飞行器导航传感器故障诊断的应用研究
飞行器传感器故障检测及故障诊断方法分析
飞行器传感器故障检测及故障诊断方法分析随着科技的不断发展，飞行器的使用范围也越来越广泛。
然而，飞行器可能会出现各种各样的故障，从而导致飞行器不能顺利地完成任务。
其中，飞行器传感器故障是比较常见的问题之一。
本文将探讨飞行器传感器故障检测及故障诊断方法分析。
一、飞行器传感器故障的类型飞行器传感器故障通常分为以下几类：1. 传感器失效或偏差过大：这种情况通常是传感器本身出现了故障，或者是传感器和其他系统之间存在差异。
2. 传感器通讯失效：这种情况通常是由于传感器与数据采集系统之间的通讯被中断导致的。
3. 传感器信号过载或欠载：这种情况通常是由于传感器信号过强或过弱导致的。
4. 传感器信号干扰：这种情况通常是由于其他设备或系统对传感器信号的干扰造成的。
二、飞行器传感器故障检测方法针对以上几种传感器故障类型，可以采用以下方法进行检测：1. 检查传感器本身是否有损坏。
2. 检查传感器与其他系统之间的差异是否正常。
3. 检查传感器与数据采集系统之间的通讯是否正常。
4. 检查传感器信号是否过载或欠载。
5. 检查是否存在其他设备或系统对传感器信号的干扰。
三、飞行器传感器故障诊断方法如果检测到飞行器传感器存在故障，可以考虑采用以下诊断方法：1. 面向对象的故障诊断方法：将传感器视为一个对象，通过检查与该对象相关的特征以及该特征是否与另一个特征存在差异来诊断故障。
2. 神经网络故障诊断方法：该方法使用神经网络模型对传感器信号进行分析，并将已知故障模式与该模型进行匹配来诊断故障。
3. 模型预测故障诊断方法：该方法通过分析传感器与其他系统之间交互的模型来预测故障。
4. 统计分析故障诊断方法：该方法通过分析数据的统计特征来诊断故障。
四、结论飞行器传感器故障是飞行器常见的问题之一，对于故障的检测和诊断可以采用多种方法来完成。
但是，准确的故障诊断需要结合专业知识和实际应用经验，因此，飞行器传感器故障诊断需要依靠专业人员的技术和经验来完成，才能确保飞行器系统的安全和稳定。
飞行器故障诊断与维修技术研究
飞行器故障诊断与维修技术研究一、引言飞行器是空中运输的主要载体之一，而其安全运行是人们追求的最高目标。
飞行器故障是飞行安全的首要威胁，飞行器故障诊断与维修技术的研究对于保证飞行器的正常运行和飞行安全至关重要。
二、飞行器故障诊断技术飞行器故障诊断技术包括人工诊断和自动诊断两种方式。
1. 人工诊断人工诊断是通过技术人员的手动排查故障原因的方式进行的。
这种方式的优点在于技术人员可以根据经验快速找到故障原因，并根据不同情况采取不同的维修措施。
但是人工诊断的劣势在于人工难以处理大量数据，在面对复杂故障时可能会耗费大量的时间和精力，同时也存在人为差错的可能性。
2. 自动诊断自动诊断是通过飞行器自带的电子装置、状态监测系统和故障诊断系统等智能设备进行的。
这种方式的优点在于自动化程度高，能够快速准确地找到故障原因，同时也能够自动报告飞行器的故障信息。
但是自动诊断的劣势在于需要大量的数据支持，同时也存在设备故障导致无法正确诊断的可能性。
三、飞行器维修技术飞行器维修技术是指通过多种维修手段对飞行器故障进行修复和更换，使其恢复正常运行的过程。
1. 机械维修机械维修是指通过更换故障部件或者修复损坏的部件，使飞行器能够恢复正常工作。
这种方式在处理一些较为简单故障时效率较高，但是在面对较为复杂的机械故障时，可能需要更换大量的部件，导致时间和成本的增加。
2. 电气维修电气维修是指通过更换飞行器电气系统中故障的部件或修复电气系统中的损坏，使飞行器能够恢复正常运行。
这种方式相比机械维修更加精准，同时也更加注重细节，但是在处理复杂的电气故障时可能需要死记硬背电子元器件的规格和参数。
3. 软件维修软件维修是指通过修改软件程序或者替换软件程序中出现问题的部分，使飞行器能够恢复正常运行。
这种方式在处理一些复杂的故障时更加有效，能够快速解决一些程序上的问题，但是需要的技术水平较高，同时也需要针对具体的软件进行特定的调试。
四、结论飞行器故障诊断和维修技术是飞行安全的关键所在。
飞行器故障诊断与故障排除技术研究
飞行器故障诊断与故障排除技术研究正文：飞行器故障诊断与故障排除技术研究飞行器是一种高科技的交通工具，但它也必然存在故障隐患。
要对飞行器开展安全的飞行任务，需要飞行器故障诊断与排除技术。
现在，许多国家和地区都在积极研究飞行器故障诊断与排除技术。
一、飞行器故障的类型及原因飞行器故障的种类和原因很复杂。
飞行器故障可以分为机械故障、电子故障、软件故障等类型。
飞行器故障的原因又分为自然因素、操作失误、设计缺陷等多个方面。
机械故障：在飞行器的部件运动过程中，机械故障是比较常见的，比如传动轴承损坏、齿轮断齿、液压系统故障等。
电子故障：由于飞行器电子控制系统较为复杂，故障率较高。
比如，传感器失灵、处理器故障、数据丢失等导致的故障将严重影响飞行器的飞行安全。
软件故障：软件故障是指飞行器的计算机通信程序发生故障。
软件故障的威胁更大，因为软件故障一旦出现，可能会导致飞行器的电子控制系统崩溃，从而造成飞行器失控、坠毁等严重后果。
二、飞行器故障诊断技术一旦飞行器发生故障，需要及时诊断并进行排除。
这是保证飞行器安全飞行的必要措施。
飞行器故障诊断技术也在不断创新。
飞行器故障诊断技术主要分为三大类：传统故障诊断技术、智能故障诊断技术和决策支持系统。
传统故障诊断技术：传统故障诊断技术主要是基于经验、规则等，是人工进行故障诊断。
在实践中发现，由于人的主观因素和局限性，传统故障诊断技术存在局限性，效率不高，诊断准确性不够。
智能故障诊断技术：智能故障诊断技术基于人工智能的技术和知识库，通过机器学习、神经网络等互联网技术来诊断和排除飞行器故障。
智能故障诊断技术不仅能够提高诊断效率，还能够提高诊断准确率和可靠性。
决策支持系统：决策支持系统是一种集成了专家系统和经验库的技术。
飞行器故障排除决策支持系统应该包含以下部分：故障原因识别、故障特性分析、解决方案推荐和出问题行动。
三、飞行器故障排除技术一旦识别了飞行器故障的原因，还需要进行排除。
飞行器故障排除技术是安全的保障。
分析无人机PCA故障检测与诊断技术研究
分析无人机PCA故障检测与诊断技术研究无人机（Unmanned Aerial Vehicle, UAV）是一种携带传感器、自主控制系统、自主导航系统的空中无人驾驶飞行器。
随着无人机技术的不断进步和广泛应用，无人机系统的安全性和可靠性越来越受到重视。
故障检测与诊断技术作为保障无人机安全飞行的重要一环，对于保障无人机系统的飞行安全、降低事故率具有至关重要的作用。
对于无人机故障检测与诊断技术的研究，一直是学术界和工业界关注的焦点之一。
主成分分析(Principal Component Analysis,PCA)是一种多元统计分析方法，通过线性变换将原始数据转换为一组各维度线性无关的统计量，常用于数据的降维和特征提取。
在无人机故障检测与诊断领域，PCA技术被广泛应用于故障特征提取和故障识别，为无人机的安全飞行提供了重要支持。
本文将就无人机PCA故障检测与诊断技术进行深入探讨，并对其未来发展进行展望。
一、无人机故障检测与诊断技术概述1. 故障检测与诊断技术的研究意义无人机的故障检测与诊断技术主要是指通过对无人机系统各个部件进行监测和分析，发现和诊断系统中可能存在的故障并提供解决方案的技术手段。
故障检测与诊断技术对于无人机系统的安全性和可靠性具有重要意义。
通过及时准确地发现和诊断系统故障，可以及早采取措施加以修复或应对，保障无人机的安全飞行。
2. 故障检测与诊断技术的研究现状目前，无人机故障检测与诊断技术主要分为模型基础的方法和数据驱动的方法两种。
模型基础的方法依靠对系统的建模和仿真，通过建立数学模型来诊断故障。
而数据驱动的方法则是基于大量的已知故障数据，通过现有故障数据的分析来诊断新的故障。
无人机故障检测与诊断技术的研究主要集中在传感器故障、执行机构故障以及飞行控制系统故障等方面。
2. 无人机故障特征提取无人机在飞行过程中会产生大量的数据，包括飞行姿态数据、传感器数据、执行机构数据等。
这些数据中可能包含着关于无人机系统故障的信息。
飞行器的故障检测和诊断技术研究
飞行器的故障检测和诊断技术研究章节一：导论随着科技的不断进步，飞机和其他飞行器的使用越来越广泛。
然而，作为一种复杂的机械设备，飞行器发生故障是常有的事情。
为了确保飞行安全，需要对飞行器进行及时、准确的故障检测和诊断。
本文将介绍飞行器的故障检测和诊断技术的相关内容。
章节二：飞行器的故障检测在飞行器使用过程中，发生故障是不可避免的。
因此，对飞行器进行及时的故障检测非常重要。
故障检测可以根据机械、电气、热力等多个方面进行分类。
2.1 机械故障检测机械故障主要指飞机各个部位的机械设备故障，例如发动机、起落架、机翼等。
针对机械故障的检测一般采用传感器和控制系统进行。
传感器可以实时检测飞机不同部位的机械设备状态，而控制系统则可以将不同传感器的信号进行集成、处理，从而实现对飞机的机械状态进行全面、及时的监测和检测。
2.2 电气故障检测电气故障指的是飞机电气系统出现的故障，例如安全系统、电力供应系统等。
对于电气故障的检测，可以使用各种电路测试仪器进行，例如万用表、测试钳等。
2.3 热力故障检测热力故障指的是飞机发生的火灾、爆炸等故障。
为了保障飞机安全，需要对热力故障进行及时的检测和处理。
目前，常用的热力故障检测方法主要包括红外线检测、温度传感器检测等。
章节三：飞行器故障诊断技术飞行器故障诊断是指在出现故障情况下，对飞行器和系统进行分析和判断，并对故障原因进行诊断。
对于复杂飞行器而言，故障诊断已经成为确保飞行安全的一项重要任务。
3.1 基于机器学习的故障诊断技术机器学习是一种基于对数据模式及规律的学习的技术，近年来在飞机故障诊断方面被广泛应用。
通过对飞机故障数据进行分析和处理，可以使用机器学习算法建立一个故障检测模型，从而对飞机的故障进行快速和准确的诊断。
3.2 基于智能传感器的故障诊断技术智能传感器是一种能够自主感知环境，自动采集数据并进行处理分析的传感器。
采用智能传感器进行飞机的故障诊断，可以通过传感器智能监测数据的方式，帮助飞行员了解飞机的运行情况和可能存在的故障。
飞行器异常状态检测及智能维修综合技术
飞行器异常状态检测及智能维修综合技术随着航空业的迅猛发展，飞行器的安全性成为越来越重要的关注点。
在飞行器运行过程中，异常状态的检测及智能维修技术的应用变得尤为关键。
本文将介绍飞行器异常状态检测及智能维修综合技术的相关概念、研究进展以及未来发展趋势。
飞行器异常状态检测是指通过对飞行器传感器数据的实时监测与分析，检测飞行器是否存在异常情况，如故障、故障预警以及结构破损等。
传统的异常状态检测主要依赖于人工经验和专业知识，因此存在着主观因素的干扰和局限性。
而智能化的异常状态检测系统则通过引入人工智能技术，能够更加全面、客观地判断飞行器的状态。
智能异常状态检测系统通常由传感器、数据采集系统、数据处理与分析系统以及决策和控制系统等组成。
传感器负责获取飞行器的各项数据，如加速度、温度、压力等，数据采集系统将传感器获取的数据进行实时采集和整理，数据处理与分析系统则负责对数据进行处理、特征提取以及异常状态判断，最后由决策和控制系统根据判断结果进行相应的控制和修复。
目前，飞行器异常状态检测主要采用机器学习和深度学习等人工智能技术。
机器学习算法能够通过对大量数据的学习和模式识别，建立起异常状态检测的模型。
深度学习算法则通过构建深度神经网络，利用多层次的特征提取和抽象能力，能够更加准确地识别异常状态。
此外，传统的统计学方法和信号处理技术也被广泛应用于异常状态检测领域。
智能维修是指利用先进的传感器技术和自动化控制系统，对飞行器进行实时监测和定位，并在出现故障时能够采取自主的维修行动。
相比传统的维修方式，智能维修技术具有更高的效率和准确性，能够大大减少停机时间和维修成本。
智能维修技术主要包括故障诊断和维修决策两个方面。
故障诊断是指通过对飞行器的状态监测和数据分析，准确地判断故障原因和位置。
维修决策则是根据故障诊断结果，选择最优的维修策略和方法。
目前，智能维修技术主要依赖于人工智能和专家系统等技术，通过对大量的故障案例进行学习，建立起故障诊断和维修决策的模型。
飞行器故障诊断模型的构建与应用
飞行器故障诊断模型的构建与应用随着航空技术的不断发展，飞行器的性能不断得到提升，使得航空运行的安全性和可靠性得到了显著的提高。
然而，飞行器故障仍然是航空安全的一个重大威胁。
飞行器故障不仅会对航空运行产生影响，而且还会给乘客和机组人员带来危险。
因此，飞行器故障诊断模型的构建与应用是非常必要的。
飞行器故障诊断模型是指根据故障信息，通过一定的算法和模型来判断故障类型、确定故障原因和制定故障处理措施的方法。
构建一个准确性高、可靠性强的故障诊断模型是飞行器安全运行的必要条件。
本文将从构建飞行器故障诊断模型的基本思路和应用前景两个方面来进行论述。
一、构建飞行器故障诊断模型的基本思路1. 数据收集构建飞行器故障诊断模型需要大量的实际故障数据进行训练和测试。
因此，数据收集是构建故障诊断模型的第一步。
数据收集可以从飞行器的传感器、监测系统以及历史维修记录中获得。
收集的数据应该包括飞行器的各项性能参数、系统状态、故障类型和修理记录等信息。
2. 数据处理和特征提取飞行器故障诊断模型要针对特定的故障进行诊断，因此需要对收集到的数据进行处理和特征提取。
特征提取是指对收集到的数据进行预处理、降维、特征选择等操作，从而提取出能够反映故障状态的特征。
特征提取可以采用统计方法、机器学习算法等。
3. 模型构建和训练在特征提取之后，就可以进行模型构建和训练了。
模型构建可以采用传统的统计方法，如回归分析、分类器等；也可以采用机器学习算法，如神经网络、支持向量机等。
模型训练需要使用收集到的故障数据进行训练，通过反复调整模型参数使得模型达到最优效果。
4. 故障诊断和输出在模型构建和训练之后，就可以将故障数据输入到已经训练好的模型中进行故障诊断。
通过模型对故障数据进行判断和分类，就可以确定故障类型、故障原因和故障处理措施。
二、飞行器故障诊断模型的应用前景飞行器故障诊断模型在航空运行中的应用前景非常广阔。
具体应用包括以下几个方面：1. 改进飞行器维修保障飞行器故障诊断模型可以用于改进飞行器的维修保障系统。
近空间飞行器故障诊断与容错控制的研究进展
功 进入 近空 间 ， 留空达 ５ｈ， 成为继 美 国攀登 者之后
进 入近 空 间的第 二艘平 流层 飞艇 ； 俄罗斯 阿夫 古力
基 金项 目 ： 家 自然 科学 基 金 （ １ １０ ８资 助项 目 ； 空科 学 基 金 （０ １ Ａ５ ０ ９ 资 助项 目。 国 ９１６１） 航 ２１Ｚ ２０）
（ ｌ ｇ ｆＡｕ ｏ ｔ ｎＥｎ ｉｅ ｒｎ Ｃｏｌ ｅｏ ｔ ｍａｉ ｇｎ ｅｉｇ，Ｎａ ｉ ｇ Ｕｎｖ ｒ ｉ ｆＡｅ ｏ ａ ｔ ｓ＆ Ａｓｒ ｎ ｕｉｓ，Ｎａ ｊ ｇ １ ０ ６，Ｃ ｉａ ｅ ｏ ｎｉ ｉｅｓｔ ｏ ｒ ｎ ｕ ｉ ｎ ｙ ｃ ｔｏ ａ ｔｃ ｎ ｉ ，２ ０ １ ｎ ｈｎ ）
Ｖ 一 ｄ一 １ （
一
（ ｏ Ｔｃ ｓ口一 Ｄ）一 ｇ ｉ （ 一 口 ｓｎ ）
高 度 达 ２ ￣ ２ ｍ。此外 ， 国 的高超声 速 飞行 器 ０ ２ｋ 美
Ｘ一 ３ 及 Ｘ５ 都 已经成 功试 飞 ， 中 Ｘ ４ Ａ 最 高 ４Ａ １ 其 一３
飞行速 度 已达到 ９ ６ 赫数 （ ｒｈ 。 ．马 Ｍａ ｃ ）
修 订 日期 ： ０ ２ ０ — ８ ２ １ — ８ １ ‘
通 讯 作 者 ： 斌 ， ， 授 ， 士 生 导 师 ， ｍａ ：ｉｉ ｎ ｕ ａｅ ｕ ａ 。 姜 男 教 博 Ｅ— ｉ ｂｎｉ ｇ ｌ ａ ＠ｎ ａ．ｄ ．ｎ
６４ ０
南
京
航
空
航
天
大
学
学
报
第４ ４卷
浮空器 中心 制订 了“ 金雕 ” 的平 流层 飞艇方 案 ， 飞行
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
２ ｅ ａｙＩｓｔ ｅ Ｓｎ ｅｖ ｎｕｔ ， ｈｎ ｓａＨ ｎｎ４ ００ ， ｈｎ ） ．Ｇ ｒ ｎ ｔｕ ， ａｙＨ ａｙＩｄ ｓｙ Ｃ ａ ｇｈ ｕａ １ １０ Ｃ ｉａ ｍ ｎ ｉｔ ｒ
ｆ ｕｔ ｅａ ｅ ｅ ｃ ｔ ｅ ，ｔ ｄｔ ｎ ｌｆｕ ｔｄａ ｏ ｉ ｍｅｈ ｄ ｃ ｎ ｎ ｔｄａ ｏ ｅ ｆｕ ｔ ｃ ｕ ａｅｙ ｎ ｏ ｄ ｒｔ ｅ ｉ ｌ ｎ ａ ｌ ｒ ｌｔ ａ ｈ ｏｈ ｒ ｒ ｉ ｏ ａ ａ ｌ ｉｇ ｓｓ ｓ ａ ｉ ｎ ｔ ｏ ａ ｏ ｉｇ ｓ ａ ｌ ａ ｃ ｒ ｔｌ ．Ｉ ｒ ｅ ｏ ｒｌ ｂ ｙｆ ｄ ｎ ａ ｉ ａ ｄ ｆｒ ｃ ｓ ｎ ｖｇ ｔ ｎ ｓ ｎ ｏ ａ ｌ ，ｔ ｉ ｐ ｐ ｒｐ ｏ ｏ ｅ ａ ｉ ａｉｎ ｓ ｎ ｏ ａ ｌ ｄ ａ ｎ ｓｓｍｅｈ ｄ ｂ ｓ ｄ ｏ ｅ ｒ ｌ ｎ ｏ ｅ ａ ｔ ａ ｉａｉ ｅ ｓ ｒｆｕ ｔ ｈ ｓ ａ ｅ ｒｐ ｓ ｄ ａ ｎ ｖｇ ｔ ｅ ｓ ｒｆ ｕ ｔ ｉｇ ｏ ｉ ｔ ｏ ａ ｅ ｎ ｎ ｕ ａ ｏ ｓ ｏ ｎ ｔ ｏ ｋ Ｆ ｒｔ ，ｗａ ｅｅ ａ ｋ ｔｗ ｓ ｕ ｅ ｏ ｄ ｃ ｍｐ ｓ ｈ ｒｍｉ ｖ ａ ｌ ｓ ａ ｏ ｆ ｍ ｉｎ ｌ ｅ ｔ ｒ ｅ ｔ ｒ ｈ ｎ ｅ ｗ ｒ ． ｉｓ ｙ ｌ ｖ ｌｔｐ ｃ ｅ ａ ｓ ｄ ｔ ｅ ｏ ｏ ｅ ｔ ｅ ｐ ｉ ｔ ｅ ｆｕ ｔ ｉ ｌｔ ｒ ｓｇ ａ ａｕ ｅ ｖ ｃ ｏ ，ｔ ｅ ｉ ｇ ｎ ｏ ｆ ａ ｏ ａ ｏ ｒ ａｉ ｎ ｅｌ ｅ ｔｓ ｎ ｏ ａ ｌ ｄ ａ ｎ ｓｓ ｈ ｉ ｌ— ｚ ｉ ｆ ａｕ ｅ ｖ ｃｏ ｓｗｅｅ ｉ ｐ ｕ ａ ｎ ｔ ｒ ｏ ｒ ｉ ｉｇ，ｓ ｓ ｔ ｅ ｌ ｅ ｉ ｔｌ ｇ ｎ ｅ ｓ ｒｆ ｕ ｔ ｉｇ ｏ ｉ ．Ｔ ｅ ｓｍｕ ａ ｅ ｔ ｒ ｅ ｔ ｒ ｒ ｎ ｕｔｎｅ ｒ ｌ ｅｗｏ ｋ ｆｒ ｔ ｎ ｎ
Ｚ ＨＡＮＧ Ｙｕ ， Ｎ Ｔ ｎ ＹＩ ｅ ｇ—ｆｉ ，Ｉ ｉ ｕ ｅ ＪＡ Ｈａ —ｙ ｎ
（ ．Ｓ ｈｏ ｏ ａｈｍ ｔ ｓ ｎ ｎｏ ｔ ｎＳｉ ｃ ， ｏ ｈＣ ｉａＵ ｉ ｒ ｔ １ ｃｏｌ ｆ ｔｅ ａ ｃ ｄＩｆ ｍａｏ ｃ ｎｅ Ｎ ｒ ｈ ｎｖ ｓｙ Ｍ ｉ ａ ｒ ｉ ｅ ｔ ｎ ｅ ｉ
ＫＥＹＷ ＯＲＤＳ：Ｗａ ｅｅ ａ ｋ ｔ Ｎｅ ｒ ｌ ｅ ｒ Ｉ ｅ ｔ ａ ｉａｉ ｎ Ｆ ｕ ｔｄａ ｎ ｓｓ ｖ ｌｔｐ ｃ ｅ ； ｕ ａ ｔ ｋ；ｎ ｒ ａ ｎ ｖｇ ｔ ； ａ ｌ ｉｇ ｏ ｉ ｎ ｗｏ ｉ ｏ
ｓ ｎ ｏ ａ ｌ ｄａ ｎ ｓ ｃ ｕ ａ ｙ ａ ｄ ｉ ａ ｆ ｃｉｅ ｏ ｌ ｅ ｎ ｖｇ ｔ ｎ ｓ ｎ ｏ ａ ｌ ｍｅｈ ｄ ｅ ｓ ｒｆｕ ｔ ｉｇ ｏ ｉ ａ ｃ ｒｃ ｎ ｓ ｎ ｅ ｅ ｔ ｎ ｉ ａ ｉａｉ ｅ ｓ ｒｆｕ ｔ ｔ德国公 司研究院 ， ． 湖南 长沙 ４ ０ ０ ） １１０ 摘要 ： 导航传感器故障诊断问题 ， 研究 由于飞行器导航传感器所处环境十分复 杂 ， 导航系统 由多种部件组 成 ， 故障存在许多 随机性、 模糊性和不确定性因素 ， 以建立确定数学模型。传统线性模型故 障诊 断准确率低 。为 了提 高飞行 器导航传感器 难 故障诊断准确 率， 出～ 种神经网络的导航传感器故障诊断方法。飞行器导航传 感器发生故障 时信 号中会产生突变成分 ， 提 一 利用小波包对原始故障信号进行分解 ， 提取信号特征向量 ， 然后将特征 向量输入神经网络训练 ， 实现飞行器导航传感器故障 智能化诊断。在 Ｍ ｔ 平台实现传感器故 障诊 断的仿真 ， 果表明 ， ａ￣ ｌ 结 神经 网络提 高了飞行 器导航传 感器故 障诊 断的准确
．
ｔ ｎ ｅ ｐ ｒ ｎ ｓｒ ａｉｅ ｔ ｂ ｐａｆ ｒ ．Ｔ ｅ ｓｍｕ ａｉｎ ｒ ｓ ｌ ｈ ｗ ｔ ａ ｉ ｍｅ ｈ ｄ ｉ ｃ ｅ ｓ ｓｔｅ ｎ ｖｇ ｔ ｎ ｉ ｘ ｅｉ ｏ ｍｅ ｔ ｗａ ｅ ｌ ｄ ｉ Ｍａｌ ｌｔ ｍ ｚ ｎ ａ ｏ ｈ ｉ ｌ ｔ ｅ ｕ ｔ ｓ ｏ ｈ ｔ ｈ ｓ ｔ ｏ ｒａ ｅ ｈ ａ ｉａｉ ｏ ｓ ｔ ｎ ｏ
第９ 第 期 ２卷 ２
文 章 编 号 ：０ ６— ３８ ２ １ ） ２— ０ ８—０ １０ ９ ４ （０ ２ ０ ０ ６ ４
计
算
机
仿
真
２２ 月 ０ 年２ １
飞行 器 导 航传 感器 故 障诊 断 的应 用 研 究
张 玉 尹腾 飞 ， ， 贾海 云
（ ．华北水利水 电学 院数学与信息科学学院， １ 河南 郑州 ４０ １ ； ５ ０ ｌ
率， 是一种在线 、 行之有效 的导航传感器故 障方法 。
关键词 ： 小波包 ； 神经 网络 ； 导航传感器 ； 障诊断 故
中图分类号 ：Ｎ １ Ｔ ９１ 文献标识码 ： Ｂ
Ｆａ ｌ Ｄｉｇ ｏ ｉ ｆＮａ ｉａ ｉｎ Ｓ ｎ ｏ ｓ ｄ ｏ ｕ ａ ｔ ｒ ｕ ｔ ａ ｎ ｓｓｏ ｖ ｇ ｔ ｅ ｓ ｒ Ｂａ ｅ ｎ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ ｏ
ＡＢＳ ＴＲＡＣＴ：Ｓｕ ｙ ｎ ｖｇ ｔ ｎ ｓｎ ｏ ａ ｌ ｄａｎ ｓ ｒｂｅ ｔｄ ａ ｉａｉ ｅ ｓｒｆｕｔ ｉｇ ｏｉ ｐｏ ｌｍ． Ｂ ｃ ｕ ｅｓ ｎｏｓｅ ｖｒｎ ｎ ｓｖ ｒ ｏ ｌｘ ａ ｄ ｏ ｓ ｅ ａ ｓ ｅ ｓｒ ｎ ｉｏ ｍｅ ｔｉ ｅｙ ｃ ｍｐｅ ｎ