基于重构的多工况过程无监督故障幅值估计

针对先验知识不足的多工况工业过程的故障幅值估计问题,提出了一种基于重构算法的故障幅值估计方法。通过保局投影(Locality Preserving Projection,LPP)对历史数据进行降维,然后利用模糊c均值(Fuzzy C-means,FCM)实现对各个工况的划分,并确定检测指标和控制限、建立故障检测模型,最后利用重构算法来提取故障方向矩阵,并估计出故障的幅值。以田纳西-伊斯曼(Tennessee Eastman,TE)过程为研究对象进行仿真,结果表明提出的算法可以准确地估计出多工况工业过程的故障幅值、描述出故障幅值曲线。

航空发动机传感器与执行机构信息重构算法

为实现航空发动机传感器与执行结构在故障情形下的故障幅值估计及信息重构,缓解故障对发动机性能的影响,在已有故障检测和故障隔离算法的基础上,提出一种基于修正的广义似然比(GLR)方法的信息重构算法。针对某型民用涡扇发动机的传感器与执行机构发生恒偏差与漂移故障的情形下进行了仿真验证。结果表明:基于修正的GLR方法对传感器和执行机构恒偏差和漂移故障的故障幅值估计具有较高的精度,两种故障情形下故障幅值的估计值的均方根误差均不超过0.005,故障部件信息重构后故障对系统性能的影响得到有效缓解。