值；仿真中故障注入时间均为第15秒，故障引起的参数变化占原参数值的30％，采集6种故障条件下系统5个状态在时间段5～30内的时间序列，滤除高频噪声，构成30个训练样本集，用来训练故障隔离SVR模型组(SVRG1～SVRG6)。样本与SVR的对应关系如图3所示。表2给出了正常及6种故障条件下的训练样本样例。
表2训练样本样例
步骤2.2：训练故障诊断模型组
使用生成的训练样本集分别对故障检测SVR模型组、故障诊断SVR模型组进行训练。SVR多模型的训练过程如图3左半部分所示。对于每一个SVR模型，均采用网格法生成一组备选模型参数，通过5重交叉验证法测试模型精度，使用最优模型参数建立SVR模型。
步骤3：确定故障诊断阈值
同步骤2.1，假设系统当前故障引起的参数变化占原参数值的20％，则对6种故障在故障参数变化为20％的条件下进行仿真，采集6种故障条件下系统5个状态在时间段5～30内的时间序列，滤除高频噪声，构成测试故障样本集，部分测试样本样例见表3。每个样本集包含l＝4000个样本，用xi表示，i＝1,2,…l。样本维数为2，即xi＝[xi1,xi2]，xi1为时间序列采样中的时刻，xi2为xi1时刻时间序列的幅值。将6种故障条件下的测试样本集依次输入故障检测SVR模型组(SVRG0)，计算各故障检测SVR模型的输出与样本实际输出的残差，与无故障条件下输出的残差进行比较，确定每个故障检测SVR模型的检测阈值。针对一种故障，至少有一个SVR模型(SVRG0_1～SVRG0_5)设定的检测阈值满足如下条件，故障才可以被检测。
Tr＜||r(t)||2
r(t)表示某种故障条件下，SVR模型输出的故障检测残差。
表3测试样本样例
步骤4：确定故障隔离阈值
将步骤3中得到的测试样本集依次输入故障隔离SVR模型组(SVRG1～SVRG6)，计算故障隔离SVR模型的输出与样本实际输出的残差。根据残差计算结果确定故障隔离模型组中各SVR的故障隔离阈值。即假设发生故障k,k＝1,2,…6，要求模型组SVRGk至少有一个SVR(SVRGk_i,i＝1,2,…5)设定的阈值Tk满足
Tk＞||r(k)||2(k≠q)
同时其他模型中对应的SVR(SVRGq_i)的阈值Tq需满足：
Tq≤||r(q)||2q＝1,2,…k-1,k+1,…6
则可实现故障类型k的隔离。
步骤5：测试故障诊断系统
步骤5.1：准备测试样本
从已获得的测试样本集中随机选取正常或故障条件下的一组测试样本集X＝(X1,X2,…X5)。参照故障诊断系统输出形式记录该测试样本对应的理想输出结果。
步骤5.2：测试故障诊断系统
将测试样本集逐个输入故障诊断系统，记录故障诊断系统实际输出结果。对比理想输出结果，检查故障诊断系统的故障检测正确性和故障隔离正确性。
本发明对步骤1.3中故障诊断系统的输出形式做如下规定：
y1取值为0或1，0表示无故障发生，1表示有故障发生。y2取值为0～n，取值为0时表示无法隔离故障。其他取值与故障种类的编号一一对应。
本发明的故障诊断系统结构灵活，可根据液压舵回路的可测状态数及故障种类数进行调整。不依赖于系统精确的数学模型。SVR模型训练所需样本少，模型精度高。有效检测和隔离闭环液压舵回路的多种故障。

Claims (2)

1.一种基于SVR多模型的液压舵回路故障诊断系统构造方法，其特征在于步骤如下：
步骤1、设计基于SVR多模型的故障诊断系统：
步骤1.1：确定故障诊断系统的结构
故障诊断系统包括故障检测模型组、故障隔离模型组和故障决策单元；
所述故障检测模型组生成故障检测残差集，包括一个结构上平行的SVR模型组SVRG0；模型组中的每个SVR模型分别对正常条件下系统的每个可测状态输出进行逼近；设液压舵机有m个可测状态，则模型组SVRG0包括m个SVR模型SVRG0_1～SVRG；0_m
所述故障隔离模型组生成故障隔离残差集，包括多个平行SVR模型组；设待隔离故障种类为n，则故障隔离模型组包括n个模型组SVRG1～SVRGn，每个模型组中包含多个结构平行的SVR模型为SVRGi_0～SVRGi_m,i＝1,2,…n，各SVR模型分别对特定故障类型下m个可测状态进行逼近；
所述故障决策单元根据故障检测和故障隔离模型组的输出结果输出故障诊断结果；
步骤1.2：确定故障诊断系统的输入
以液压舵回路的m个可测状态个数为故障诊断系统输入的个数，采集m个状态的时间序列构成测试样本集X＝(X1,X2,…Xm)作为故障诊断系统的输入；
液压舵回路的可测状态信号为：作动筒两腔压力信号，伺服阀阀芯位移信号，作动筒位移信号，作动筒运动速度信号；
步骤1.3：确定故障诊断系统的输出
故障诊断系统中故障检测模型组输出端个数固定为m；待隔离的故障种类为n，则故障诊断系统中故障隔离模型组输出端个数为m×n；故障决策单元输出端个数固定为2，可由y＝(y1,y2)表示，y1指示故障是否发生，y2指示故障发生的种类；
步骤1.4：构成故障诊断系统
将故障检测模型组m个输出端连接故障决策单元的输入端，故障决策单元根据这部分输入检测系统是否发生故障，并将结果输出到y1；y1连接故障隔离模型组的输入端；
故障隔离模型组根据y1的取值判断是否启动生成故障隔离残差；
故障隔离单元的m×n个输出端也连接故障决策单元输入端；
故障决策单元计算故障隔离结果并输出到y2；
步骤2：训练故障诊断SVR模型组
步骤2.1：准备训练样本
采集m个正常系统可测状态在固定时间段T＝[t1,t2]内的时间序列，构成m个训练样本集作为故障检测SVR组SVRG0的训练样本；每个训练样本集xi中包含l个样本，i＝1,2,…l；样本维数为2，xi＝[xi1,xi2]，xi1为时间序列采样中的时刻，xi2为xi1时刻时间序列的幅值；
采集n种故障条件下系统m个状态在时间段T内的时间序列，构成m×n个训练样本集用来训练故障隔离SVR组SVRG1～SVRGn；
步骤2.2：训练故障诊断模型组
使用生成的训练样本集分别对故障检测SVR模型组、故障诊断SVR模型组进行训练；
步骤3：确定故障检测阈值
将n种故障条件下系统m个故障样本集依次输入故障检测SVR模型组SVRG0，计算各故障检测SVR模型的输出与样本实际输出的残差，并与无故障条件下输出的残差进行比较，确定每个故障检测SVR模型的检测阈值；针对一种故障，至少有一个SVR模型设定的检测阈值满足Tr＜||r(t)||2，检测故障成立；其中：r(t)表示某种故障条件下，SVR模型输出的故障检测残差；
步骤4：确定故障隔离阈值
将n种故障条件下系统m个故障样本集依次输入故障隔离SVR模型组SVRG1～SVR，Gn计算故障隔离SVR模型的输出与样本实际输出的残差；根据残差计算结果确定各故障隔离SVR的隔离阈值；当发生故障k,k＝1,2,…n，要求模型组SVRGk至少有一个SVR SVRGk_i,i＝1,2,…m，设定的阈值满足Tk＞||r(k)||2 k≠q，同时其他模型中对应的SVR SVRGq_i的阈值满足Tq≤||r(q)||2 q＝1,2,…k-1,k+1,…n，实现故障类型k的隔离；
步骤5：测试故障诊断系统
步骤5.1：准备测试样本
正常及n种故障条件下，采集多个包含m个状态的时间序列构成测试样本集X＝(X1,X2,…Xm)。记录每个测试样本集X对应的故障诊断预期输出结果；如果测试样本为正常样本，则记录故障预期检测结果ye1为0，否则记录ye1为1；如果测试样本为1～n种故障条件下的样本，则记录故障预期隔离结果ye2为1～n；故障检测预期结果为正常的样本，记录故障预期隔离结果ye2＝0；
步骤5.2：测试故障诊断系统
将测试样本集逐个输入故障诊断系统，记录故障诊断系统实际输出结果；对比理想输出结果，确认故障诊断系统的故障检测正确性和故障隔离正确性。
2.根据权利要求1所述基于SVR多模型的液压舵回路故障诊断系统构造方法，其特征在于：步骤1.3中故障诊断系统的输出形式为：y1取值为0，1，-1，其中：0表示无故障发生，1表示有故障发生，-1表示无法检测；y2取值为0～n，取值为0时表示无法隔离故障，其他取值与故障种类的编号一一对应。
CN201611195126.4A 2016-12-22 2016-12-22 一种基于svr多模型的液压舵回路故障诊断系统构造方法 Expired - Fee Related CN106682692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611195126.4A CN106682692B (zh) 2016-12-22 2016-12-22 一种基于svr多模型的液压舵回路故障诊断系统构造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611195126.4A CN106682692B (zh) 2016-12-22 2016-12-22 一种基于svr多模型的液压舵回路故障诊断系统构造方法

Publications (2)

Publication Number Publication Date
CN106682692A true CN106682692A (zh) 2017-05-17
CN106682692B CN106682692B (zh) 2020-02-14

Family

ID=58870914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611195126.4A Expired - Fee Related CN106682692B (zh) 2016-12-22 2016-12-22 一种基于svr多模型的液压舵回路故障诊断系统构造方法

Country Status (1)

Country Link
CN (1) CN106682692B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112882386A (zh) * 2021-01-12 2021-06-01 清华大学 闭环系统的主动故障检测方法、装置、设备及存储介质
CN114237199A (zh) * 2021-11-29 2022-03-25 中国航发沈阳发动机研究所 基于自适应比较器的航空发动机执行回路故障检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102520697A (zh) * 2011-12-16 2012-06-27 西安建筑科技大学 一种远程协同诊断的现场信息预处理方法
CN106019195A (zh) * 2016-07-22 2016-10-12 国网浙江省电力公司电力科学研究院 一种电力计量自动化检定流水线故障诊断系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102520697A (zh) * 2011-12-16 2012-06-27 西安建筑科技大学 一种远程协同诊断的现场信息预处理方法
CN106019195A (zh) * 2016-07-22 2016-10-12 国网浙江省电力公司电力科学研究院 一种电力计量自动化检定流水线故障诊断系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CAO YUYAN: "Failure Prognosis for electro-mechanical actuators based on improved SMO-SVR method", 《2016 IEEE CHINESE GUIDANCE, NAVIGATION AND CONTROL CONFERENCE》 *
TING LI等: "Sensor fault diagnosis for electro-hydraulic actuator based on QPSO-LSSVR", 《PROCEEDINGS OF 2016 IEEE CHINESE GUIDANCE, NAVIGATION AND CONTROL CONFERENCE》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112882386A (zh) * 2021-01-12 2021-06-01 清华大学 闭环系统的主动故障检测方法、装置、设备及存储介质
CN112882386B (zh) * 2021-01-12 2022-04-22 清华大学 闭环系统的主动故障检测方法、装置、设备及存储介质
CN114237199A (zh) * 2021-11-29 2022-03-25 中国航发沈阳发动机研究所 基于自适应比较器的航空发动机执行回路故障检测方法
CN114237199B (zh) * 2021-11-29 2023-10-24 中国航发沈阳发动机研究所 基于自适应比较器的航空发动机执行回路故障检测方法

Also Published As

Publication number Publication date
CN106682692B (zh) 2020-02-14

Similar Documents

Publication Publication Date Title
CN104850889B (zh) 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法
US11203446B2 (en) Method for fault diagnosis of aero-engine sensor and actuator based on LFT
CN108227676A (zh) 阀控缸电液伺服系统在线故障检测、估计及定位方法
Xu et al. Model-based fault detection and isolation scheme for a rudder servo system
CN106873568A (zh) 基于h无穷鲁棒未知输入观测器的传感器故障诊断方法
CN107797543A (zh) 一种航空发动机燃油调节器故障诊断方法
CN108427400A (zh) 一种基于神经网络解析冗余的飞机空速管故障诊断方法
CN102930081B (zh) 一种基于相关性模型的机内测试设计方法
CN110135066A (zh) 一种动力换挡变速箱先导式溢流阀的故障诊断方法
CN106682692A (zh) 一种基于svr多模型的液压舵回路故障诊断系统构造方法
CN105094118A (zh) 一种飞机发动机压气机失速故障检测方法
CN104698839A (zh) 一种基于信息交互的多智能体故障检测与补偿控制方法
CN106546439A (zh) 一种液压agc系统的复合故障诊断方法
CN105988465A (zh) 可编程致动器模拟卡
CN105260604B (zh) 基于符号动力学与云模型的卫星动量轮故障检测方法
CN104142680A (zh) 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法
CN110987396A (zh) 一种用于采煤机摇臂的智能故障诊断及寿命预测方法
Wang et al. Internal leakage detection of hydraulic cylinder based on wavelet analysis and backpropagation neural network
CN108825591A (zh) 一种电液执行器蓄能器动态故障检测方法
CN117032172A (zh) 一种基于数模联动的故障诊断方法及系统
CN103984337A (zh) 一种机载控制律正确性快速测试方法
CN102749199A (zh) 基于esn的涡轮发动机的剩余寿命预测方法
CN103873140B (zh) 一种基于环形拓扑结构的光纤传感网络的修复方法
CN105652795A (zh) 一种基于残差观测器的3ptt-2r串并联数控机床伺服系统故障预测装置及方法
Xinmin et al. Artificial neural network for sensor failure detection in an automotive engine

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200214

Termination date: 20201222