面向过程的实时状态监测与故障诊断方法研究

发布时间：2020-05-28 02:13

【摘要】：飞行器在研发及运行过程中会产生大量的状态量及参数记录,在试验结束后用以深入分析飞行器系统各部分工作是否出现故障。由于飞行器系统复杂,对于测试数据通过人工进行判读效率低且存在漏判风险。本文以对复杂系统实现面向过程的实时状态监测与故障诊断为目标,以单轴惯导测试转台为研究对象,对以下技术进行了研究。(1)通过对多信号流图模型理论进行研究,结合单轴惯导测试转台的控制系统的故障分析进行建模,设置监测点进行数据采集。(2)通过对数据可视化技术的研究,以曲线图的形式将单轴惯导测试转台数据的时序特征映射至图像。(3)通过对神经网络进行图像识别的理论及数据集制作技术的研究进行数据预处理,将可视化后的图像以正常数据、故障数据等制作训练集、测试集及验证集。(4)通过研究卷积神经网络理论,设计简单卷积神经网络结构;通过研究Inception-v3模型及迁移学习,改造Inception-v3模型结构。利用数据集对两种模型结构进行训练优化参数,得到模型后进行预测验证。通过对比准确率、迭代次数及训练时间等数据完成模型选择。达到通过卷积神经网络的识别即可实现对单轴惯导测试转台故障信号数据时序特征进行识别的目的。(5)通过对基于规则的专家系统等进行研究,结合阈值判断结果及时序特征分析结果,利用推理机根据规则推理出最终结论,实现故障诊断。通过对上述理论及技术的研究,提出一种复杂系统面向过程的实时状态监测与故障诊断方法,并通过系统搭建进行了关键技术的验证。该方法创新地利用数据可视化技术及卷积神经网络进行监测数据的时序特征识别,可应用于对时序要求较高的复杂系统进行状态监测及故障诊断,对航天设备、新能源设备、海洋环境监测及大气环境监测分析等都有应用价值。
【图文】：

魂研究路线图

惯导测试转台实物图
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：V267;TP183

【参考文献】

相关期刊论文 前10条

1 郜斐;林元;赵锋锐;;一种基于故障树和案例推理的故障诊断模型[J];电子技术与软件工程;2015年16期

2 杨志峰;邹义洪;刘科言;艾川;;基于VB的枪械故障查询应用程序[J];兵工自动化;2014年05期

3 李伟;张爽;康建东;赵晓东;焦龙;;基于hadoop的电网大数据处理探究[J];电子测试;2014年01期

4 周辉;;数控机床常见故障诊断专家系统的开发与设计[J];数字技术与应用;2011年11期

5 宫颖;;卫星故障模式与故障案例库及其应用[J];质量与可靠性;2011年02期

6 王晓玉;彭进业;王国庆;;嵌入式随动系统实时故障诊断专家系统研究[J];计算机测量与控制;2010年03期

7 孙一兵;;浅议BP网络的优缺点及改进[J];科技创新导报;2009年24期

8 崔洪亮;李艾华;;基于模糊BP神经网络的模拟电路实时故障诊断[J];传感器与微系统;2008年01期

9 刘海明;易晓山;;多信号流图的测试性建模与分析[J];中国测试技术;2007年01期

10 马萧萧;许力;;海量探伤数据可视化分析与处理[J];工业控制计算机;2006年01期

相关博士学位论文 前4条

1 魏凤梅;在线社会网络演化分析方法研究[D];哈尔滨工程大学;2015年

2 黄杰;海洋环境综合数据时空建模与可视化研究[D];浙江大学;2008年

3 韩光臣;复杂机电装备故障诊断关键技术研究[D];西北工业大学;2006年

4 池红卫;复杂过程工业系统故障诊断与预测方法的研究[D];天津大学;2004年

相关硕士学位论文 前10条

1 万贺;某型信息处理设备的可测试分析与测试策略设计[D];北京交通大学;2018年

2 贾雨辰;基于改进卷积神经网络的交通标志识别应用研究[D];成都理工大学;2018年

3 刘燕军;神经网络的自学习及其应用[D];中国科学技术大学;2018年

4 赵初;高动态单轴仿真转台的系统设计[D];大连理工大学;2018年

5 陈南真;复杂场景低分辨率人脸识别及其在身份识别系统的应用[D];电子科技大学;2018年

6 肖旭;基于深度学习的图像语义分割研究[D];南昌航空大学;2017年

7 霍祥湖;基于卷积神经网络的车牌识别技术研究[D];电子科技大学;2017年

8 华雨;基于BP神经网络的PSD非线性校正算法研究[D];南京理工大学;2017年

9 陆鑫伟;基于迁移学习的雷达辐射源识别研究[D];西安电子科技大学;2012年

10 何航;基于PLC的单轴惯导测试转台伺服系统的研究[D];西安理工大学;2009年

，

本文编号：2684534