基于Gridsearch-SVM梯形区域极点分类的故障诊断

针对一类线性定常系统,基于梯形区域极点配置,给出了执行器部件故障诊断的一种方法。首先,利用极点观测器,通过测量系统的状态,得到极点的动态信息;其次,根据模拟各通道执行器故障,实时采集闭环系统的极点信息,形成极点分类数据库;最后,利用支持向量机算法(Support Vector Machine,SVM)根据不同通道发生故障时极点所处位置不同,设计极点分类器,对极点进行分类,实现对系统的故障诊断。针对SVM中惩罚因子和核宽度系数需要依靠先验知识的缺陷,采用Grid search优化其参数,缩小寻优范围。仿真结果表明设计方案的可行性以及故障诊断的有效性。

基于GA-SVM梯形区域的故障诊断与可靠配置

针对一类线性定常飞控系统,基于梯形区域下,研究了执行器连续增益故障可靠控制的问题。同时,为解决支持向量机选取参量困难而导致故障信息难以识别等问题,提出实值编码遗传算法来实现支持向量机模型参数的自动寻优。与传统的支持向量机相比,该方法具有收敛速度快、能耗低、耗时短、迭代次数少等优点。对于未知系统极点信息难以获取的问题,给出了极点观测器的算法,实现了对极点数据的实时观测。仿真结果表明,依据不同通道发生故障时极点所处区域不同的特点而设计的可靠控制器,不但鲁棒性能好,而且准确率也较高。该方法与粒子群算法(PSO-SVM)、网格搜寻法(gridsearch)相比具有较好的泛化能力及较高的识别度。

基于MPSO-SVM的扇形区域故障诊断研究

针对一类线性定常系统,基于扇形区域,研究了执行器单一部件故障诊断与可靠控制的问题。首先,对于文中极点信息难于获取的问题,给出全维状态观测器的设计方案,实现对极点信息的实时观测。同时为解决支持向量机在故障诊断中选取参数易受主观先验知识影响的缺陷,提出用MPSO-SVM(Modify Particle swarm optimization algorithm optimize the SVM)建立优化模型,设计惯性权重自适应调整公式进行算法优化,既能获取核参数及惩罚因子最优参量,又能克服PSO-SVM算法的传统不足。该方法与SVM(Support Vector Machine,SVM)、Grid search-SVM、PSO-SVM相比,诊断准确率明显得到改善,从而验证MPSO-SVM模型对执行器故障诊断是可靠的。

基于MPSO-SVM的不确定条形区域故障诊断研究

针对一类线性不确定性系统,基于条形区域下,研究了执行器连续增益故障可靠控制的问题。对于极点数据难以获取的缺陷,给出状态观测器的核心算法,从而实现系统状态的实时采集。同时,为解决支持向量机在极点配置中选取参数困难的问题,利用改进的粒子群算法(MPSO)优化支持向量机的结构,进而获得更合理的核宽度系数和惩罚系数。与网格搜寻法(Grid search-SVM)和粒子群算法(PSO)相比,该方法可获得较高的分类精度,仿真实例进一步证明了设计可靠控制器的必要性。

基于SVM极点分类的故障诊断与可靠控制

利用SVM分类技术,针对系统故障极点进行分类,利用网格搜寻法,实现对不同故障极点的分类进而实现对系统故障的检测和诊断,为了实现对系统极点变化的实时监测,给出了通过系统状态估计系统极点的新方法.在给出故障诊断的基础上,同时给出了针对相应故障的可靠控制器的设计.最后通过数例验证极点观测器对极点估计的准确性和故障诊断的准确性及可靠控制的有效性.