非线性系统故障诊断的混合方法

　　本书首先概述了控制系统故障诊断方法，对线性和非线性系统故障检测、隔离及辨识（FDII）的不同方法进行了较为全面的文献综述和分析；在全状态可测假设前提下，阐述了混合非线性FDII方案的串并联结构和鲁棒并联结构；通过设计和开发故障容错状态估计器，将FDII扩展应用于部分状态可测的情况，设计了自适应神经状态估计器并分析了其与混合FDII方案的集成问题；最后将所提出的故障诊断算法应用于航天器姿态控制系统和反作用飞轮执行器中并进行了有效性验证。

缩写词
第1章　引言
　1.1　本书中有关概念的说明
　1.2　撰写本书的动因
　1.3　研究目的
　1.4　文献综述
　1.5　所提出的故障诊断方案
　1.6　本书的贡献
　1.7　本书概要
第2章　故障检测与诊断
　2.1　问题的描述
　2.2　故障诊断系统的目标属性
　2.3　基于解析冗余的FDI方法回顾
　　2.3.1　基于模型的FDI方法
　　2.3.2　基于智能计算的FDI方法
　2.4　本书中发展的.FDII混合方法
　2.5　FDI对不确定性因素的鲁棒性
　2.6　本章小结
第3章　全状态可测的非线性系统FDII
　3.1　故障建模和健康指示参数
　3.2　采用参数估计的FDII
　　3.2.1　常规的线性和非线性参数估计
　　3.2.2　基于神经网络的参数估计
　3.3　神经网络参数估计器的：FDII串并混联框架
　　3.3.1　串并混联方案的权值更新律
　　3.3.2　串并混联方案的FDI决策逻辑
　3.4　使用NPE并联框架的鲁棒FDII
　　3.4.1　鲁棒并联方案的权值更新律
　　3.4.2　并联方案中的故障隔离策略
　3.5　本章小结
第4章　部分状态可测的非线性系统FDII
　4.1　部分状态可测时应用串并混联方案的FDII
　4.2　部分状态可测条件下采用并联方案的FDII
　4.3　故障容错状态估计
　4.4　非线性动态系统的状态估计
　　4.4.1　非线性滤波的概率激发方法
　　4.4.2　非线性滤波的统计激发方法
　4.5　基于模型的状态估计
　4.6　基于学习和计算智能的状态估计
　　4.6.1　基于神经网络滤波的概率激发方法
　　4.6.2　基于神经网络滤波的统计激发方法
　4.7　卡尔曼滤波器结构保持NsE
　4.8　本章小结
第5章　故障诊断混合方法应用于卫星姿态控制系统
　5.1　航天器子系统
　5.2　卫星ACS
　　5.2.1　卫星ACS中的故障诊断
　　5.2.2　卫星姿态动力学
　　5.2.3　外部姿态干扰的数学模型
　5.3　姿态控制
　5.4　三轴稳定卫星姿态控制系统的仿真结果
　　5.4.1　三轴姿态稳定
　　5.4.2　反作用飞轮中可能故障场景特性
　5.5　全状态可测FDII的仿真结果
　　5.5.1　采用串并混联方案的FDII仿真结果
　　5.5.2　串并混联FDII方案对测量噪声的鲁棒性分析
　　5.5.3　并联FDII方案的仿真结果
　　5.5.4　并联FDII方案对测量噪声的鲁棒性分析
　5.6　部分状态可测的FDII仿真结果
　　5.6.1　健康状态运行情况下的状态估计
　　5.6.2　故障情况下的状态估计
　　5.6.3　采用：NSE的电流估计的FDII
　5.7　本章小结
第6章　结论
　附录A　定阶偏导数
　附录B　姿态参考系统和坐标系
　附录C　FDll分析结果附图
参考文献