双组元推进系统的部分可观时间Petri网故障诊断

研究了基于部分可观时间Petri网双组元推进系统的故障诊断问题。针对双组元推进系统中环境复杂且部分关键信息无法通过传感器获取的情况,结合部分可观时间Petri网,提出构建修正状态类图的部分可观时间Petri网故障诊断方法。系统过程的节点对应为可观测变迁和不可观测变迁,结合变迁同步、异步触发关系,标定各变迁时间区间,建立部分可观时间Petri网模型,然后转化为修正状态类图。遍历所有满足可观测变迁触发时间和序列信息的路径,诊断系统是否发生故障。最后对双组元推进系统建立部分可观时间Petri网模型,结合系统工作过程中各执行机构可观测状态,对系统不可观部分进行故障诊断,验证了算法的有效性。

广义互斥约束的Petri网死锁避免监控器设计

研究了Petri网的柔性制造加工系统中的死锁避免问题。为了保证死锁避免和资源最大允许利用,提出了基于广义互斥约束的Petri网最优监控器的设计方法,探寻以线性不等式的形式表示的初步约束集,通过可达性分析和初步约束集建立可达树得出合法标识集和死锁标识集,对分离出的标识建立混合整数线性规划模型,运用分支定界法得到补充监控库所的广义互斥约束模型作为最优监控器。最后,以某柔性制造系统为例,建立了Petri网模型,结合零件加工过程中资源的占用和释放,对柔性制造系统进行控制器设计,设计的控制器拥有更严格的约束和更简化的模型,对死锁标识的避免是充分的,验证了该算法的有效性。

液体火箭发动机的分层贝叶斯变分推理故障诊断方法

针对稀疏数据场景下,传统的多项式-狄利克雷模型存在一定的分类精度问题,提出一种基于变分推理的分层贝叶斯网络的参数估计方法.通过在传统的多项式-狄利克雷模型中引入超先验,构建出的分层多项式-狄利克雷模型可用于贝叶斯网络中的条件分布估计.对分层多项式-狄利克雷模型的先验依赖结构进行分析研究,提出一种快速准确的自组织变分推理算法.与传统的分类模型相比,本文提出的分层多项式-狄利克雷模型在处理小数据集液体火箭发动机的故障分类中有显著的性能提高.

贝叶斯网络分类器的基于改进粒子群参数学习方法

研究了贝叶斯网络分类器的高效参数学习方法。生成方法解决联合分布的参数估计问题,而判别方法解决后验分布的参数估计问题。对判别参数学习方法的研究,首先通过建立类条件贝叶斯网络模型;在此基础上,对该模型以对数形式参数化,得到判别类条件贝叶斯网络模型;最后,通过改进粒子群算法对该模型进行最优化求解,得到各节点的概率。将贝叶斯网络分类器的判别参数学习方法与TAN分类器相结合,可用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的两次仿真数据进行故障诊断与分类,与其他方法相比,改进的分类器需要的数据量小,准确率和学习效率更高。