24、故障安全逻辑设计实验全解析

故障安全逻辑设计实验全解析

1. 基本实验

基本实验主要分为软件在环(SIL)仿真和硬件在环(HIL)仿真两部分。

1.1 SIL 仿真
  • 参数初始化 :运行 “e8\e8.1\Init_control.m” 文件初始化参数,随后 “AttitudeControl_Sim” 的 Simulink 文件会自动打开。基本实验的扩展有限状态机(EFSM)中,各转换条件如下:
    • C1:M I E1 = 1,表示成功解锁操作,即远程飞行员解锁多旋翼飞行器时此条件为真。
    • C2:M I E2 = 2,意味着从手动飞行模式切换到返回发射点(RTL)模式。
    • C3、C5:M I E2 = 1,分别表示从 RTL 模式和自动降落模式切换到手动飞行模式。
    • C4:M I E2 = 3,代表从手动飞行模式切换到自动降落模式。
  • RTL 仿真 :通过改变 “ch5” 的值来切换模式,“ch5” 的 PWM 值小于 1400 时,M I E2 = 1;在 1400 - 1600 之间时,M I E2 = 2;大于 1600 时,M I E2 = 3。前 10 秒,“ch5” 通道输入值为 1200,对应手动飞行模式;10 秒后,值设为 1500,对应 RTL 模式。此时,飞行器进入 RTL 模式,高度不变,水平位置逐渐归 0。
  • 自动降落仿真 :前 10 秒,“ch5” 输入值为 1200,处于手动飞
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以面掌握该方法的核心技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值