With the rapid growth of load demand, the distribution system is becoming more and more complicated, and the operational efficiency and service quality deteriorated. Power system protection is important for service reliability and quality assurance. Various faults may occur due to natural and artificial calamity. To reduce the outage duration and promptly restore power services, fault section estimate has to be done effectively with appeared fault alarms. The distribution system containing numerous protective facilities and switch equipment ranges over wide boundary. It becomes very complicated for dispatchers to obtain restoration plan for out-of-service areas. To cope with the problem, an effective tool is helpful for the restoration. This thesis proposes the use of Bi-directional associative memory networks (BAMN) to develop alarm processing. And use of Probabilistic Neural Network (PNN) to develop fault section detection, fault isolation, and restoration system. A distribution system is selected for computer simulation to demonstrate the effectiveness of the proposed system. The thesis proposes to use Bi-directional Associative Memory Network¡]BAMN¡^ to pre-process the signal gained from SCADA Interface, and transmit correct signal to Probabilistic Neural Network (PNN) for restoration plan . Computer simulation shows a simplified model to shorten the processing time in this study.

<p>Users of heavy trucks, as well as legislation, put increasing demands on heavy trucks. The vehicles should be more comfortable, reliable and safe. Furthermore, they should consume less fuel and be more environmentally friendly. For example, this means that faults that cause the emissions to increase must be detected early. To meet these requirements on comfort and performance, advanced sensor-based computer control-systems are used. However, the increased complexity makes the vehicles more difficult for the workshop mechanic to maintain and repair. A diagnosis system that detects and localizes faults is thus needed, both as an aid in the repair process and for detecting and isolating (localizing) faults on-board, to guarantee that safety and environmental goals are satisfied.</p><p>Reliable fault isolation is often a challenging task. Noise, disturbances and model errors can cause problems. Also, two different faults may lead to the same observed behavior of the system under diagnosis. This means that there are several faults, which could possibly explain the observed behavior of the vehicle.</p><p>In this thesis, a Bayesian approach to fault isolation is proposed. The idea is to compute the probabilities, given ``all information at hand'', that certain faults are present in the system under diagnosis. By ``all information at hand'' we mean qualitative and quantitative information about how probable different faults are, and possibly also data which is collected during test drives with the vehicle when faults are present. The information may also include knowledge about which observed behavior that is to be expected when certain faults are present.</p><p>The advantage of the Bayesian approach is the possibility to combine information of different characteristics, and also to facilitate isolation of previously unknown faults as well as faults from which only vague information is available. Furthermore, Bayesian probability theory combined with decision theory provide methods for determining the best action to perform to reduce the effects from faults.</p><p>Using the Bayesian approach to fault isolation to diagnose large and complex systems may lead to computational and complexity problems. In this thesis, these problems are solved in three different ways. First, equivalence classes are introduced for different faults with equal probability distributions. Second, by using the structure of the computations, efficient storage methods can be used. Finally, if the previous two simplifications are not sufficient, it is shown how the problem can be approximated by partitioning it into a set of sub problems, which each can be efficiently solved using the presented methods.</p><p>The Bayesian approach to fault isolation is applied to the diagnosis of the gas flow of an automotive diesel engine. Data collected from real driving situations with implemented faults, is used in the evaluation of the methods. Furthermore, the influences of important design parameters are investigated.</p><p>The experiments show that the proposed Bayesian approach has promising potentials for vehicle diagnosis, and performs well on this real problem. Compared with more classical methods, e.g. structured residuals, the Bayesian approach used here gives higher probability of detection and isolation of the true underlying fault.</p> / <p>Både användare och lagstiftare ställer idag ökande krav på prestanda hos tunga lastbilar. Fordonen ska var bekväma, tillförlitliga och säkra. Dessutom ska de ha bättre bränsleekonomi vara mer miljövänliga. Detta betyder till exempel att fel som orsakar förhöjda emissioner måste upptäckas i ett tidigt stadium.</p><p>För att möta dessa krav på komfort och prestanda används avancerade sensorbaserade reglersystem.</p><p>Emellertid leder den ökade komplexiteten till att fordonen blir mer komplicerade för en mekaniker att underhålla, felsöka och reparera.</p><p>Därför krävs det ett diagnossystem som detekterar och lokaliserar felen, både som ett hjälpmedel i reparationsprocessen, och för att kunna detektera och lokalisera (isolera) felen ombord för att garantera att säkerhetskrav och miljömål är uppfyllda.</p><p>Tillförlitlig felisolering är ofta en utmanande uppgift. Brus, störningar och modellfel kan orsaka problem. Det kan också det faktum två olika fel kan leda till samma observerade beteende hos systemet som diagnosticeras. Detta betyder att det finns flera fel som möjligen skulle kunna förklara det observerade beteendet hos fordonet.</p><p>I den här avhandlingen föreslås användandet av en Bayesianska ansats till felisolering. I metoden beräknas sannolikheten för att ett visst fel är närvarande i det diagnosticerade systemet, givet ''all tillgänglig information''. Med ''all tillgänglig information'' menas både kvalitativ och kvantitativ information om hur troliga fel är och möjligen även data som samlats in under testkörningar med fordonet, då olika fel finns närvarande. Informationen kan även innehålla kunskap om vilket beteende som kan förväntas observeras då ett särskilt fel finns närvarande.</p><p>Fördelarna med den Bayesianska metoden är möjligheten att kombinera information av olika karaktär, men också att att den möjliggör isolering av tidigare okända fel och fel från vilka det endast finns vag information tillgänglig. Vidare kan Bayesiansk sannolikhetslära kombineras med beslutsteori för att erhålla metoder för att bestämma nästa bästa åtgärd för att minska effekten från fel.</p><p>Användandet av den Bayesianska metoden kan leda till beräknings- och komplexitetsproblem. I den här avhandlingen hanteras dessa problem på tre olika sätt. För det första så introduceras ekvivalensklasser för fel med likadana sannolikhetsfördelningar. För det andra, genom att använda strukturen på beräkningarna kan effektiva lagringsmetoder användas. Slutligen, om de två tidigare förenklingarna inte är tillräckliga, visas det hur problemet kan approximeras med ett antal delproblem, som vart och ett kan lösas effektivt med de presenterade metoderna.</p><p>Den Bayesianska ansatsen till felisolering har applicerats på diagnosen av gasflödet på en dieselmotor. Data som har samlats från riktiga körsituationer med fel implementerade används i evalueringen av metoderna. Vidare har påverkan av viktiga parametrar på isoleringsprestandan undersökts.</p><p>Experimenten visar att den föreslagna Bayesianska ansatsen har god potential för fordonsdiagnos, och prestandan är bra på detta reella problem. Jämfört med mer klassiska metoder baserade på strukturerade residualer ger den Bayesianska metoden högre sannolikhet för detektion och isolering av det sanna, underliggande, felet.</p>

<p>Traditional diagnosis has been performed with hardware redundancy and limit checking. The development of more powerful computers have made a new kind of diagnosis possible. Todays computing power allows models of the system to be run in real time and thus making model-based diagnosis possible. </p><p>The objective with this thesis is to investigate the potential of model-based diagnosis, especially when combined with active diagnosis. The diagnosis system has been applied on a model of the JAS39 Gripen fuel pressurization system. </p><p>With the sensors available today no satisfying diagnosis system can be built, however, by adding a couple of sensors and using active model-based diagnosis all faults can be detected and isolated into a group of at most three components. </p><p>Since the diagnosis system in this thesis only had a model of the real system to be tested at, this thesis is not directly applicable on the real system. What can be used is the diagnosis approach and the residuals and decision structure developed here.</p>

Model-based diagnosis compares observations from a system with predictions using a mathematical model to detect and isolate faulty components. Analyzing which faults that can be detected and isolated given the model gives useful information when designing a diagnosis system. This information can be used, for example, to determine which residual generators can be generated or to select a sufficient set of sensors that can be used to detect and isolate the faults. With more information about the system taken into consideration during such an analysis, more accurate estimations can be computed of how good fault detectability and isolability that can be achieved. Model uncertainties and measurement noise are the main reasons for reduced fault detection and isolation performance and can make it difficult to design a diagnosis system that fulfills given performance requirements. By taking information about different uncertainties into consideration early in the development process of a diagnosis system, it is possible to predict how good performance can be achieved by a diagnosis system and avoid bad design choices. This thesis deals with quantitative analysis of fault detectability and isolability performance when taking model uncertainties and measurement noise into consideration. The goal is to analyze fault detectability and isolability performance given a mathematical model of the monitored system before a diagnosis system is developed. A quantitative measure of fault detectability and isolability performance for a given model, called distinguishability, is proposed based on the Kullback-Leibler divergence. The distinguishability measure answers questions like "How difficult is it to isolate a fault fi from another fault fj?. Different properties of the distinguishability measure are analyzed. It is shown for example, that for linear descriptor models with Gaussian noise, distinguishability gives an upper limit for the fault to noise ratio of any linear residual generator. The proposed measure is used for quantitative analysis of a nonlinear mean value model of gas flows in a heavy-duty diesel engine to analyze how fault diagnosability performance varies for different operating points. It is also used to formulate the sensor selection problem, i.e., to find a cheapest set of available sensors that should be used in a system to achieve required fault diagnosability performance. As a case study, quantitative fault diagnosability analysis is used during the design of an engine misfire detection algorithm based on the crankshaft angular velocity measured at the flywheel. Decisions during the development of the misfire detection algorithm are motivated using quantitative analysis of the misfire detectability performance showing, for example, varying detection performance at different operating points and for different cylinders to identify when it is more difficult to detect misfires. This thesis presents a framework for quantitative fault detectability and isolability analysis that is a useful tool during the design of a diagnosis system. The different applications show examples of how quantitate analysis can be applied during a design process either as feedback to an engineer or when formulating different design steps as optimization problems to assure that required performance can be achieved.

This thesis investigates the possibility of improving black box fault diagnosis by a process called manifold learning, which simply stated is a way of finding patterns in recorded sensor data. The idea is that there is more information in the data than is exploited when using simple classification algorithms such as k-Nearest Neighbor and Support Vector Machines, and that this additional information can be found by using manifold learning methods. To test the idea of using manifold learning, data from two different fault diagnosis scenarios is used: A Scania truck engine and an electrical system called Adapt. Two linear and one non-linear manifold learning methods are used: Principal Component Analysis and Linear Discriminant Analysis (linear) and Laplacian Eigenmaps (non-linear).Some improvements are achieved given certain conditions on the diagnosis scenarios. The improvements for different methods correspond to the systems in which they are achieved in terms of linearity. The positive results for the relatively linear electrical system are achieved mainly by the linear methods Principal Component Analysis and Linear Discriminant Analysis and the positive results for the non-linear Scania system are achieved by the non-linear method Laplacian Eigenmaps.The results for scenarios without these special conditions are not improved however, and it is uncertain wether the improvements in special condition scenarios are due to gained information or to the nature of the cases themselves.

Intermittent faults/errors are infamous for being among the most challenging errors to diagnose. It is estimated that more than 80% of the total number of errors in real systems are intermittent errors. Previous research on intermittent errors suggests that they are the prelude to permanent faults. There seems to be a vast knowledge gap in general regarding intermittent errors, both in academia and industry. The term "No Fault Found" might have ingrained a culture of acceptance regarding faults that intermittent errors might cause. This master thesis aims to develop a generic algorithm for diagnostics of intermittent errors that allows for the early isolation of failing sensors, especially at the end of their life spans. It is desirable that Scania can identify intermittent errors efficiently to save maintenance costs and keep customer satisfaction high. Multiple intermittent error detection and diagnostics methods have been produced and tested through simulations in MATLAB. The results suggest that the most important factors when introducing algorithms for intermittent error detection are the sensors' self-diagnostic capabilities and their communication protocol. The developed algorithms can be used for efficient fault isolation, obtaining valuable data for research, and triggering Diagnostic Trouble Codes (DTCs) when the impact of the errors is too significant, which allows for proactive replacement. If the algorithms are introduced as suggested in this master thesis, the knowledge gap can be filled. Consequently, Scania can use the increased knowledge to further improve the algorithms for better detection of intermittent errors and increase the overall performance of Scania vehicles. / Intermittenta fel definieras som fel som ”kommer och går” i ett maskinsystem under dess livslängd och de har ett rykte att vara bland de svåraste felen att diagnostisera. Fel av intermittent karaktär existerar ofta oupptäckta trots att det har uppskattats att mer än 80% av det totala antalet fel i komponenter är intermittenta fel. Tidigare forskning om intermittenta fel tyder på att intermittenta fel, över tid, i princip alltid leder till permanenta fel.  Det verkar dessutom finnas en stor kunskapslucka angående effekten och systempåverkan av intermittenta fel, både inom den akademiska världen och i näringslivet. Vidare kan termen "Inget fel hittats" ha skapat en acceptans-kultur gällande fel i komponenter som intermittenta fel kan ha orsakat.  Detta examensarbete syftar till att utveckla en allmän algoritm för diagnostik av intermittenta fel. Algoritmen ska möjliggöra tidig identifiering av sensorer som håller på att gå sönder eller om de intermittenta felen orsakar för stor systempåverkan, vilket är speciellt viktigt i slutet av sensorernas livslängder. Det är önskvärt att Scania effektivt kan identifiera komponenter med intermittenta fel för att spara underhållskostnader och för att hålla kundnöjdheten hög. Flera intermittenta feldetektering- och diagnostikmetoder har utvecklats och testats med hjälp av simuleringar i MATLAB och Simulink.  Tre sensorer studerades i detta examensarbete. Sensorerna var avgasmottryck sensorn, hög temperatur sensorn och NOx-sensorn. Avgasmottryck sensorn var en analog sensor medan hög temperatur- och NOx sensorn var digitala sensorer. Dessutom hade alla sensorer olika kommunikationsprotokoll och självdiagnostik möjligheter.  För att effektivt kunna utveckla algoritmen kartlades all relevant diagnostik hos de tre sensorerna för att kunna avgöra vilken typ av fel som inte upptäcks av dagens diagnostik. Detta gjordes bland annat genom att studera interna Scania dokumentation och genom att intervjua dem ingenjörer som var ansvariga för den specifika sensorn. De utvecklade algoritmerna fokuserade på att diagnosera dem typer av fel som inte riktigt fångades upp av dagens diagnostik.  Under examensarbetets gång identifierades tre kunder av algoritmen, alla med olika krav och önskemål på vad algoritmen ska leverera. Den första kunden är verkstadsarbetaren. De vill att algoritmen ska ge tydliga instruktioner gällande hur det upptäckta felet ska repareras. Den andra kunden av algoritmen är utvecklingsingenjörerna hos Scania. De vill ha statistik och information från algoritmen som kan användas för att få mer kunskap om intermittenta fel. Den kunskapen skulle kunna användas för att utveckla algoritmerna samt för att göra design ändringar i motorn eller sensorerna för att minska förekomsten av intermittenta fel. Den sista kunden av algoritmen är de lagstiftande myndigheterna. De vill att algoritmerna ska varna föraren av lastbilen om intermittenta fel hittas som kan påverka utsläppen samt om säkerheten har blivit försämrad. Alla dessa kunder togs hänsyn till när algoritmerna utvecklades.  Resultaten tyder på att de viktigaste faktorerna att ta i beaktande vid utveckling av algoritmer för intermittent fel diagnostik är sensorns självdiagnostik och kommunikationsprotokoll. Vidare tyder resultatet från litteraturstudien att de signal symptom som intermittenta fel kan orsaka är toppar och dalar, oscillation, offset, dämpning, överkänslig signal status nedgradering, ingen signal eller maximum/minimum signal. Orsakerna till dessa symptom varierar mellan lösa/glappande kontakter i lödfogen eller kablaget, komponent åldring, oxidation, fukt, läckage eller föroreningar. Ingen ensam algoritm kan detektera alla dessa möjliga symptom i sensorns signaler, därför utvecklades fem olika detektionsmetoder, varje detektionsmetod kan upptäcka olika typer av fel. Tyvärr utvecklades inga detektionsmetoder som kunde hitta intermittenta offset eller dämpningar.  Om algoritmerna implementeras på det sättet som föreslagits i detta examensarbete kan kunskapsluckan fyllas och alla kunder av algoritmen kommer att bli nöjda. Detta görs genom effektiv felisolering, insamling av värdefull information och generering av felkoder om de intermittenta felens påverkan är för stor eller om sensor håller på att gå sönder. Detta skulle möjliggöra proaktiv reperation eller utbyte av sensorer som är på väg att gå sönder. Insamlingen av information rörande intermittenta fel kan Scania använda för att öka kunskapen för att ytterligare förbättra algoritmerna för bättre detektion av intermittenta fel, vilket skulle resultera i ökad prestanda för alla Scania fordon.

This dissertation defines and evaluates new operations management modeling concepts for use with interdependent critical infrastructure system reconfiguration and recovery analysis. The work combines concepts from Graph Trace Analysis (GTA), Object Oriented Analysis and Design (OOAandD), the Unified Modeling Language (UML) and Physical Network Modeling; and applies them to naval ship reduced manned Hull, Mechanical, Electrical and Damage Control (HMEandDC) system design and operation management. OOAandD problem decomposition is used to derive a natural solution structure that simplifies integration and uses mission priority and mission time constraint relationships to reduce the number of system states that must be evaluated to produce a practical solution. New concepts presented include the use of dependency components and automated system model traces to structure mission priority based recovery analysis and mission readiness measures that can be used for automating operations management analysis. New concepts for developing power and fluid system GTA loop flow analysis convergence measures and acceleration factors are also presented. / Ph. D.

No description available.

Users of heavy trucks, as well as legislation, put increasing demands on heavy trucks. The vehicles should be more comfortable, reliable and safe. Furthermore, they should consume less fuel and be more environmentally friendly. For example, this means that faults that cause the emissions to increase must be detected early. To meet these requirements on comfort and performance, advanced sensor-based computer control-systems are used. However, the increased complexity makes the vehicles more difficult for the workshop mechanic to maintain and repair. A diagnosis system that detects and localizes faults is thus needed, both as an aid in the repair process and for detecting and isolating (localizing) faults on-board, to guarantee that safety and environmental goals are satisfied. Reliable fault isolation is often a challenging task. Noise, disturbances and model errors can cause problems. Also, two different faults may lead to the same observed behavior of the system under diagnosis. This means that there are several faults, which could possibly explain the observed behavior of the vehicle. In this thesis, a Bayesian approach to fault isolation is proposed. The idea is to compute the probabilities, given ``all information at hand'', that certain faults are present in the system under diagnosis. By ``all information at hand'' we mean qualitative and quantitative information about how probable different faults are, and possibly also data which is collected during test drives with the vehicle when faults are present. The information may also include knowledge about which observed behavior that is to be expected when certain faults are present. The advantage of the Bayesian approach is the possibility to combine information of different characteristics, and also to facilitate isolation of previously unknown faults as well as faults from which only vague information is available. Furthermore, Bayesian probability theory combined with decision theory provide methods for determining the best action to perform to reduce the effects from faults. Using the Bayesian approach to fault isolation to diagnose large and complex systems may lead to computational and complexity problems. In this thesis, these problems are solved in three different ways. First, equivalence classes are introduced for different faults with equal probability distributions. Second, by using the structure of the computations, efficient storage methods can be used. Finally, if the previous two simplifications are not sufficient, it is shown how the problem can be approximated by partitioning it into a set of sub problems, which each can be efficiently solved using the presented methods. The Bayesian approach to fault isolation is applied to the diagnosis of the gas flow of an automotive diesel engine. Data collected from real driving situations with implemented faults, is used in the evaluation of the methods. Furthermore, the influences of important design parameters are investigated. The experiments show that the proposed Bayesian approach has promising potentials for vehicle diagnosis, and performs well on this real problem. Compared with more classical methods, e.g. structured residuals, the Bayesian approach used here gives higher probability of detection and isolation of the true underlying fault. / Både användare och lagstiftare ställer idag ökande krav på prestanda hos tunga lastbilar. Fordonen ska var bekväma, tillförlitliga och säkra. Dessutom ska de ha bättre bränsleekonomi vara mer miljövänliga. Detta betyder till exempel att fel som orsakar förhöjda emissioner måste upptäckas i ett tidigt stadium. För att möta dessa krav på komfort och prestanda används avancerade sensorbaserade reglersystem. Emellertid leder den ökade komplexiteten till att fordonen blir mer komplicerade för en mekaniker att underhålla, felsöka och reparera. Därför krävs det ett diagnossystem som detekterar och lokaliserar felen, både som ett hjälpmedel i reparationsprocessen, och för att kunna detektera och lokalisera (isolera) felen ombord för att garantera att säkerhetskrav och miljömål är uppfyllda. Tillförlitlig felisolering är ofta en utmanande uppgift. Brus, störningar och modellfel kan orsaka problem. Det kan också det faktum två olika fel kan leda till samma observerade beteende hos systemet som diagnosticeras. Detta betyder att det finns flera fel som möjligen skulle kunna förklara det observerade beteendet hos fordonet. I den här avhandlingen föreslås användandet av en Bayesianska ansats till felisolering. I metoden beräknas sannolikheten för att ett visst fel är närvarande i det diagnosticerade systemet, givet ''all tillgänglig information''. Med ''all tillgänglig information'' menas både kvalitativ och kvantitativ information om hur troliga fel är och möjligen även data som samlats in under testkörningar med fordonet, då olika fel finns närvarande. Informationen kan även innehålla kunskap om vilket beteende som kan förväntas observeras då ett särskilt fel finns närvarande. Fördelarna med den Bayesianska metoden är möjligheten att kombinera information av olika karaktär, men också att att den möjliggör isolering av tidigare okända fel och fel från vilka det endast finns vag information tillgänglig. Vidare kan Bayesiansk sannolikhetslära kombineras med beslutsteori för att erhålla metoder för att bestämma nästa bästa åtgärd för att minska effekten från fel. Användandet av den Bayesianska metoden kan leda till beräknings- och komplexitetsproblem. I den här avhandlingen hanteras dessa problem på tre olika sätt. För det första så introduceras ekvivalensklasser för fel med likadana sannolikhetsfördelningar. För det andra, genom att använda strukturen på beräkningarna kan effektiva lagringsmetoder användas. Slutligen, om de två tidigare förenklingarna inte är tillräckliga, visas det hur problemet kan approximeras med ett antal delproblem, som vart och ett kan lösas effektivt med de presenterade metoderna. Den Bayesianska ansatsen till felisolering har applicerats på diagnosen av gasflödet på en dieselmotor. Data som har samlats från riktiga körsituationer med fel implementerade används i evalueringen av metoderna. Vidare har påverkan av viktiga parametrar på isoleringsprestandan undersökts. Experimenten visar att den föreslagna Bayesianska ansatsen har god potential för fordonsdiagnos, och prestandan är bra på detta reella problem. Jämfört med mer klassiska metoder baserade på strukturerade residualer ger den Bayesianska metoden högre sannolikhet för detektion och isolering av det sanna, underliggande, felet. / QC 20101115

Thesis (MScEng)--Stellenbosch University, 2012. / ENGLISH ABSTRACT: Fault detection and isolation (FDI) is an important aspect of effective fault tolerant control architectures. The Electronic System Laboratory at Stellenbosch University identified the need to study viable methods of FDI. In this research two FDI methods for actuator failures on the Meraka Modular UAV are investigated. The Meraka Modular UAV is an unmanned aircraft that was developed by the CSIR. A simple six degree of freedom non-linear mathematical model is developed that presents a platform on which the two FDI methods are formulated. The theoretical model is used in a simulation environment to extensively test and compare the performance of the proposed FDI methods in different types of flight conditions. The first method investigated is a multiple model adaptive estimator (MMAE), which incorporates a bank of Kalman filters. Each Kalman filter in the MMAE is conditioned for each expected actuator fault scenario. The limitations of using linear Kalman filters are explained and they are replaced by extended Kalman filters, whose associated advantages and disadvantages are discussed. Each filter in the bank of Kalman filters produces a residual vector and residual covariance matrix. This information is subjected to a Bayes classifier to determine the fault scenario which will have the highest likelihood of being active. The second method that is studied incorporates the parity space approach for FDI. The parity space consists of the parity relations that quantify all the analytical redundancies available between the sensors’ outputs and actuator inputs of a system. A transformation matrix is then optimised to transform these parity relations into residuals that are specially sensitive to specific actuator faults. Actuator faults cause the parity space residuals’ variance to increase. A cumulative summation procedure is used to determine when the residuals’ variance has changed sufficiently to indicate an actuator fault. A pseudoinverse actuator estimation scheme is used to extract the actuator deflections from the parity relations. The FDI performance is tested by deliberately failing specific actuators of the Meraka Modular UAV in-flight. The flight test data is then used to analyse and compare the performance of the two FDI methods investigated in the research. It is found that, for the specific Meraka Modular UAV, the FDI performs as expected with disturbance effects and actuator excitation influencing the FDI effectiveness. The research shows that the bank of Kalman filters creates less false alarms whereas the parity space FDI is more sensitive to faults. It is illustrated that FDI can be improved with active actuator excitation and process noise estimation techniques, delivering promising results. / AFRIKAANSE OPSOMMING: Fout-deteksie en -isolasie (FDI) is belangrik vir ’n stelsel se beheerder om foute te kan hanteer. Die Elektroniese Stelsellabaratorium (ESL) by die Universiteit van Stellenbosch het die behoefte geïdentifiseer om te gaan kyk na moontlike FDI-stelsels wat gebruik kan word op hul onbemande vliegtuie (OV). In hierdie navorsing is daar na twee FDI-metodes gekyk wat op die Meraka Modulêre OV toegepas kan word. Die Meraka Modulêre OV is ’n vliegtuig wat deur die WNNR ontwikkel is. ’n Eenvoudige sesgrade- van-vryheid, nie-liniêre wiskundige model van die Meraka Modulêre OV is ontwikkel, en die FDI-metodes is rondom hierdie model geformuleer. Die teoretiese model is gebruik in ’n simulasie-omgewing en die werkverrigting van die twee FDI-metodes is in verskillende vlug-omstandighede getoets en vergelyk. Die eerste metode waarna gekyk is, was ’n multi-model aanpasbare afskatter (MMAA), wat ’n bank van Kalman-filters gebruik. Elke Kalman-filter in die MMAA is gekondisioneer vir elke denkbare aktueerder-fout. Die beperkinge rondom liniêre Kalman-filters is uitgelig en vergelyk met uitgebreide Kalman-filters, waarvan die voor- en nadele bespreek is. Elke filter in die MMAA produseer ’n residu-vektor en residu-kovariansiematriks. Hierdie informasie is na ’n Bayes-klassifiseerder gestuur om te bepaal watter fout-senario die grootste waarskynlikheid het om aktief te wees. Die tweede metode waarna gekyk is, het die pariteitsruimte vir FDI gebruik. Die pariteitsruimte is uit al die pariteitsverwantskappe opgebou wat die verhoudings tussen al die insette en uitsette van ’n sisteem kwantifiseer. ’n Transformasie-matriks is geoptimaliseer om hierdie pariteitsverwantskappe te transformeer na residue wat elkeen sensitief is tot ’n spesikiefe aktueerderfout. ’n Spesifieke aktueerderfout veroorsaak dat ’n spesifieke residu se variansie verhoog. ’n Kummulatiewe sommeringsproses is dan gebruik om te bepaal of die variansie genoegsaam toegeneem het. Sodoende kon daar bepaal word of ’n fout ontstaan het. ’n Pseudo-inversaktueerder-afskattingstegniek is gebruik om die afgeskatte aktueerderdefleksie uit die pariteitsverwantskappe te onttrek. Die FDI-werkverrigtinge van die twee metodes is getoets deur sekere aktueerders met opset te laat faal gedurende vlugtoetse. Die vlugtoetsdata is gebruik om die werkverrigting van die FDI-metodes te analiseer en met mekaar te vergelyk. Met die spesifieke Meraka Modulêre OV is, soos te wagte, bevind dat versteurings en aktueerderopwekking ’n groot invloed op die FDI’s se werkverrigtinge toon.