CN111123885B - 一种基于自适应技术的高超声速飞行器间歇故障诊断方法 - Google Patents

一种基于自适应技术的高超声速飞行器间歇故障诊断方法 Download PDF

Info

Publication number
CN111123885B
CN111123885B CN201911198515.6A CN201911198515A CN111123885B CN 111123885 B CN111123885 B CN 111123885B CN 201911198515 A CN201911198515 A CN 201911198515A CN 111123885 B CN111123885 B CN 111123885B
Authority
CN
China
Prior art keywords
fault
intermittent
adaptive
diagnosis method
signal
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
Application number
CN201911198515.6A
Other languages
English (en)
Other versions
CN111123885A (zh
Inventor
陈复扬
金帆
李雨清
刘宇曦
牛娟
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201911198515.6A priority Critical patent/CN111123885B/zh
Publication of CN111123885A publication Critical patent/CN111123885A/zh
Application granted granted Critical
Publication of CN111123885B publication Critical patent/CN111123885B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开一种基于自适应技术的高超声速飞行器间歇故障诊断方法，包括如下步骤：步骤1，设定间歇故障的特征信息，建立间歇故障模型；步骤2，构建带有间歇故障和干扰的系统模型；步骤3，对步骤2中的干扰信号进行处理；步骤4，设计改进的残差信号，用于检测和隔离间歇故障：步骤5，设计自适应故障估计算法对故障进行估计。此种故障诊断方法可使得容错控制的应用变得方便简单，减轻容错控制器的负担，并能针对间歇故障的高超声速再入飞行器飞控系统实现故障诊断。

Description

一种基于自适应技术的高超声速飞行器间歇故障诊断方法
技术领域
本发明涉及一种基于自适应技术的高超声速飞行器间歇故障诊断方法。
背景技术
故障指系统动态特性、系统参数偏离了系统的标准值，从而影响系统的正常工作的一种异常现象，任何自动控制系统都会发生故障。
随着数字电路和计算机技术的发展，很多应用领域中的大部分故障的表现形式都是一种间歇性的故障。对于系统中可能发生的间歇故障如果没有进行及时的检测和修复，那么故障的发生频率就会逐渐增加并且最终演变成永久性故障。间歇故障具有随机幅值、随机发生和随机消失等特性，因此它的诊断有两个目的，一种是检测故障出现时间和消失时间，另一个是估计故障的幅值。需要注意的是，故障持续时间可能很短，这就对检测算法造成很大的困难，即在故障发生之后要及时地检测它的消失时间，在故障消失之后及时检测它的下一次发生时间，这就使得传统故障检测算法难以适用。间歇故障的表现形式多样化，如时变间歇故障、固定幅值间歇故障、周期性间歇故障与非周期性间歇故障。目前关于高超声速再入飞行器的研究文献中，大多是关于永久性故障的处理方法，很少见到解决系统中存在间歇故障的问题，然而间歇故障由于其本身特性，传统的故障诊断方法难以完全适用。基于此，考虑系统存在非周期固定幅值的间歇故障形式，并设计改进的残差信号来进行故障检测。
由于故障发生概率逐渐变大，促进故障诊断理论迅速发展。现在的故障诊断的方法，一般可分为硬件和软件(解析)冗余。硬件冗余通常利用多路传感器、计算机或软件来测量某一变量，该方法需要增加测试设备，使系统复杂更高，为了解决提高系统可靠性与冗余硬件代价之间的矛盾，现如今常采用软件冗余，分为基于解析模型的方法、基于数字信号处理的方法和基于知识的方法。其中基于解析模型的方法需要系统精确的数学模型，因此通常会受到外部扰动及随机噪声的影响，使得该算法存在明显的鲁棒性问题；基于信号处理的方法能够对线性和非线性系统都适用，且灵敏度较高；基于知识的方法同样不依赖被控系统模型，而是结合许多先验知识，然后通过知识的逻辑推理来得出最终的结论，包括基于模糊逻辑、基于神经网络和基于定性模型，这种方法更适用于非线性系统。
发明内容
本发明的目的，在于提供一种基于自适应技术的高超声速飞行器间歇故障诊断方法，其可使得容错控制的应用变得方便简单，减轻容错控制器的负担，并能针对间歇故障的高超声速再入飞行器飞控系统实现故障诊断。
为了达成上述目的，本发明的解决方案是：
一种基于自适应技术的高超声速飞行器间歇故障诊断方法，包括如下步骤：
步骤1，设定间歇故障的特征信息，建立间歇故障模型；
步骤2，构建带有间歇故障和干扰的系统模型；
步骤3，对步骤2中的干扰信号进行处理；
步骤4，设计改进的残差信号，用于检测和隔离间歇故障：
步骤5，设计自适应故障估计算法对故障进行估计。
上述步骤1中，建立的间歇故障模型表示为：
Figure GDA0003495625030000021
其中，i表示第i个故障信号，τi,s和υi,s分别代表第s个故障随机发生时间和随机消失时间，并满足τi,s＜υi,s＜τi,s+1，Γ(t)是阶跃函数，fi(s):N+→R是第s个故障的随机常数幅值。
上述步骤2中，带有间歇故障和干扰的系统模型如下：
Figure GDA0003495625030000022
其中，γ＝[φ,β,α]T是姿态角向量，φ,β,α分别表示倾斜角、侧滑角和迎角，ω＝[p,q,r]T是角速率向量，p,q,r分别是滚转角速率、俯仰角速率和偏航角速率；bi是故障特征，表示J-1的第i列；
矩阵Ω，R如下所示：
Figure GDA0003495625030000031
J∈R3×3是对称正定惯性矩阵，T∈R3是力矩向量同时也是系统的输入信号，d1(t),d2(t)∈R3代表不确定外部扰动，
Figure GDA0003495625030000032
表示独立的高斯噪声信号且均值为零。
上述不确定外部扰动采用如下扰动模型：
Figure GDA0003495625030000033
其中，di0,dik,
Figure GDA0003495625030000034
为未知常值参数，fik,
Figure GDA0003495625030000035
为选定的已知基函数；当q＝0时，di(t)＝di0(t)表征常值扰动；当q＞0时，利用上式逼近系统中不确定的时变扰动信号，考虑的干扰表示为：
Figure GDA0003495625030000036
上述步骤3中，对步骤2中的干扰信号进行如下处理：
Figure GDA0003495625030000037
其中，P∈R3×3是待设计的正定对称矩阵；
Figure GDA0003495625030000038
为选定的已知基函数；
Figure GDA0003495625030000039
x是观测系统的状态量。
上述步骤4中，设计改进的残差信号表示为：
Figure GDA00034956250300000310
其中，
Figure GDA00034956250300000316
是滑动时间窗的长度，
Figure GDA00034956250300000311
Figure GDA00034956250300000312
和
Figure GDA00034956250300000313
分别表示第s个故障的持续时间和间隔，其最小值分别定义为
Figure GDA00034956250300000314
常数λi＜0，
Figure GDA00034956250300000315
是残差生成器的状态向量。
故障发生时间检测阈值为：
Figure GDA0003495625030000041
其中，
Figure GDA0003495625030000042
是给定的置信水平，其中
Figure GDA0003495625030000043
意味着标准高斯分布变量有
Figure GDA0003495625030000044
的可能性落在区间
Figure GDA0003495625030000045
中，
Figure GDA0003495625030000046
检测到的发生时间为：
Figure GDA0003495625030000047
故障消失时间检测阈值为：
Figure GDA0003495625030000048
其中，
Figure GDA0003495625030000049
是给定的置信水平，
Figure GDA00034956250300000410
意味着标准高斯分布变量有
Figure GDA00034956250300000411
的可能性落在区间
Figure GDA00034956250300000412
中，
Figure GDA00034956250300000413
检测到的消失时间为：
Figure GDA00034956250300000414
上述步骤5中，设计如下自适应故障估计算法对故障进行估计：
Figure GDA00034956250300000415
其中，G∈R3×3是自适应增益，ew＝ω-x，x是观测器的状态量，
Figure GDA00034956250300000416
是间歇故障的估计值。
采用上述方案后，本发明给出了再入姿态系统模型以及间歇故障模型，然后基于研究的非周期固定幅值间歇故障模式，对角速率系统中的不确定外部扰动进行预处理，根据处理结果，引入滑动时间窗设计一种新型残差信号；由于系统中存在白噪声，根据噪声分布特性并基于改进的残差信号提出了两个假设检验，进而设计检测故障的两个阈值区间来检测间歇故障的发生和消失时间。与传统残差设计方法相比，改进的残差信号对于出现和消失的时间检测更加准确。基于扩张系统设计了一个自适应估计律用于估计故障并使得估计误差满足增益干扰抑制。
附图说明
图1是应用本发明中针对间歇故障F1(t)设计的残差响应曲线；
图2是应用本发明中针对间歇故障F2(t)设计的残差响应曲线；
图3是应用本发明中针对间歇故障F3(t)设计的残差响应曲线；
图4是应用本发明中针对间歇故障F1(t)设计的自适应故障估计算法所得到的故障估计值；
图5是应用本发明中针对间歇故障F2(t)设计的自适应故障估计算法所得到的故障估计值；
图6是本发明的整体控制结构框图。
具体实施方式
以下将结合附图，对本发明的技术方案及有益效果进行详细说明。
如图6所示，本发明提供一种基于自适应技术的高超声速飞行器间歇故障诊断方法，包括如下步骤：
步骤1，设定间歇故障的特征信息，建立间歇故障模型；
其中，建立的间歇故障模型表示为：
Figure GDA0003495625030000051
其中，i表示第i个故障信号，τi,s和υi,s分别代表第s个故障随机发生时间和随机消失时间，并满足τi,s＜υi,s＜τi,s+1，Γ(t)是阶跃函数，fi(s):N+→R是第s个故障的随机常数幅值。第s个故障的持续时间和间隔时间定义为
Figure GDA0003495625030000052
步骤2，构建带有间歇故障和干扰的系统模型如下：
Figure GDA0003495625030000061
其中，i取值1-3表示实际系统有3个故障信号，与矩阵J-1的列向量bi相对应。γ＝[φ,β,α]T是姿态角向量，φ,β,α分别表示倾斜角、侧滑角和迎角，ω＝[p,q,r]T是角速率向量，p,q,r分别是滚转角速率、俯仰角速率和偏航角速率，J∈R3×3是对称正定惯性矩阵，bi是故障特征，表示J-1的第i列。T∈R3是力矩向量同时也是系统的输入信号，d1(t),d2(t)∈R3代表不确定外部扰动，即其波形至少在短时间内都会有明显的规律性，
Figure GDA0003495625030000062
表示独立的高斯噪声信号且均值为零。矩阵Ω，R如下所示：
Figure GDA0003495625030000063
其中，不确定外部扰动采用如下一种可参数化的扰动模型：
Figure GDA0003495625030000064
其中，di0,dik,
Figure GDA0003495625030000065
为未知常值参数，fik,
Figure GDA0003495625030000066
为选定的已知基函数。当q＝0时，di(t)＝di0(t)表征常值扰动；当q＞0时，可以利用上式来尽可能逼近系统中不确定的时变扰动信号，例如取q＝1，fi1(t)＝sin(t)，则di(t)代表正弦干扰信号。因此考虑的干扰可以表示为：
Figure GDA0003495625030000067
步骤3，对步骤2中的干扰信号进行如下处理：
Figure GDA0003495625030000068
其中，P∈R3×3是待设计的正定对称矩阵，
Figure GDA0003495625030000069
x是观测系统的状态量。
针对高超声速飞行器进行外部干扰处理算法，采用如下证明方法获得：
内环系统的一阶导系统为：
Figure GDA0003495625030000071
其中f(ω)＝-J-1ΩJω。
观测系统设计为：
Figure GDA0003495625030000072
其中θ2是
Figure GDA0003495625030000073
的估计值，
Figure GDA0003495625030000074
是d2(t)的估计值，x∈R3是观测器的状态量，H∈R3×3是需要设计的参数矩阵，vc是待设计的变量。定义观测器状态误差为
Figure GDA0003495625030000075
误差系统动态为：
Figure GDA0003495625030000076
其中
Figure GDA0003495625030000077
选取如下参数自适应律：
Figure GDA0003495625030000078
选择李雅普诺夫函数为：
Figure GDA0003495625030000079
其导数形式如下：
Figure GDA00034956250300000710
设计额外的控制变量
Figure GDA00034956250300000711
并把vc代入上式可得：
Figure GDA00034956250300000712
因此可得状态估计误差和干扰估计误差一致最终有界。我们假设扰动的初始估计误差
Figure GDA00034956250300000713
等于零，即
Figure GDA00034956250300000714
为了方便后续故障检测分析，可以近似得到：
Figure GDA00034956250300000715
步骤4，设计改进的残差信号，构建故障检测算法，用于检测和隔离间歇故障；
针对高超声速飞行器进行故障检测算法，采用如下证明方法获得：
残差生成器的结果设计为：
Figure GDA0003495625030000081
其中
Figure GDA0003495625030000082
为残差生成器的状态向量，D＝diag(λ1,λ2,λ3),λi＜0，λ1,λ2,λ3是特征根。定义
Figure GDA0003495625030000083
然后得到：
Figure GDA0003495625030000084
因此在干扰预处理之后，对于每个故障Fi(t)，相应的残差可以表示为：
Figure GDA0003495625030000085
其中εi(t)是ε(t)的第i个元素，Ji是J的第i行。改进的残差信号设计如下：
Figure GDA0003495625030000086
其中，
Figure GDA00034956250300000818
是滑动时间窗的长度，
Figure GDA0003495625030000087
Figure GDA0003495625030000088
和
Figure GDA0003495625030000089
分别表示第s个故障的持续时间和间隔，其最小值分别定义为
Figure GDA00034956250300000810
Figure GDA00034956250300000811
常数λi＜0，
Figure GDA00034956250300000812
是残差生成器的状态向量。
残差ri(t,Δti)可以表示为：ri(t,Δti)＝ri1(t,Δti)+ri2(t,Δti)。其中：
Figure GDA00034956250300000813
Figure GDA00034956250300000814
由于
Figure GDA00034956250300000815
是服从高斯分布的信号，因此ri2(t,Δti)也是属于高斯信号，均值为E[ri2(t,Δti)]＝0，ri2(t,Δti)的方差
Figure GDA00034956250300000816
为：
Figure GDA00034956250300000817
其中
Figure GDA0003495625030000091
因此
Figure GDA0003495625030000092
其中Φ(·)表示高斯分布。
根据残差的属性分析，当υi,s-1＜t-Δti＜t＜τi,s，ri1(t,Δti)＝0。当第s个间歇性故障发生时(即t＞τi,s)，ri1(t,Δti)不等于零。因此，我们引入以下假设检验来检测第i个故障发生时间：
Figure GDA0003495625030000093
对于给定的置信水平
Figure GDA0003495625030000094
我们可以获得接受区间(即故障发生时间检测阈值)为：
Figure GDA0003495625030000095
其中，
Figure GDA0003495625030000096
意味着标准高斯分布变量有
Figure GDA0003495625030000097
的可能性落在区间
Figure GDA0003495625030000098
中，
Figure GDA0003495625030000099
因此检测到的发生时间为：
Figure GDA00034956250300000910
当第s个间歇故障消失后，|ri1(t,Δti)|逐渐减少到零。当τi,s＜t-Δti＜t＜υi,s，
Figure GDA00034956250300000911
检测消失时间的假设检验如下：
Figure GDA00034956250300000912
对于给定的置信水平
Figure GDA00034956250300000913
我们能够得到假设检验接受区域为：
Figure GDA00034956250300000914
其中，
Figure GDA00034956250300000915
意味着标准高斯分布变量有
Figure GDA00034956250300000916
的可能性落在区间
Figure GDA00034956250300000917
中，因此检测到的消失时间为：
Figure GDA00034956250300000918
步骤5，设计如下自适应故障估计算法对故障进行估计：
Figure GDA00034956250300000919
其中，G∈R3×3是自适应增益，ew＝ω-x，x是观测器的状态量，
Figure GDA0003495625030000101
是间歇故障的估计值。
针对高超声速飞行器进行故障估计算法，采用如下证明方法获得：
自适应观测器设计为：
Figure GDA0003495625030000102
其中x∈R3是观测器的状态量，K∈R3×3是待设计的增益矩阵，可得误差动态系统为：
Figure GDA0003495625030000103
其中，
Figure GDA0003495625030000104
是故障估计误差，ew＝ω-x是状态误差，设计如下的自适应故障估计律：
Figure GDA0003495625030000105
其中G∈R3×3。然后得到：
Figure GDA0003495625030000106
设计如下的扩张系统：
Figure GDA00034956250300001010
其中
Figure GDA0003495625030000107
取如下李雅普诺夫函数：
Vζ＝ζTPζ
对时间求导得：
Figure GDA0003495625030000108
取
Figure GDA0003495625030000109
对时间求导可得：
Figure GDA0003495625030000111
其中H＝[03×3I3×3]。根据Schur补集定理，求取未知参数使得
Figure GDA0003495625030000112
即可，因此可以得到
Figure GDA0003495625030000113
由于Vζ＞0，然后
Figure GDA0003495625030000114
成立。因此我们可以得到
Figure GDA0003495625030000115
因此
Figure GDA0003495625030000116
是有界的且满足干扰抑制水平。
考虑的间歇故障值为：
Figure GDA0003495625030000117
其中间歇估计响应曲线如图1至图3所示，自适应故障估计算法下的结果如图4至图5所示。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种基于自适应技术的高超声速飞行器间歇故障诊断方法，其特征在于包括如下步骤：
步骤1，设定间歇故障的特征信息，建立间歇故障模型；
步骤2，构建带有间歇故障和干扰的系统模型；
所述步骤2中，带有间歇故障和干扰的系统模型如下：
Figure FDA0003495625020000011
其中，γ＝[φ,β,α]T是姿态角向量，φ,β,α分别表示倾斜角、侧滑角和迎角，ω＝[p,q,r]T是角速率向量，p,q,r分别是滚转角速率、俯仰角速率和偏航角速率；bi是故障特征，表示J-1的第i列；
矩阵Ω，R如下所示：
Figure FDA0003495625020000012
J∈R3×3是对称正定惯性矩阵，T∈R3是力矩向量同时也是系统的输入信号，d1(t),d2(t)∈R3代表不确定外部扰动，ν(t),
Figure FDA0003495625020000013
表示独立的高斯噪声信号且均值为零；
所述不确定外部扰动采用如下扰动模型：
Figure FDA0003495625020000014
其中，di0,dik,
Figure FDA0003495625020000015
为未知常值参数，fik,
Figure FDA0003495625020000016
为选定的已知基函数；当q＝0时，di(t)＝di0(t)表征常值扰动；当q＞0时，利用上式逼近系统中不确定的时变扰动信号，考虑的干扰表示为：
Figure FDA0003495625020000017
步骤3，对步骤2中的干扰信号进行处理；
所述步骤3中，对步骤2中的干扰信号进行如下处理：
Figure FDA0003495625020000021
其中，P∈R3×3是待设计的正定对称矩阵；
Figure FDA0003495625020000022
x是观测系统的状态量；
步骤4，设计改进的残差信号，用于检测和隔离间歇故障：
所述步骤4中，设计改进的残差信号表示为：
Figure FDA0003495625020000023
其中，Δti∈(0,θi)是滑动时间窗的长度，
Figure FDA0003495625020000024
Figure FDA0003495625020000025
和
Figure FDA0003495625020000026
分别表示第s个故障的持续时间和间隔，其最小值分别定义为
Figure FDA0003495625020000027
常数λi＜0，
Figure FDA0003495625020000028
是残差生成器的状态向量；
步骤5，设计自适应故障估计算法对故障进行估计。
2.如权利要求1所述的基于自适应技术的高超声速飞行器间歇故障诊断方法，其特征在于：所述步骤1中，建立的间歇故障模型表示为：
Figure FDA0003495625020000029
其中，i表示第i个故障信号，τi,s和υi,s分别代表第s个故障随机发生时间和随机消失时间，并满足τi,s＜υi,s＜τi,s+1，Γ(t)是阶跃函数，fi(s):N+→R是第s个故障的随机常数幅值。
3.如权利要求1所述的基于自适应技术的高超声速飞行器间歇故障诊断方法，其特征在于：故障发生时间检测阈值为：
Figure FDA00034956250200000210
其中，
Figure FDA0003495625020000031
是给定的置信水平，其中
Figure FDA0003495625020000032
意味着标准高斯分布变量有
Figure FDA0003495625020000033
的可能性落在区间
Figure FDA0003495625020000034
中，
Figure FDA0003495625020000035
检测到的发生时间为：
Figure FDA0003495625020000036
4.如权利要求1所述的基于自适应技术的高超声速飞行器间歇故障诊断方法，其特征在于：故障消失时间检测阈值为：
Figure FDA0003495625020000037
其中，
Figure FDA0003495625020000038
是给定的置信水平，
Figure FDA0003495625020000039
意味着标准高斯分布变量有
Figure FDA00034956250200000310
的可能性落在区间
Figure FDA00034956250200000311
中，
Figure FDA00034956250200000312
检测到的消失时间为：
Figure FDA00034956250200000313
5.如权利要求1所述的基于自适应技术的高超声速飞行器间歇故障诊断方法，其特征在于：所述步骤5中，设计如下自适应故障估计算法对故障进行估计：
Figure FDA00034956250200000314
其中，G∈R3×3是自适应增益，ew＝ω-x，x是观测器的状态量，
Figure FDA00034956250200000315
是间歇故障的估计值。
CN201911198515.6A 2019-11-29 2019-11-29 一种基于自适应技术的高超声速飞行器间歇故障诊断方法 Active CN111123885B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911198515.6A CN111123885B (zh) 2019-11-29 2019-11-29 一种基于自适应技术的高超声速飞行器间歇故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911198515.6A CN111123885B (zh) 2019-11-29 2019-11-29 一种基于自适应技术的高超声速飞行器间歇故障诊断方法

Publications (2)

Publication Number Publication Date
CN111123885A CN111123885A (zh) 2020-05-08
CN111123885B true CN111123885B (zh) 2022-05-10

Family

ID=70497114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911198515.6A Active CN111123885B (zh) 2019-11-29 2019-11-29 一种基于自适应技术的高超声速飞行器间歇故障诊断方法

Country Status (1)

Country Link
CN (1) CN111123885B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112180899B (zh) * 2020-09-30 2021-08-24 山东科技大学 一种间歇异常测量检测下系统的状态估计方法
CN114545907B (zh) * 2022-03-15 2023-12-19 中南大学 一种基于滤波器的飞行控制系统的故障检测方法
CN114897111B (zh) * 2022-07-15 2022-09-30 深圳市协和传动器材有限公司 一种用于监控间歇式凸轮分割器运行状况的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104697804A (zh) * 2015-03-24 2015-06-10 清华大学 用于检测与分离列车主动悬架系统间歇故障的方法及系统
CN104875735A (zh) * 2015-03-24 2015-09-02 清华大学 Ato控制的高速列车制动系统间歇故障检测方法及系统
CN108845495A (zh) * 2018-04-03 2018-11-20 南通大学 基于双层Kalman滤波器的间歇故障诊断与主动容错控制方法
CN110058124A (zh) * 2019-04-25 2019-07-26 中国石油大学(华东) 线性离散时滞系统的间歇故障检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7200524B2 (en) * 2004-05-06 2007-04-03 Carrier Corporation Sensor fault diagnostics and prognostics using component model and time scale orthogonal expansions
US8386849B2 (en) * 2010-01-29 2013-02-26 Honeywell International Inc. Noisy monitor detection and intermittent fault isolation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104697804A (zh) * 2015-03-24 2015-06-10 清华大学 用于检测与分离列车主动悬架系统间歇故障的方法及系统
CN104875735A (zh) * 2015-03-24 2015-09-02 清华大学 Ato控制的高速列车制动系统间歇故障检测方法及系统
CN108845495A (zh) * 2018-04-03 2018-11-20 南通大学 基于双层Kalman滤波器的间歇故障诊断与主动容错控制方法
CN110058124A (zh) * 2019-04-25 2019-07-26 中国石油大学(华东) 线性离散时滞系统的间歇故障检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于模糊T-S自适应观测器的近空间飞行器故障诊断与容错控制;许域菲等;《东南大学学报(自然科学版)》;20090920;全文 *

Also Published As

Publication number Publication date
CN111123885A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111123885B (zh) 一种基于自适应技术的高超声速飞行器间歇故障诊断方法
Cheng et al. A combined model-based and intelligent method for small fault detection and isolation of actuators
Zhou et al. Differential feature based hierarchical PCA fault detection method for dynamic fault
EP1643332A2 (en) Hybrid model based fault detection and isolation system
CN113391622B (zh) 利用多元多步预测技术的航天器姿态系统异常检测方法
Zhao et al. Real-time fault detection method based on belief rule base for aircraft navigation system
Fravolini et al. Experimental interval models for the robust fault detection of aircraft air data sensors
CN109709934B (zh) 一种飞行控制系统故障诊断冗余设计方法
Lahdhiri et al. Supervised process monitoring and fault diagnosis based on machine learning methods
CN108972553B (zh) 一种基于粒子滤波算法的空间机械臂故障检测方法
CN104865956B (zh) 一种基于贝叶斯网络的复杂系统中传感器故障诊断方法
CN110909822A (zh) 一种基于改进的高斯过程回归模型的卫星异常检测方法
Dimogianopoulos et al. Aircraft engine health management via stochastic modelling of flight data interrelations
US20180046917A1 (en) Identification of process anomalies in a technical facility
CN110531737A (zh) 基于混合模型的卫星执行机构故障诊断方法、系统及介质
Wang et al. Incipient fault detection of nonlinear dynamical systems via deterministic learning
CN104503428B (zh) 一种民机飞控系统抗干扰时变故障诊断方法
US11807388B2 (en) Apparatus, method and computer program for monitoring an aircraft engine
Liu et al. A divide and conquer approach to anomaly detection, localization and diagnosis
CN105373112A (zh) 一种基于多模型参数估计的舵机故障检测与诊断方法
Zarourati et al. Designing an adaptive robust observer for underactuation fault diagnosis of a remote sensing satellite
CN113466483B (zh) 无陀螺情况下卫星角速度异常故障在线智能诊断方法
Fravolini et al. Minimal resource allocating networks for aircraft SFDIA
CN114254555A (zh) 基于深度学习的反作用轮故障检测和健康评估系统及方法
CN112965966B (zh) 一种基于实测飞参数据的快速预处理方法、系统及计算机相关产品

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