非線性系統(tǒng)故障可診斷性評價與診斷方法

上篇非線性系統(tǒng)故障可診斷性量化評價與設計
第1章緒論
1.1故障可診斷性評價及診斷方法研究的意義
1.2非線性系統(tǒng)故障診斷研究現(xiàn)狀
1.2.1故障可診斷性
1.2.2基于故障可診斷性評價的傳感器優(yōu)化配置
1.2.3非線性系統(tǒng)故障診斷方法
1.3存在的問題與不足
1.4本章小結(jié)
參考文獻
第2章非線性系統(tǒng)故障可診斷性量化評價方法
2.1引言
2.2問題描述
2.3基于KL散度的故障可診斷性量化評價
2.3.1KL散度定義
2.3.2故障可診斷性量化評價基本原理
2.3.3基于SKDE的概率密度函數(shù)估計
2.3.4基于蒙特卡洛方法的非線性函數(shù)估計
2.4故障可診斷性評價指標約束下的數(shù)據(jù)測量噪聲可行域分析
2.4.1不同測量噪聲域下的殘差數(shù)據(jù)分析
2.4.2故障可檢測性指標約束下的測量噪聲可行域分析
2.4.3故障可分離性指標約束下的測量噪聲可行域分析
2.5基于可診斷性評價的非線性系統(tǒng)故障檢測
2.5.1基于KL散度的故障檢測
2.5.2故障漏報率和誤報率分析
2.5.3閾值的優(yōu)化選取
2.6仿真研究與結(jié)果分析
2.6.1仿真對象描述
2.6.2不同故障模式下殘差概率密度函數(shù)估計
2.6.3故障可診斷性量化評價結(jié)果分析
2.6.4測量噪聲對故障可診斷性量化評價的影響
2.6.5測量噪聲的可行域仿真分析
2.6.6微小故障下的測量噪聲的可行域分析
2.6.7基于可診斷性評價結(jié)果的故障檢測
2.7本章小結(jié)
參考文獻
第3章非線性系統(tǒng)故障可診斷性設計方法
3.1引言
3.2故障可診斷性評價分析
3.2.1評價原理分析
3.2.2故障可診斷性定量評價原理分析
3.3故障可檢測性設計
3.3.1故障可檢測性設計原理分析
3.3.2基于貪心算法的系統(tǒng)測點設計
3.3.3以軟代硬的軟傳感器設計
3.4故障可分離性設計
3.4.1故障可分離性分析及測點配置
3.4.2基于故障自身屬性的故障可分離性設計
3.5案例仿真研究
3.5.1水輪機調(diào)速器控制系統(tǒng)
3.5.2水輪機調(diào)速器故障可檢測性設計
3.5.3水輪機調(diào)速器故障可分離性設計
3.6本章小結(jié)
參考文獻
第4章基于故障可診斷性量化評價的傳感器優(yōu)化配置方法
4.1引言
4.2問題描述
4.2.1通過實例引出問題
4.2.2定性評價下的最小傳感器集合
4.2.3傳感器配置過程中面臨的問題
4.3基于故障可診斷性量化評價的傳感器優(yōu)化配置
4.3.1最小傳感器集合下的系統(tǒng)故障可診斷性分析
4.3.2傳感器的優(yōu)化配置問題
4.4基于動態(tài)規(guī)劃的故障診斷系統(tǒng)傳感器優(yōu)化配置算法
4.5軟傳感器設計
4.6測點傳感器多目標優(yōu)化配置
4.6.1測點傳感器優(yōu)化配置中的約束函數(shù)
4.6.2測點傳感器優(yōu)化配置中的目標函數(shù)
4.6.3改進的NSGA-Ⅱ優(yōu)化算法
4.7案例仿真研究
4.7.1仿真案例1： 非線性系統(tǒng)數(shù)值仿真
4.7.2仿真案例2： 車輛電源系統(tǒng)
4.8本章小結(jié)
參考文獻
第5章基于數(shù)據(jù)驅(qū)動的傳感器可重構(gòu)性評價方法
5.1引言
5.2問題描述
5.2.1捷聯(lián)慣性導航系統(tǒng)
5.2.2面臨問題
5.3基于KL散度的傳感器可重構(gòu)性量化評價
5.3.1基于KPLS方法的傳感器解析冗余分析
5.3.2基于KL散度進行可重構(gòu)性量化評價的基本原理
5.4可重構(gòu)性量化評價閾值的優(yōu)化選取
5.4.1錯分率和漏分率分析
5.4.2閾值的優(yōu)化選取
5.5仿真研究與結(jié)果分析
5.6本章小結(jié)
參考文獻
中篇非線性系統(tǒng)故障診斷方法
第6章基于自適應閾值的粒子濾波算法的非線性系統(tǒng)故障診斷方法
6.1引言
6.2問題描述
6.3粒子濾波算法
6.4故障診斷方法設計
6.4.1故障檢測
6.4.2自適應閾值設計
6.4.3故障隔離
6.4.4故障誤報率和漏報率
6.5仿真研究與結(jié)果分析
6.6本章小結(jié)
參考文獻
第7章基于數(shù)據(jù)驅(qū)動殘差評價策略的故障檢測方法
7.1引言
7.2多模式運行系統(tǒng)的故障檢測方法描述
7.3基于數(shù)據(jù)驅(qū)動方法的故障檢測
7.3.1KL散度算法的改進
7.3.2基于KL散度的故障檢測
7.3.3基于自學習方法的K值確定
7.3.4殘差的聚類
7.4基于故障誤報率和漏報率的閾值優(yōu)化
7.4.1誤報率與漏報率計算
7.4.2閾值的優(yōu)化選取
7.5仿真研究與結(jié)果分析
7.5.1仿真對象描述
7.5.2殘差特性分析
7.5.3故障檢測
7.6本章小結(jié)
第8章基于高斯混合分布的微小故障診斷和幅值估計方法
8.1引言
8.2理論基礎
8.2.1故障建模
8.2.2GMM的概率密度函數(shù)估計
8.2.3基于GMM的KL散度定義
8.3基于KL散度的微小故障診斷
8.3.1故障檢測和故障分離
8.3.2閾值設計
8.4基于KL散度的故障幅值估計
8.5仿真分析
8.5.1仿真對象描述
8.5.2微小故障下的殘差數(shù)據(jù)分析
8.5.3微小故障診斷
8.5.4故障幅值估計
8.6本章小結(jié)
參考文獻
下篇故障可診斷性評價及診斷方法在電源車系統(tǒng)中的應用
第9章混合信息熵約束下的電源車傳感器優(yōu)化配置方法
9.1引言
9.2基于傳感器信息值的故障可診斷性量化評價
9.2.1傳感器信息值理論
9.2.2基于傳感器信息值的故障可診斷性量化評價
9.3基于傳遞熵的傳感器冗余度評價
9.4傳感器的多目標優(yōu)化過程
9.5仿真實驗分析
9.5.1電源車系統(tǒng)和常見故障描述
9.5.2電源車故障可診斷性量化評價
9.5.3電源車傳感器的多目標優(yōu)化配置
9.6本章小結(jié)
參考文獻
第10章基于時間相關性的電源車傳感器故障檢測方法
10.1引言
10.2基于SF-ELM的電源車傳感器故障檢測方法
10.2.1極限學習機相關理論
10.2.2基于SF-ELM的時間序列預測模型建立
10.2.3基于時間序列預測模型的傳感器故障檢測
10.3基于改進KL-Bi-LSTM模型下的傳感器故障檢測方法
10.3.1長短時記憶網(wǎng)絡的相關理論
10.3.2雙向長短時記憶網(wǎng)絡時間序列預測模型的建立
10.3.3基于改進KL散度的傳感器故障檢測
10.4仿真實驗與結(jié)果分析
10.4.1電源車簡介
10.4.2基于時間序列預測模型的電源車傳感器故障檢測
10.4.3基于改進KL-Bi-LSTM模型下的傳感器故障檢測
10.5本章小結(jié)
參考文獻
第11章基于空間相關性的電源車傳感器數(shù)據(jù)重構(gòu)方法
11.1引言
11.2基于信息熵理論的電源車傳感器冗余度量化評價
11.2.1信息熵相關理論
11.2.2基于信息熵理論的傳感器信息值量化評價
11.2.3基于改進互信息熵的傳感器相關性量化評價
11.2.4基于信息熵理論的輔助變量篩選
11.3仿真實驗與結(jié)果分析
11.4本章小結(jié)
參考文獻
第12章引入注意力機制下的電源車傳感器故障檢測及數(shù)據(jù)重構(gòu)
12.1引言
12.2基于注意力機制的傳感器故障檢測和數(shù)據(jù)重構(gòu)方法
12.2.1注意力機制相關理論
12.2.2時間注意力機制下的傳感器故障檢測
12.2.3互信息熵和注意力機制融合后的傳感器數(shù)據(jù)重構(gòu)
12.3仿真實驗與結(jié)果分析
12.3.1引入注意力機制下的電源車傳感器故障檢測
12.3.2引入注意力機制下的電源車傳感器數(shù)據(jù)重構(gòu)
12.4本章小結(jié)
參考文獻