CN106705999A - 一种无人机陀螺仪故障的诊断方法 - Google Patents
一种无人机陀螺仪故障的诊断方法 Download PDFInfo
- Publication number
- CN106705999A CN106705999A CN201611189594.0A CN201611189594A CN106705999A CN 106705999 A CN106705999 A CN 106705999A CN 201611189594 A CN201611189594 A CN 201611189594A CN 106705999 A CN106705999 A CN 106705999A
- Authority
- CN
- China
- Prior art keywords
- sample
- gyroscope
- positive
- fault diagnosis
- circuit
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Gyroscopes (AREA)
Abstract
本发明公开了一种无人机陀螺仪故障的诊断方法,基于模糊化技术,计算样本与期望值的接近程度,用接近程度的概率来设计样本隶属度因子,将此隶属度因子配置到表示支持向量机的数学模型中,消除样本分布失衡性和噪声特性的影响。离线方式进行支持向量机训练,获取区分正负类样本的最优间隔分类面的决策函数参数,无人机飞行时,实时采集机载传感器陀螺仪输出的姿态信号,采用db4小波基分解法提取信号的特征向量并归一化,然后输入到最优间隔分类面的决策函数,实时计算出待分信号的类别标签,识别陀螺仪的故障情况。本发明的诊断方法显著减少故障分类超平面的偏置程度,提高了故障诊断精度,计算量小,并且实现了故障诊断算法的在线实时性。
Description
技术领域
本发明涉及传感器的故障诊断,具体是一种无人机陀螺仪故障的诊断方法。
背景技术
随着无人机3D(Dull:枯燥乏味,Dirty:恶劣环境,Dangerous:危险)任务执行优势和价格低廉优势的发挥,无人机广泛应用在空中侦察、目标定位、电子战、导弹拦截等军事领域;和抢险救灾、电力线路和油气管路巡检、反恐维稳、航拍等民用领域。
军事应用领域内的无人机平台常搭载塔康、雷达的多型干扰设备;飞行器平台本身配套安装测控设备、GPS/GLONASS/北斗导航设备,因此飞行器上存在干扰设备链路信号、测控信号、导航信号、发动机工作产生的辐射信号,复杂的机载电磁环境对陀螺仪输出信号产生不确定性的干扰,输出信号中包含各类噪声信号、孤立点信号。另外火箭助推或弹射发射方式,以及任务剖面大机动飞行的过载、冲击效应,使陀螺仪承受多方向耦合的大机械应力,影响陀螺仪内部机械装置的工作性能,致使陀螺仪使用中出现静差或漂移增大现象、偶发陀螺倒事件等。所以作为测量无人机姿态和姿态变化信息的陀螺仪,因产生飞行控制内回路的输入参数,是影响无人机安全稳定飞行和任务执行精准率的关键要素。
陀螺的故障发生是小概率事件,故障样本数远少于正常样本数,标准的SVM应用于陀螺故障诊断时,易造成漏检事件,错分率提高。加之无人机飞行速度大,故障一旦发生,致命危情迅速引发,因此对故障的实时诊断,无人机应急特情处置的快速性,具有强烈而迫切的需求。
目前,陀螺仪故障诊断方法主要有两大类:1)基于信号处理的方法;2)基于人工智能的方法。基于信号处理的方法主要利用信号处理技术对采集到的系统信号进行处理和分析,挖掘出时域和频域中与系统运行状态有关的深层特征向量,利用它与故障之间的内在关系,从而检测出系统故障。中国专利CN104019831A公开了一种基于EMD和熵权的陀螺仪故障诊断方法,并进行了仿真验证。近年随着人工智能技术的快速发展,因逻辑推理、自学习、自诊断和自处理等能力优势,基于人工智能的故障诊断方法,已发展成陀螺仪故障诊断技术研究的热点。神经网络方法容易出现欠学习和过学习,需要在大量训练样本的前提下才能保证有较好的学习和推广能力。支持向量机是基于统计学习理论的机器学习方法,其结构风险最小化原则,能有效解决神经网络的过学习问题。中国期刊论文《基于CPSO-LSSVM的陀螺仪故障趋势预测》(四川大学学报(工程科学版),2010,vol42(2):177-181)提出了一种结合混沌粒子群优化算法和最小二乘支持向量机算法应用到陀螺仪的故障检测方法,提高了陀螺漂移故障检测的诊断精度。但该方法没有讨论样本数据集不平衡和噪声奇异点情况对故障诊断精度的影响问题。支持向量机训练过程中,正负类样本数据集不平衡和噪声干扰问题,会导致最优分类决策函数超平面偏置,降低故障诊断的精度。
发明内容
本发明要解决的技术问题是提供一种无人机陀螺仪故障的诊断方法,该方法能够避免陀螺仪故障诊断中的正负类样本分布失衡和含噪情况下故障诊断的在线实时性问题。
为实现上述发明目的,本发明采用如下技术方案:
一种无人机陀螺仪故障的诊断方法,基于模糊化技术,计算样本与期望值的接近程度,用接近程度的概率来设计样本隶属度因子,将此隶属度因子配置到表示支持向量机的数学模型中,消除样本分布失衡性和噪声特性的影响。离线方式进行支持向量机训练,获取区分正负类样本的最优间隔分类面的决策函数参数,无人机飞行时,实时采集机载传感器陀螺仪输出的姿态信号,采用db4小波基分解法提取信号的特征向量并归一化,然后输入到最优间隔分类面的决策函数,实时计算出待分信号的类别标签,识别陀螺仪的故障情况。比如,可使用基于TMS320F28335平台的故障诊断装置实施以上故障诊断过程。
具体来说,一种无人机陀螺仪故障的诊断方法,包括以下步骤:
1)基于db4小波基分解法处理样本,提取出若干个频带的能量作为样本特征向量;
2)将样本特征向量进行归一化,归一化到[0,1]区间;
3)基于正态分布模型计算正负类样本的隶属度因子,正类隶属度因子定义为s+(xi);负类隶属度因子定义为s-(xi):
其中,l+、l-分别为正、负类样本的数量,样本类间数量不平衡特性用l+/l-反映;p为样本属性的维数,μ为样本期望,∑为样本协方差,
正负类样本隶属度函数中的样本期望和协方差用极大似然法估计量计算:
4)采用离线方式进行支持向量机训练,获取区分正负类样本最优间隔分类面的决策函数模型;
5)定时采集陀螺仪输出信号,连续采样若干个点计算其平均值作为待诊断样本;重复步骤1)和2),基于SVM最优间隔分类面的决策函数计算出样本类别后,实时输出到无人机飞控计算机上,供飞控计算机容错控制系统使用。
进一步的,所述步骤2)的归一化采用的归一化函数为:
式中,x是原始样本,x*归一化后的样本,xmax是样本集中的最大值,xmin是样本集中的最小值。
进一步的,所述步骤4)采用离线方式进行支持向量机训练,获取区分正负类样本最优间隔分类面的决策函数模型的过程包括以下步骤:
41)定义支持向量机约束优化问题的数学表示为:
式中,xi为样本,yi为分类属性,ω为超平面的法向量,松弛变量ξi表征样本被错分的程度,C为惩罚因子,b为分类阈值,为样本输入空间到高维Hilbert空间的映射,si为样本隶属度;
42)采用拉格朗日乘子优化方法,式(5)的约束优化问题转化为关于α的最大化的目标函数式:
K(xi,xj)为核函数,核函数采用径向高斯基函数。
43)在matlab仿真环境下对正负类样本进行离线训练,求取满足式(6)的α值。正负类样本最优间隔分类面的决策函数模型表示为:
式中,αi *表示为非零的α值,b*值用为最大时的支持向量,代入式(8)求取。
上述无人机陀螺仪故障的诊断方法主要采用故障诊断装置实施。故障诊断装置灌装SVM最优间隔分类面的决策函数模型后,在线诊断时,定时采集速率陀螺仪输出信号,连续采样多个点计算其平均值作为待诊断样本,输入到决策函数模型,计算样本类别,最后将故障诊断结果实时输出到无人机飞控计算机上,供飞控计算机容错控制系统使用。所述故障诊断装置包括数字信号处理器、时钟电路、供电电路、复位电路、串口电平转换电路、模拟量转换电路、存储器扩展电路。
所述串口电平转换电路,用于故障诊断算法的灌装与维护,以及与机载飞控计算机的实时通讯,实时反馈故障诊断结果给飞控计算机;
所述模拟信号转换电路,指的是模拟信号采集电路,用于陀螺仪输出的俯仰角、滚转角、偏航角、俯仰角速率、滚转角速率、偏航角速率模拟量信号的采集和电压幅值转换。
更进一步,所述数字信号处理器为TMS320F28335芯片,主频150MHz;内含32位单精度硬件浮点运算单元和32×32位硬件乘法单元;16通道的0伏—3.3伏的12位A/D转换模块,单通道最高采样频率可达12.5MSPS,内置采样/保持电路;3通道CMOS电平的的异步串行通信接口(SCI_A、SCI_B,SCI_C),支持16级深度的发送FIFO和接收FIFO。
另一种改进,所述串口电平转换电路,包括RS-232串行接口和RS-422串行接口;所述RS-232串行接口基于MAX3232芯片实施TMS320F28335片上SCI_A的CMOS电平与RS-232电平间转换;所述RS-422串行接口基于MAX3490芯片实施TMS320F28335片上SCI_B的CMOS电平与RS-422电平间转换。
另一种改进,所述存储器扩展电路包括FLASH存储器扩展电路和SRAM存储器扩展电路。
本发明的无人机陀螺仪故障的诊断方法,具有以下优点和有益效果:
(1)本发明的诊断方法基于正态分布模糊化技术的样本隶属度函数设计,能同时反映了样本的数量不平衡、分散度不平衡和噪声三者的特性,显著减少故障分类超平面的偏置程度,提高了故障诊断精度;
(2)本发明的故障诊断方法基于支持向量机,以求解凸二次规划问题方式获得了小样本情况下全局最优解,而非样本趋于无穷大时的最优解,解决了陀螺仪小样本条件下机器学习方法的鲁棒性问题,并且计算量小;
(3)本发明的故障诊断装置,以其数字信号处理和接口资源丰富的优势,实现了诊断装置的小型化和故障诊断算法的在线实时性。故障发生到识别的时间显著减少到几个毫秒级,为无人机故障应急处置争取了黄金时间;
(4)本发明的故障诊断装置的算法代码,通过串口烧写方式进行升级维护,可实现同型或不同型,不同寿命阶段的诊断对象的故障诊断,升级维护设备结构简单,经济性强。
附图说明
图1为本发明的故障诊断装置原理图;
图2为本发明一个实施例中故障诊断装置在的连接示意图;
图3为本发明的故障诊断方法流程图。
具体实施方式
下面结合附图,对本发明提出的一种无人机陀螺仪故障的诊断方法进行详细说明。对于本发明的诊断方法采用的故障诊断装置,以基于TMS320F28335平台的故障诊断装置为例,但是并不限于TMS320F28335平台。
如图1和2所示,故障诊断装置包括TMS320F28335数字信号处理器、时钟电路、供电电路、复位电路、串口电平转换电路、模拟量转换电路、存储器扩展电路。其特征在于:
所述的TMS320F28335数字信号处理器为TI公司C2000系列TMS320F28335芯片,主频150MHz;内含32位单精度硬件浮点运算单元和32×32位硬件乘法单元;16通道的0伏—3.3伏的12位A/D转换模块,单通道最高采样频率可达12.5MSPS,内置采样/保持电路;3通道CMOS电平的的异步串行通信接口(SCI_A、SCI_B,SCI_C),支持16级深度的发送FIFO和接收FIFO。
所述的串口电平转换电路,包括RS-232串行接口和RS-422串行接口。所述的RS-232串行接口基于MAX3232芯片实施TMS320F28335片上SCI_A的CMOS电平与RS-232电平间转换,用于故障诊断算法的灌装与维护;所述的RS-422串行接口基于MAX3490芯片实施TMS320F28335片上SCI_B的CMOS电平与RS-422电平间转换,用于与机载飞行控制计算机的实时通讯,实时反馈故障诊断结果给飞控计算机。
所述的模拟信号转换电路,指的是8个通道的模拟信号采集电路。实施陀螺仪输出的俯仰角、滚转角、偏航角、俯仰角速率、滚转角速率、偏航角速率模拟量信号的采集和电压幅值转换。
所述的存储器扩展电路包括FLASH存储器扩展电路和SRAM存储器扩展电路。基于SST公司的SST39VF1601芯片实现1M字非易失性存储(FLASH)扩展和ISSI公司的IS61WV102416BLL芯片来实现1M字随机存储(SRAM)扩展。
所述的故障在线诊断方法分为两个部分,一个是支持向量机离线训练部分,另一个是支持向量机在线故障诊断部分,图3为本发明一实施实例的工作流程图。
离线训练数据来自某型无人机科研试飞中速率陀螺仪的信号,选取正常信号样本400个,故障事例库中速率陀螺的4种故障(偏置故障、卡死故障、漂移故障、乘性故障)数据,每种故障样本各80个。正、负类样本各取一半作为训练集和测试集,负类样本和正类样本的不平衡比设定为5:1。定义陀螺仪输出的正常信号为负类样本,故障信号为正类样本。
本发明无人机陀螺仪故障的诊断方法包括以下步骤:
步骤1、基于db4小波基分解法处理样本,提取出8个频带的能量作为样本特征向量;需要说明的是,采集能量的频带数可以根据需要调整,并使用相应模拟信号转换电路;
步骤2、将样本特征向量进行归一化,归一化到[0,1]区间。归一化函数为:
式中,x是原始样本,x*归一化后的样本,xmax是样本集中的最大值,xmin是样本集中的最小值。
步骤3、基于正态分布模型计算正负类样本的隶属度因子。正类隶属度因子定义为s+(xi);负类隶属度因子定义为s-(xi)。
其中,l+、l-分别为正、负类样本的数量,样本类间数量不平衡特性用l+/l-反映;p为样本属性的维数,μ为样本期望,∑为样本协方差。
正负类样本隶属度函数中的样本期望和协方差用极大似然法估计量计算。
步骤4、采用离线方式进行支持向量机训练,获取区分正负类样本最优间隔分类面的决策函数模型。
所述步骤4包括41):定义支持向量机约束优化问题的数学表示为:
式中xi为样本,yi为分类属性,ω为超平面的法向量,松弛变量ξi表征样本被错分的程度,C为惩罚因子,b为分类阈值,为样本输入空间到高维Hilbert空间的映射,si为样本隶属度。
所述步骤4包括42):采用拉格朗日乘子优化方法,式(4)的约束优化问题转化为关于α的最大化的目标函数式(6):
K(xi,xj)为核函数,核函数采用径向高斯基函数。
所述步骤4包括43):在Matlab仿真环境下对正负类样本进行离线训练,求取满足式(6)的α值。正负类样本最优间隔分类面的决策函数模型表示为:
其中αi *表示为非零的α值,b*值用为最大时的支持向量,代入式(8)求取。
步骤5、将SVM最优间隔分类面的决策函数模型通过RS232串口烧录到基于TMS320F28335故障诊断装置的FLASH存储器;
步骤6、启动基于TMS320F28335平台的故障诊断装置,定时采集速率陀螺仪输出信号,连续采样5个点计算其平均值作为待诊断样本,重复步骤1至步骤2,基于SVM最优间隔分类面的决策函数计算出样本类别后,通过RS422串口实时输出到无人机飞控计算机上,供飞控计算机容错控制系统使用。
基于对本发明优选实施方式的描述,应该清楚,由所附的权利要求书所限定的本发明并不仅仅局限于上面说明书中所阐述的特定细节,未脱离本发明宗旨或范围的对本发明的许多显而易见的改变同样可能达到本发明的目的。
Claims (6)
1.一种无人机陀螺仪故障的诊断方法,其特征在于,包括以下步骤:
1)基于db4小波基分解法处理样本,提取出若干个频带的能量作为样本特征向量;
2)将样本特征向量进行归一化,归一化到[0,1]区间;
3)基于正态分布模型计算正负类样本的隶属度因子,正类隶属度因子定义为s+(xi);负类隶属度因子定义为s-(xi):
其中,l+、l-分别为正、负类样本的数量,样本类间数量不平衡特性用l+/l-反映;p为样本属性的维数,μ为样本期望,∑为样本协方差,
正负类样本隶属度函数中的样本期望和协方差用极大似然法估计量计算:
4)采用离线方式进行支持向量机训练,获取区分正负类样本最优间隔分类面的决策函数模型;
5)定时采集陀螺仪输出信号,连续采样若干个点计算其平均值作为待诊断样本;重复步骤1)和2),基于SVM最优间隔分类面的决策函数计算出样本类别后,实时输出到无人机飞控计算机上,供飞控计算机容错控制系统使用;
进一步的,所述步骤2)的归一化采用的归一化函数为:
式中,x是原始样本,x*归一化后的样本,xmax是样本集中的最大值,xmin是样本集中的最小值。
2.根据权利要求1所述的无人机陀螺仪故障的诊断方法,其特征在于,所述步骤4)采用离线方式进行支持向量机训练,获取区分正负类样本最优间隔分类面的决策函数模型的过程包括以下步骤:
41)定义支持向量机约束优化问题的数学表示为:
式中,xi为样本,yi为分类属性,ω为超平面的法向量,松弛变量ξi表征样本被错分的程度,C为惩罚因子,b为分类阈值,为样本输入空间到高维Hilbert空间的映射,si为样本隶属度;
42)采用拉格朗日乘子优化方法,式(5)的约束优化问题转化为关于α的最大化的目标函数式:
K(xi,xj)为核函数,核函数采用径向高斯基函数;
43)在Matlab仿真环境下对正负类样本进行离线训练,求取满足式(6)的α值;正负类样本最优间隔分类面的决策函数模型表示为:
式中,αi *表示为非零的α值,b*值用为最大时的支持向量,代入式(8)求取。
3.一种用于权利要求1或2所述的无人机陀螺仪故障的诊断方法的故障诊断装置,其特征在于,所述故障诊断装置灌装SVM最优间隔分类面的决策函数模型;在线诊断时,所述故障诊断装置定时采集速率陀螺仪输出信号,连续采样多个点计算其平均值作为待诊断样本,输入到决策函数模型,计算样本类别,最后将故障诊断结果实时输出到无人机飞控计算机上,供飞控计算机容错控制系统使用;所述故障诊断装置包括数字信号处理器、时钟电路、供电电路、复位电路、串口电平转换电路、模拟量转换电路、存储器扩展电路;
所述串口电平转换电路,用于故障诊断算法的灌装以及与机载飞控计算机的实时通讯,实时反馈故障诊断结果给飞控计算机;
所述模拟信号转换电路,指的是模拟信号采集电路,用于陀螺仪输出的俯仰角、滚转角、偏航角、俯仰角速率、滚转角速率、偏航角速率模拟量信号的采集和电压幅值转换。
4.根据权利要求3所述的故障诊断装置,其特征在于,所述数字信号处理器为TMS320F28335芯片,主频150MHz;内含32位单精度硬件浮点运算单元和32×32位硬件乘法单元;16通道的0伏—3.3伏的12位A/D转换模块,单通道最高采样频率可达12.5MSPS,内置采样/保持电路;3通道CMOS电平的的异步串行通信接口(SCI_A、SCI_B,SCI_C),支持16级深度的发送FIFO和接收FIFO。
5.根据权利要求3所述的故障诊断装置,其特征在于,所述串口电平转换电路,包括RS-232串行接口和RS-422串行接口;所述RS-232串行接口基于MAX3232芯片实施TMS320F28335片上SCI_A的CMOS电平与RS-232电平间转换;所述RS-422串行接口基于MAX3490芯片实施TMS320F28335片上SCI_B的CMOS电平与RS-422电平间转换。
6.根据权利要求3所述的故障诊断装置,其特征在于,所述存储器扩展电路包括FLASH存储器扩展电路和SRAM存储器扩展电路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611189594.0A CN106705999B (zh) | 2016-12-21 | 2016-12-21 | 一种无人机陀螺仪故障的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611189594.0A CN106705999B (zh) | 2016-12-21 | 2016-12-21 | 一种无人机陀螺仪故障的诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106705999A true CN106705999A (zh) | 2017-05-24 |
CN106705999B CN106705999B (zh) | 2021-05-25 |
Family
ID=58938456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611189594.0A Active CN106705999B (zh) | 2016-12-21 | 2016-12-21 | 一种无人机陀螺仪故障的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106705999B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463938A (zh) * | 2017-06-26 | 2017-12-12 | 南京航空航天大学 | 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法 |
CN108154179A (zh) * | 2017-12-25 | 2018-06-12 | 北京润科通用技术有限公司 | 一种数据的检错方法及系统 |
CN109167546A (zh) * | 2018-09-25 | 2019-01-08 | 安徽大学 | 一种基于数据生成模型的异步电机参数在线辨识方法 |
CN109359668A (zh) * | 2018-09-07 | 2019-02-19 | 南京航空航天大学 | 一种航空发动机多故障并发诊断方法 |
CN110262447A (zh) * | 2019-05-24 | 2019-09-20 | 南京航空航天大学 | 一种基于ann的acs闭环系统故障定位方法 |
CN111487950A (zh) * | 2020-04-24 | 2020-08-04 | 西安交通大学 | 在线预警和离线诊断的“预测-验证-反馈-优化”闭环系统 |
CN111680715A (zh) * | 2020-05-08 | 2020-09-18 | 湖南大学 | 考虑类别不平衡的回转窑烧结状态识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103162710A (zh) * | 2011-12-15 | 2013-06-19 | 洛阳理工学院 | 基于小波熵的mems陀螺故障检测系统及其检测方法 |
CN105160147A (zh) * | 2015-07-07 | 2015-12-16 | 大连理工大学 | 一种基于状态空间模型和模糊理论的刀具更换时间方法 |
-
2016
- 2016-12-21 CN CN201611189594.0A patent/CN106705999B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103162710A (zh) * | 2011-12-15 | 2013-06-19 | 洛阳理工学院 | 基于小波熵的mems陀螺故障检测系统及其检测方法 |
CN105160147A (zh) * | 2015-07-07 | 2015-12-16 | 大连理工大学 | 一种基于状态空间模型和模糊理论的刀具更换时间方法 |
Non-Patent Citations (2)
Title |
---|
李勇: "基于增量式模糊支持向量机的陀螺仪故障诊断", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李勇等: "DSP和非平衡FSVM在陀螺仪故障诊断中的应用", 《沈阳理工大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463938A (zh) * | 2017-06-26 | 2017-12-12 | 南京航空航天大学 | 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法 |
CN107463938B (zh) * | 2017-06-26 | 2021-02-26 | 南京航空航天大学 | 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法 |
CN108154179A (zh) * | 2017-12-25 | 2018-06-12 | 北京润科通用技术有限公司 | 一种数据的检错方法及系统 |
CN109359668A (zh) * | 2018-09-07 | 2019-02-19 | 南京航空航天大学 | 一种航空发动机多故障并发诊断方法 |
CN109359668B (zh) * | 2018-09-07 | 2022-10-21 | 南京航空航天大学 | 一种航空发动机多故障并发诊断方法 |
CN109167546A (zh) * | 2018-09-25 | 2019-01-08 | 安徽大学 | 一种基于数据生成模型的异步电机参数在线辨识方法 |
CN109167546B (zh) * | 2018-09-25 | 2021-08-03 | 安徽大学 | 一种基于数据生成模型的异步电机参数在线辨识方法 |
CN110262447A (zh) * | 2019-05-24 | 2019-09-20 | 南京航空航天大学 | 一种基于ann的acs闭环系统故障定位方法 |
CN110262447B (zh) * | 2019-05-24 | 2020-07-28 | 南京航空航天大学 | 一种基于ann的acs闭环系统故障定位方法 |
CN111487950A (zh) * | 2020-04-24 | 2020-08-04 | 西安交通大学 | 在线预警和离线诊断的“预测-验证-反馈-优化”闭环系统 |
CN111487950B (zh) * | 2020-04-24 | 2021-11-16 | 西安交通大学 | 在线预警和离线诊断的“预测-验证-反馈-优化”闭环系统 |
CN111680715A (zh) * | 2020-05-08 | 2020-09-18 | 湖南大学 | 考虑类别不平衡的回转窑烧结状态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106705999B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106705999A (zh) | 一种无人机陀螺仪故障的诊断方法 | |
Marcos et al. | An application of H∞ fault detection and isolation to a transport aircraft | |
Lu et al. | Nonlinear aircraft sensor fault reconstruction in the presence of disturbances validated by real flight data | |
Patterson et al. | Timely autonomous identification of UAV safe landing zones | |
Labrèche et al. | OPS-SAT spacecraft autonomy with TensorFlow lite, unsupervised learning, and online machine learning | |
CN109960148B (zh) | 一种智能无人系统的自主性评估方法及系统 | |
Srivastava | Greener aviation with virtual sensors: a case study | |
CN103884359A (zh) | 一种基于主元分析算法的卫星陀螺部件故障诊断方法 | |
Wang et al. | Gaussian-Binary classification for resident space object maneuver detection | |
Guimarães et al. | Hybrid adaptive computational intelligence-based multisensor data fusion applied to real-time UAV autonomous navigation | |
Serrano | A bayesian framework for landing site selection during autonomous spacecraft descent | |
Wang et al. | Classification of space targets with micro-motion based on deep CNN | |
Dutta et al. | Multicopter fault detection and identification via data-driven statistical learning methods | |
Ayhan et al. | A comparative study of two approaches for UAV emergency landing site surface type estimation | |
Fuchs et al. | Enhanced flyby science with onboard computer vision: Tracking and surface feature detection at small bodies | |
Zahran et al. | Hybrid Machine Learning VDM for UAVs in GNSS‐denied Environment | |
CN105825231A (zh) | 一种基于人工智能的空间碎片光谱特征分类方法 | |
Seraji et al. | A multisensor decision fusion system for terrain safety assessment | |
CN104268569A (zh) | 一种基于超低色散光谱特征的空间碎片分类方法 | |
Dutta et al. | Machine-learning based rotor fault diagnosis in a multicopter with strain data | |
Samy et al. | Fault detection and flight data measurement: Demonstrated on unmanned air vehicles using neural networks | |
Puchalski et al. | UAV Fault Detection Methods, State-of-the-Art, Drones, 2022, 6, 330 | |
Puchalski et al. | PADRE–A Repository for Research on Fault Detection and Isolation of Unmanned Aerial Vehicle Propellers | |
Shen et al. | Ship dynamics model identification based on Semblance least square support vector machine | |
Anderson et al. | Resident space object feature identification using hierarchical mixtures of experts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |