多模型传感器故障软闭环容错控制研究

针对一类非线性系统建立精确机理模型困难、且仅用单一模型进行故障检测与容错不甚可靠等问题,提出一种基于数据驱动的多模型传感器故障软闭环容错控制方法,并对非线性系统中卡死、恒增益、恒偏差等常见传感器故障进行了研究。首先采用历史数据建立了系统的RBF神经网络、最小二乘支持向量机和核部分最小二乘三种预测模型,并基于序贯概率比检验算法同时以多个模型产生的残差对传感器进行故障检测;当检测出传感器发生故障时,则用系统多个预测模型的融合值代替传感器的输出,从而以软闭环方式实现对传感器故障的容错控制。最后将所提出的方法应用于一阶水箱液位控制系统,实验结果表明多残差与序贯概率比检验算法的结合能够可靠诊断传感器故障,多预测值优化融合的软闭环可对传感器故障实现安全、高性能容错。

基于LS-SVM软传感器的容错控制方法及应用

针对一类非线性系统中传感器卡死、恒增益和恒偏差失效等易发故障,考虑控制系统多存在耦合、非线性、时变、滞后等难以建立精确的解析模型,基于数据驱动技术提出一种软传感器容错控制方法.基于LS-SVM构建了系统软传感器,并利用软传感器的预测输出与实际传感器输出之差获取残差信号;采用SPRT算法进行故障检测,当传感器发生故障时,用LS-SVM软传感器预测输出代替物理传感器的实际输出,从而以软闭环方式实现对传感器故障的容错控制.将所提出的方法应用于一阶水箱液位控制系统,实验结果表明,基于LS-SVM软传感器与SPRT的结合能够可靠及时检测非线性系统中各类传感器故障,而借助于软闭环切换还可对传感器故障实现安全容错.

基于T-S模糊神经网络模型的编码器故障软闭环容错控制方法

针对舞台吊杆调速系统中速度反馈元件增量式编码器可能产生的丢码、断码等问题,为防止故障影响的传播,结合数据驱动技术提出了一种基于T-S模糊神经网络(T-S FNN)模型的编码器故障检测与软闭环容错控制方法。首先,利用系统正常运行时的历史数据建立系统较为精确的T-S FNN预测模型,并用实际编码器测量值与模型预测值相减获得残差信息;其次,将其残差实时数据通过改进的序贯概率比检验(SPRT)算法进行故障检测,以克服检测延迟确保故障检测的可靠性,当检测出故障时,再用T-S FNN模型的预测输出替代故障编码器的输出,实现软闭环方式下的容错运行;最后,针对编码器丢码、断码等故障,采用上述方法进行了软闭环容错控制的有效性仿真验证。仿真结果表明,该方法能够快速可靠地检测到编码器故障,并用预测的重构信息通过容错切换机制,及时、安全地以软闭环方式实现了对故障编码器的容错控制,提高了舞台吊杆调速系统运行的安全可靠性。

多模型传感器故障软闭环容错控制方法与应用策略

随着工业系统的复杂日渐增加,系统安全与可靠性的要求也越来越高。而现代工业系统中丰富的数据储备与飞速发展的控制技术,提高了系统的安全性,也为系统的安全性提供了一定程度上保障。工业系统对为非线性,且传感器容易发生故障,基于数据驱动技术,提出多模型与单模型的传感器故障检测,及软闭环容错控制方案,并对各类传感器易发故障进行相应仿真及半实验实体研究。

单片机实现DTMF拨号接收的软件设计

本文介绍了一种用单片机实现ＤＴＭＦ拨号接收的软件设计方法，重点研究了软件重码及去抖处理技术和软件算法的容错设计技术。应用该技术设计的程控调度机，实践证明，接收ＤＴＭＦ拨号准确可靠。

Early Stage Software Reliability Estimation with Stochastic Reward Nets

This paper presents software reliability modeling issues at the early stage of a software development for fault tolerant software management system. Based on Stochastic Reward Nets, an effective model of hierarchical view for a fault tolerant software management system is put forward, and an approach that consists of system transient performance analysis is adopted. A quantitative approach for software reliability analysis is given. The results show its usefulness for the design and evaluation of the early-stage software reliability modeling when failure data is not available.