CN109709934B - 一种飞行控制***故障诊断冗余设计方法 - Google Patents
一种飞行控制***故障诊断冗余设计方法 Download PDFInfo
- Publication number
- CN109709934B CN109709934B CN201811510823.3A CN201811510823A CN109709934B CN 109709934 B CN109709934 B CN 109709934B CN 201811510823 A CN201811510823 A CN 201811510823A CN 109709934 B CN109709934 B CN 109709934B
- Authority
- CN
- China
- Prior art keywords
- fault
- sensor
- flight control
- value
- control system
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 title claims abstract description 36
- 238000013461 design Methods 0.000 title claims abstract description 20
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
- Navigation (AREA)
Abstract
本发明公开一种飞行控制***故障诊断冗余设计方法,该方法通过把传感器故障模型等效处理,对***模型进行简化,并以简化后的模型为对象,设计扩展卡尔曼滤波器,对***状态与传感器故障参数进行联合估计,为提高滤波器的稳定性和对传感器故障参数的估计精度及跟踪速度,再适当增大滤波算法中的噪声方差,将估计结果做小波滤波处理,以获得较为平滑的估计值,最后根据输出值可快速检测出传感器是否发生故障。本发明保证***的稳定性同时实现快速和准确的确定故障,减少故障误判的概率。
Description
技术领域
本发明属于飞行控制***故障诊断与应用,具体涉及一种飞行控制***故障诊断冗余设计方法。
背景技术
飞行控制计算机是飞行控制***的核心部分,可以从硬件和软件两个方面提高***的可靠性。硬件上采用避错技术提高和完善元器件本身的品质和可靠性;软件上可采用容错技术,通过组织分配***资源、设计***故障检测与诊断、故障处置与恢复等管理策略以提高软件的容错能力。
传感器的故障诊断一般基于在线解析模型,利用ARMA模型、神经网络、小波神经网络对传感器的输出时间序列进行预测,将预测值作为下一时刻的真值,进行传感器故障诊断的方法都有先前时刻传感器输出均为精确的假设。然而在实际应用中,传感器不可避免地会受到外部干扰和内部噪声的影响,使其输出信号中不仅有反映被测量真值的信号分量,还包含了干扰和噪声引起的叠加信号。由于小波变换的非因果性及不具有平移不变性,使小波变换不能实现时间序列的递推,限制了小波滤波的在线应用。卡尔曼滤波的基本方程是时间域内的递推形式,其计算过程是一个不断地“预测一修正”过程,这种滤波方法可便于计算机实现实时处理。基本卡尔曼滤波受实际***模型失配和扰动的影响较大,容易发散,这种方法只能用于故障的检测而不能用于诊断,且抗干扰能力较差,对缓变故障不敏感。另外,基本卡尔曼滤波要求***的状态方程和观测方程是线性的,在实际工程中,***中常存在非线性,对非线性***的状态估计问题则需要采用扩展卡尔曼滤波方法。
发明内容
发明目的:针对上述现有技术的不足,本发明提供一种飞行控制***故障诊断冗余设计方法。所述方法实现对三余度飞行控制计算机及传感器***的故障检测和综合管理,具体可阐述为利用扩展卡尔曼滤波和小波滤波相结合的改进方法来对飞行控制***中传感器故障的输出进行辨识和诊断处理。
技术方案:一种飞行控制***故障诊断冗余设计方法,所述方法基于飞行控制***的硬件冗余,其控制***包括电源模块、CPU控制单元和总线模块,所述各模块均互相独立,互不干扰;所述控制单元为三余度备份,且各控制单元配置环境和条件完全相同,互相并联且可同时工作,对迎角传感器进行故障特性分析和仿真,CPU控制单元控制传感器模型冗余,同时分别运行飞行控制管理策略、飞机在线模型和故障模拟仿真模块,各模块间通过总线模块保持实时数据共享。
一种飞行控制***故障诊断冗余设计方法,所述方法包括如下步骤:
(1)基于飞行控制***的传感器建立传感器故障模型;
(2)通过卡尔曼滤波器简化传感器故障模型;
(3)确定飞行控制***故障参数,并且建立联合算法;
(4)对故障参数进行滤波优化处理,获取飞行控制***的故障值。
进一步的,所述传感器故障模型数学表示形式为:
y(k)=g(k)yc(k)+e(k)
其中,y(k)表示传感器输出实际值,yc(k)表示输出期望值,g(k)表示增益,e(k)表示输出值偏差,k为当前拍数;
(a)当与上位机连接的控制台界面未注入传感器故障时,g(k)=1,e(k)=0;
(b)当注入传感器恒偏差故障时,假设g(k)=1,e(k)为某一固定值;
(c)当注入卡死故障时,g(k)=0,e(k)为某一固定值表示传感器卡死的位置;
(d)当注入增益变化故障时,g(k)>1,e(k)=0。
更进一步的,步骤(1)所述故障模型基于机载***传感器故障,所述传感器故障包括传感器的偏差失效故障、短路故障、增益变化故障、恒偏差故障和卡死故障,且从中选取一种或任意故障组合进行数据分析。
所述机载***传感器包括IMU惯导、GPS、INS MEMS惯导及迎角传感器,其中迎角传感器的故障模的输出值yout表达式如下:
1)卡死故障:yout(t)=c;
2)增益变化:yout(t)=kyout(t-1);
3)恒偏差失效:yout(t)=yout(t-1)+Δ;
式中:c为常数,k为增益变化比例系数,Δ为常数。
步骤(2)包括建立卡尔曼滤波器的***方程,其建立过程如下:
假设非线性函数f:Rn×Rq→Rn,h:Rn→Rm,其中:f、h状态连续可微,***状态向量x(k),输出向量y(k),控制量输入u(k),过程噪声向量ω(k),噪声驱动矩阵Γ(k),测量噪声向量υ(k),***噪声的对称非负定的协方差矩阵Q(k),其关系式如下:
所述方法包括通过泰勒级数将扩展卡尔曼滤波算法中的非线性函数在滤波值处展开,将非线性的***方程近似线性化处理,得到传感器故障的一般表示形式,其表达式如下:
其中,x(t)为Rn状态向量,u(t)为Rm控制向量,y(t)为Rl输出向量,r(t)为扰动和噪声函数,f(t)为故障向量,A、B、C为常数矩阵,Br、Dr为扰动矩阵,Df为传感器故障分配矩阵。
步骤(4)基于小波滤波的处理思路采取采样点冗余的策略,具体如下:
上式中,N=2n,N为采集到的数据点数,是2的整数倍。
步骤(4)所述故障值选择经过卡尔曼滤波和小波滤波处理后的***输出值作为一维参考值,且引入一个新的模拟故障参数,若滤波结果为收敛级数,则输入缓慢时变的故障参数;若输出为发散级数,则将该结果与输入的模拟故障参数进行权值融合之后替代初始的***输入值。
有益效果:与现有技术相比,本发明显著的效果在于:第一、本发明采用的三余度飞行控制计算机具备充分的硬件余度基础,各单元之间功能相互独立,可进行冗余验证且***可靠性得到保证;第二、在这种改进后的新方法里,既结合了扩展卡尔曼滤波和小波滤波方法的优点,又能弥补两种方法本身的缺陷,对传感器的突变故障具备快速检测以及准确识别跟踪诊断的能力,从而减小了故障误判现象的概率。
附图说明
图1是本发明的***扩展卡尔曼滤波与小波滤波联合改进方法示意图;
图2是本发明的***仿真实例在噪声完全匹配时的曲线示意图;
图3是本发明的***仿真实例在测量噪声方差Q2增大时的曲线示意图;
图4是本发明的***仿真实例在测量噪声方差Q1增大时的曲线示意图。
具体实施方式
为了详细的说明本发明公开的技术方案,下面结合说明书附图及具体实施例做进一步的阐述。
实施例1
本发明所提供的一种飞行控制***故障诊断冗余设计方法通过把传感器故障模型等效处理,对***模型进行简化,并以简化后的模型为对象,设计扩展卡尔曼滤波器,对***状态与传感器故障参数进行联合估计,为提高滤波器的稳定性和对传感器故障参数的估计精度及跟踪速度,再适当增大滤波算法中的噪声方差,将估计结果做小波滤波处理,以获得较为平滑的估计值,最后根据输出值可快速检测出传感器是否发生故障。
本发明基于飞行控制***的硬件冗余,其***包括电源模块、CPU控制单元和总线模块,各模块互相独立互不干扰,其中控制单元为三余度备份,三个控制单元配置环境和条件完全相同,互相并联且可同时工作,主要针对迎角传感器进行故障特性分析和仿真,CPU不仅可提供传感器模型冗余,同时还可以分别运行飞行控制管理策略、飞机在线模型和故障模拟仿真模块,模块间通过总线实现实时数据共享。该方法包括如下步骤:
(1)基于飞行控制***的传感器建立故障模型;
(2)通过卡尔曼滤波器简化故障模型;
(3)确定飞行控制***故障参数,并且建立联合算法;
(4)对故障参数进行滤波优化处理,获取飞行控制***的故障值。
具体的说,首先利用泰勒级数将扩展卡尔曼滤波算法中的非线性函数在滤波值处展开,这里忽略二次以上的高次项对模型估计影响不大,将非线性的状态方程和观测方程近似线性化地处理以使用基本卡尔曼滤波递推方程。针对非线性***的状态方程和观测方程,假设非线性函数f:Rn×Rq→Rn,h:Rn→Rm(f、h状态连续可微),***状态向量x(k),输出向量y(k),控制量输入u(k),过程噪声向量ω(k),噪声驱动矩阵Γ(k),测量噪声向量υ(k),***噪声的对称非负定的协方差矩阵Q(k)。
x(k+1)=f(k,x(k),u(k))+Γ(k)ω(k)
y(k+1)=h(k+1,x(k+1),u(k))+υ(k+1)
由状态一步预测得到协方差阵:
将最后推导得到的上式返回进入下一次循环解算,当给定状态初值且收敛时,经过多次的解算过程,卡尔曼滤波的增益值将趋近于一个很小的数值。
此时,将扩展卡尔曼滤波得到的输出值进一步处理,提出采样点冗余的小波滤波想法,通过加大采样频率,在一个测量周期内,采集若干个数据点N进行小波变换、滤波,并取重构信号的中间4位数的平均值作为最后的滤波输出。
在上式中,数据点数是2的整数倍:N=2n。N的大小应考虑在一个测量周期内完成滤波、预测的前提下,分配给小波滤波的时间,综合小波基、分解尺度、阈值的选择算法及采样频率等因素来决定,当N足够多大时,可得到较好的滤波效果。适当选取N值,因为既要获得较好的滤波效果,也要限制***的控制周期。
与一般滤波器设计有所不同的是,经过双滤波组合优化后的***输出(迎角值)只是作为一维参考值,除此之外,根据***模型特性还会引入一个新的模拟故障参数,若滤波结果有收敛趋势,则输入缓慢时变的故障参数;若输出有发散趋势,则将该结果与虚拟输入进行权值融合之后替代初始的***输入值。
将上述思路施加于***模型中,针对故障参数进行分析,具体做法如下:
在一个采样周期内(设置采用时间50ms,总时间30s),利用传感器输出的前n个数据x(1),x(2)…,x(n)作为***模型的输入,第n+1个数据x(n+1)作为输出值,当联合滤波结果收敛至一定的精度或范围内时,将数据向前递推一步,用n个传感器输出数据x(2)…,x(n+1)作为下一次的输入以预估第n+2个传感器的输出值x(n+2),再同采集到的数值x(n+2)及引入的虚拟故障参数进行数据融合处理,若结果小于规定的界限值,则用x(2)…,x(n+1)作为输入,x(n+2)作为输出继续解算;若结果超过该范围,则判断迎角传感器此处发生故障。相反,若滤波结果表现发散,则将结果与虚拟故障参数等效代替x(1)输入,继续上述循环解算,直至***最后一次输出开始收敛。在该***中,界限值的设定取采样时间间隔内传感器输出的平均变化量与噪声干扰标准偏差的4-5倍之和较合适。
实施例2
无人机的飞行控制计算机配置了三块控制单元,三块控制单元的ID分别定义为CU-A、CU-B和CU-C,三块控制单元在飞行控制计算机上电后同时工作,默认CU-A为主控单元,其余两块为从控单元,控制权优先级从高到低的顺序为CU-A、CU-B和CU-C。三块控制单元同时通过***内部总线接收接口单元传输过来的输入信息,如迎角传感器信息。在完成导航与控制的计算和处理后,主控单元对接口单元输出相应的控制信息。同时,三块控制单元也通过自检和互检方式实时检测各控制单元的故障状态,在主控单元发生故障的状态下,由第一从控单元接管***控制权,第一从控单元自动升级为主控单元,第二从控单元自动升级为第一从控单元,原主控单元在故障恢复后降级为第二从控单元。为验证方法的可行性,三块控制单元分别独立进行传感器***的模型配置和测试实验。
结合工业生产过程及条件模拟飞行控制***中传感器的输出信号,选择如下周期函数并叠加标准差为0.1的白噪声作为原始信号,采样频率为16Hz(基于冗余采样考虑)。
***模型描述如下:
其中,x1为飞行速率,x2为发动机效率,a0为机体所受阻力,y1为与飞行速率有关的参数,y2为与发动机效率有关的参数。假设***运行过程中其中一个传感器发生故障,故障参数为b(k),则扩展形式表示如下:
***标称参数包括:
Q10=diag[0.001 0.000001 0],
Q20=diag[0.000002 0.0002],
x1(0|0)=0,x2(0|0)=0,b(0|0)=0,a0=0.58。
根据说明书附图中的图1,作如下表述:将等效处理后的简化模型利用扩展卡尔曼滤波器处理联合估计***状态和模型故障参的特征,针对估计结果作小波滤波平滑处理,利用故障参数融合处理分析得到输出结果,检测并判断故障特征。即***运行过程中模拟传感器故障后,通过模型的标称参数结果来控制故障参数,改变参数矩阵数值调整并输出***的仿真状态结果。
根据说明书附图中的图2,作如下表述:在200点传感器发生幅值为0.01(即b)的阶跃偏差型故障,约为传感器正常输出值0.12的8.3%。当噪声模型完全匹配时,取Q1=Q10,Q2=Q20,通过MATLAB仿真得到图2噪声模型完全匹配时的仿真曲线。
根据说明书附图中的图3,作如下表述:基于故障参数的估计精度低,波动大,有所发散,将滤波算法中的量测噪声方差Q2增大,其他参数保持不变,令Q2=diag[0.0001 0.01]得到仿真曲线可看出输出的故障结果滤波稳定性和估计精度提高,但跟踪速度变慢,***检测的实时性效率降低。
根据说明书附图中的图4,作如下表述:针对图3的不足,保持测量噪声方差Q2不变,增大***噪声方差Q1=diag[0.0001 0.000001 0.00001],其他参数保持不变,得到图4综合改善的仿真曲线。
本发明所设计的联合优化算法对***的测量噪声方差配置合理可达到滤波跟踪速度和故障参数估计精度兼顾的设计效果,分别驱动单传感器、双传感器和三传感器***模型,在相同的假设下,***故障的误报率一定,根据统计法中的阈值计算结果可发现冗余情况下的阈值范围提高,可以满足***本身需求。
Claims (4)
1.一种飞行控制***故障诊断冗余设计方法,其特征在于:所述方法基于飞行控制***的硬件冗余,其控制***包括电源模块、CPU控制单元和总线模块,所述各模块均互相独立,互不干扰;所述控制单元为三余度备份,且各控制单元配置环境和条件完全相同,互相并联且可同时工作,对迎角传感器进行故障特性分析和仿真,CPU控制单元控制传感器模型冗余,同时分别运行飞行控制管理策略、飞机在线模型和故障模拟仿真模块,各模块间通过总线模块保持实时数据共享所述方法包括如下步骤:
(1)基于飞行控制***的传感器建立传感器故障模型,该传感器故障模型数学表示形式为:
y(k)=g(k)yc(k)+e(k)
其中,y(k)表示传感器输出实际值,yc(k)表示输出期望值,g(k)表示增益,e(k)表示输出值偏差,k为当前拍数;
(2)通过卡尔曼滤波器简化传感器故障模型;建立卡尔曼滤波器的***方程,其建立过程如下:
假设非线性函数f:Rn×Rq→Rn,h:Rn→Rm,其中:f、h状态连续可微,***状态向量x(k),输出向量y(k),控制量输入u(k),过程噪声向量ω(k),噪声驱动矩阵Γ(k),测量噪声向量υ(k),***噪声的对称非负定的协方差矩阵Q(k),其关系式如下:
通过泰勒级数将扩展卡尔曼滤波算法中的非线性函数在滤波值处展开,将非线性的***方程近似线性化处理,得到传感器故障的一般表示形式,其表达式如下:
其中,x(t)为Rn状态向量,u(t)为Rm控制向量,y(t)为Rl输出向量,r(t)为扰动和噪声函数,f(t)为故障向量,A、B、C为常数矩阵,Br、Dr为扰动矩阵,Df为传感器故障分配矩阵;
(3)确定飞行控制***故障参数,并且建立联合算法;
(4)对故障参数进行滤波优化处理,获取飞行控制***的故障值,具体策略如下:
上式中,N=2n,N为采集到的数据点数,是2的整数倍;
步骤(4)所述故障值选择经过卡尔曼滤波和小波滤波处理后的***输出值作为一维参考值,且引入一个新的模拟故障参数,若滤波结果为收敛级数,则输入缓慢时变的故障参数;若输出为发散级数,则将该结果与输入的模拟故障参数进行权值融合之后替代初始的***输入值。
2.根据权利要求1所述的一种飞行控制***故障诊断冗余设计方法,其特征在于:步骤(2)所述的传感器故障模型对于注入不同的故障表现如下:
(a)当与上位机连接的控制台界面未注入传感器故障时,g(k)=1,e(k)=0;
(b)当注入传感器恒偏差故障时,假设g(k)=1,e(k)为某一固定值;
(c)当注入卡死故障时,g(k)=0,e(k)为某一固定值表示传感器卡死的位置;
(d)当注入增益变化故障时,g(k)>1,e(k)=0。
3.根据权利要求1所述的一种飞行控制***故障诊断冗余设计方法,其特征在于:步骤(1)所述故障模型基于机载***传感器故障,所述传感器故障包括传感器的偏差失效故障、短路故障、增益变化故障、恒偏差故障和卡死故障,且从中选取一种或任意故障组合进行数据分析。
4.根据权利要求3所述的一种飞行控制***故障诊断冗余设计方法,其特征在于:所述机载***传感器包括IMU惯导、GPS、INS MEMS惯导及迎角传感器,其中迎角传感器的故障模的输出值yout表达式如下:
1)卡死故障:yout(t)=c;
2)增益变化:yout(t)=kyout(t-1);
3)恒偏差失效:yout(t)=yout(t-1)+Δ;
式中:c为常数,k为增益变化比例系数,Δ为常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811510823.3A CN109709934B (zh) | 2018-12-11 | 2018-12-11 | 一种飞行控制***故障诊断冗余设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811510823.3A CN109709934B (zh) | 2018-12-11 | 2018-12-11 | 一种飞行控制***故障诊断冗余设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109709934A CN109709934A (zh) | 2019-05-03 |
CN109709934B true CN109709934B (zh) | 2021-04-06 |
Family
ID=66255622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811510823.3A Active CN109709934B (zh) | 2018-12-11 | 2018-12-11 | 一种飞行控制***故障诊断冗余设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109709934B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865908A (zh) * | 2019-11-12 | 2020-03-06 | 天津津航计算技术研究所 | 一种三余度计算机故障处理的切换方法 |
CN111695618B (zh) * | 2020-06-01 | 2023-04-07 | 清华大学深圳国际研究生院 | 一种基于obd数据的电动汽车电机故障检测方法 |
CN112000078B (zh) * | 2020-07-31 | 2022-04-01 | 南京航空航天大学 | 一种多余度飞行控制计算机故障后状态恢复方法 |
CN113296532A (zh) * | 2021-05-19 | 2021-08-24 | 广东汇天航空航天科技有限公司 | 载人飞行器的飞行控制方法和装置、以及载人飞行器 |
CN113128035B (zh) * | 2021-04-08 | 2022-10-11 | 上海交通大学 | 民用飞机飞控传感器信号重构容错控制方法 |
CN113514109A (zh) * | 2021-08-18 | 2021-10-19 | 广东新创华科环保股份有限公司 | 一种无人机飞行故障检测方法和*** |
CN114035543B (zh) * | 2021-11-05 | 2023-12-12 | 中国空气动力研究与发展中心空天技术研究所 | 一种飞机受损状态下的自修复控制方法 |
CN114779638B (zh) * | 2022-04-20 | 2023-01-31 | 西安工业大学 | 无人直升机多故障检测与辨识方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102679980A (zh) * | 2011-11-15 | 2012-09-19 | 哈尔滨工程大学 | 一种基于多尺度维分解的目标跟踪方法 |
CN106557840A (zh) * | 2016-11-14 | 2017-04-05 | 中南大学 | 一种强风高速铁路沿线风速自适应分解预测方法 |
CN106772695A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种融合多测风站实测数据的铁路沿线风速预测方法 |
JP2017167599A (ja) * | 2016-03-14 | 2017-09-21 | 日本電気株式会社 | 故障診断装置、故障診断システム、故障診断方法、及び、プログラム |
CN107272653A (zh) * | 2017-07-20 | 2017-10-20 | 南京航空航天大学 | 一种飞行控制***故障诊断方法 |
-
2018
- 2018-12-11 CN CN201811510823.3A patent/CN109709934B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102679980A (zh) * | 2011-11-15 | 2012-09-19 | 哈尔滨工程大学 | 一种基于多尺度维分解的目标跟踪方法 |
JP2017167599A (ja) * | 2016-03-14 | 2017-09-21 | 日本電気株式会社 | 故障診断装置、故障診断システム、故障診断方法、及び、プログラム |
CN106557840A (zh) * | 2016-11-14 | 2017-04-05 | 中南大学 | 一种强风高速铁路沿线风速自适应分解预测方法 |
CN106772695A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种融合多测风站实测数据的铁路沿线风速预测方法 |
CN107272653A (zh) * | 2017-07-20 | 2017-10-20 | 南京航空航天大学 | 一种飞行控制***故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于STF的飞控***传感器故障诊断研究;郑见阳;《中国优秀硕士学位论文全文数据库(电子期刊)》;20150630;第3.1小节、第4章 * |
基于参数估计的传感器故障诊断的改进方法;刘志成 等;《计算机应用与软件》;20090930;第26卷(第9期);第183-185、205页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109709934A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109709934B (zh) | 一种飞行控制***故障诊断冗余设计方法 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
CN108828949B (zh) | 一种基于自适应动态规划的分布式最优协同容错控制方法 | |
Zhang et al. | Robust observer-based fault diagnosis for nonlinear systems using MATLAB® | |
Alwi et al. | Sliding mode estimation schemes for incipient sensor faults | |
Lim et al. | Multimodal degradation prognostics based on switching Kalman filter ensemble | |
CN112131760A (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
CN109472418B (zh) | 基于卡尔曼滤波的机动目标状态预测优化方法 | |
Xu et al. | Nonlinear actuator fault estimation observer: An inverse system approach via a TS fuzzy model | |
Daroogheh et al. | Prognosis and health monitoring of nonlinear systems using a hybrid scheme through integration of PFs and neural networks | |
CN110161847B (zh) | 一种基于分布式奇异观测器的无人机编队***传感器故障估计方法 | |
CN106873568B (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 | |
CN110222371A (zh) | 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法 | |
Sushchenko et al. | Processing of redundant information in airborne electronic systems by means of neural networks | |
CN109062189A (zh) | 一种用于复杂故障的工业过程故障诊断方法 | |
Cen et al. | A gray-box neural network-based model identification and fault estimation scheme for nonlinear dynamic systems | |
CN112859898B (zh) | 一种基于双通道双向神经网络的飞行器轨迹预测方法 | |
Gou et al. | Multi-fault diagnosis of an aero-engine control system using joint sliding mode observers | |
CN110991036A (zh) | 航天器姿轨控***故障案例库构建***及构建方法 | |
Jain et al. | Model-free reconfiguration mechanism for fault tolerance | |
CN110554606A (zh) | 一种用于高超音速飞行器的自适应容错控制方法 | |
Han et al. | Quadratic-Kalman-filter-based sensor fault detection approach for unmanned aerial vehicles | |
Ge et al. | A novel adaptive Kalman filter based on credibility measure | |
Nie et al. | A robust unscented Kalman filter for intermittent and featureless aircraft sensor faults | |
Gao et al. | UAV sensor fault diagnosis technology: A survey |
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 |