基于RBF时间序列预测器的传感器故障诊断方法研究

研究了一种基于径向基函数(RBF)神经网络时间序列预测器诊断传感器故障的方法.以压力传感器的过载故障为模型,先用RBF神经网络建立时间序列预测模型,然后利用预测模型对传感器的输出作预测,再和传感器实际输出比较,从而判断传感器是否发生故障,并对发生故障的传感器进行数据重构.仿真实验证实了该方法可以有效地进行传感器故障诊断和数据重构,并可推广到其他传感器中.     

基于RBF网络的模拟移动床PH传感器故障诊断

为了提高模拟移动床控制系统PH传感器的可靠性,提出了一种基于两级RBF神经网络的故障诊断方法.该方法首先利用径向基(RBF)神经网络对传感器的输出序列建立预测模型,通过计算预测输出和实际输出的残差来检测故障的发生,然后时包含故障的残差信号利用小波变换进行特征提取,最后利用RBF诊断网络实现故障诊断.通过把这种方法应用到实际诊断测试中,可达到较准确的诊断结果.     

基于RBF网络的模拟移动床PH传感器故障诊断

为了提高模拟移动床控制系统PH传感器的可靠性,提出了一种基于两级RBF神经网络的故障诊断方法。该方法首先利用径向基(RBF)神经网络对传感器的输出序列建立预测模型,通过计算预测输出和实际输出的残差来检测故障的发生,然后对包含故障的残差信号利用小波变换进行特征提取,最后利用RBF诊断网络实现故障诊断。通过把这种方法应用到实际诊断测试中,可达到较准确的诊断结果。     

基于CRIO的数控机械在线监测诊断系统设计

目前提出的数控机械在线监测诊断系统温度采集准确度较低,导致诊断过程稳定性及准确性较差,为此基于CRIO设计了一种新的数控机械在线监测诊断系统,以期更好地分析数控机械的运行状态;通过数控机床在线监测模块、远程设备管理模块及故障诊断模块组成系统总结构,硬件设备包括NTI CRIO驱动器、新型伺服电动机、采集卡、传感器以及PC上位机,设计多参数在线监测模块、网络控制模块、设备管理模块和故障诊断模块;在采集信号中提取数控机械运行状态数据,通过格拉布斯准则估算标准偏差,去掉误差数据后,输出有效数据,完成数据的采集及存储,实现数控机械在线监测诊断系统设计;实验结果表明,基于CRIO的数控机械在线监测诊断系统的温度采集准确率为99%,振动信号采集准确率为95%,可以有效提高采集精准度,增强数控机械在线监测诊断系统的准确性及稳定性。     

基于神经网络的传感器故障诊断的研究

为了实现对传感器故障的在线诊断.建立了基于神经网络和虚拟仪器的传感器诊断系统.首先介绍了神经网络和虚拟仪器技术,提出了在线诊断的原理,并用LabVIEW编程实现.通过仿真比较两种神经网络的性能,确定选择RBF神经网络,并用矿井水处理厂取得的传感器数据进行仿真,结果表明,方法可行.     

用RBF神经网络改善传感器输出特性

针对传感器输出易受温度、湿度等因素影响的问题,提出利用RBF神经网络良好的学习、泛化和非线性逼近能力改善传感器的输出特性.RBF神经网络采用不需要事先确定隐层单元个数、可在线自适应学习的最近邻聚类学习算法.将该算法用于易受温度影响的压力传感器的非线性校正,仿真结果表明RBF神经网络在对传感器输出信号的补偿精度和网络训练速度方面均优于BP神经网络和传统的非线性补偿方法.该方法可推广应用于其他传感器输出特性的优化.     

基于神经网络观测器的飞控传感器在线故障诊断

为提高无人机飞行安全可靠性,针对飞行控制系统中常出现的传感器故障以及非线性气动力模型参数难以确定的问题,提出了基于BP神经网络观测器估计的故障诊断方法;引用LM改进算法对网络参数进行调整,构造了神经网络观测器模型逼近非线性系统,并运用于飞行控制系统进行在线数字仿真,对垂直陀螺输出卡死故障、恒偏差故障和恒增益故障分别进行仿真分析;仿真结果表明,所设计神经网络观测器可以有效估计系统输出,在线诊断传感器故障。     

基于神经网络传感器组改障诊断方法研究

对于系统状态检测与故障诊断,传感器自身故障的及早发现很重要.本文提出了一种基于神经网络和冗余率计算的传感器组故障监测与诊断的新方法.该方法先用RBF神经网络对传感器组中的各个输出进行预测,若预测值与输出值发生较大的偏差,可能是传感器故障或设备故障,运用传感器之间的冗余率,进一步判断传感器是否发生故障,进而采用对应的诊断策略.     

基于神经网络传感器组故障诊断方法研究

对于系统状态检测与故障诊断,传感器自身故障的及早发现很重要。本文提出了一种基于神经网络和冗余率计算的传感器组故障监测与诊断的新方法。该方法先用RBF神经网络对传感器组中的各个输出进行预测,若预测值与输出值发生较大的偏差,可能是传感器故障或设备故障,运用传感器之间的冗余率,进一步判断传感器是否发生故障,进而采用对应的诊断策略。     

多模型传感器故障软闭环容错控制研究

针对一类非线性系统建立精确机理模型困难、且仅用单一模型进行故障检测与容错不甚可靠等问题,提出一种基于数据驱动的多模型传感器故障软闭环容错控制方法,并对非线性系统中卡死、恒增益、恒偏差等常见传感器故障进行了研究。首先采用历史数据建立了系统的RBF神经网络、最小二乘支持向量机和核部分最小二乘三种预测模型,并基于序贯概率比检验算法同时以多个模型产生的残差对传感器进行故障检测;当检测出传感器发生故障时,则用系统多个预测模型的融合值代替传感器的输出,从而以软闭环方式实现对传感器故障的容错控制。最后将所提出的方法应用于一阶水箱液位控制系统,实验结果表明多残差与序贯概率比检验算法的结合能够可靠诊断传感器故障,多预测值优化融合的软闭环可对传感器故障实现安全、高性能容错。     

基于小波包神经网络的传感器故障诊断方法

讨论了小波包神经网络在传感器故障诊断中的应用问题.文中提出了将小波包分解提取各个节点特征能量与RBF神经网络进行模式分类的传感器故障诊断方法.通过三层小波包分解得到各个节点的分解系数,通过一定的削减算法使得故障的瞬态信号的特征得到加强,再根据重构的时域信号计算各个节点对应的能量,作为特征向量训练RBF神经网络.通过各种故障模式特征数据的训练,RBF网络具有了传感器故障诊断的功能.最后,通过工业锅炉流量传感器数据对训练之后的RBF神经网络进行检验,验证了这种方法的实用性和有效性.     

基于RBF神经网络的高分子湿度传感器的研究

针对传感器在自动化系统中的重要性,指出了传感器故障诊断的必要性、可行性以及实现的基本方法。根据神经网络的原理与特点,阐述了基于RBF神经网络的传感器故障诊断的基本理论和优点,提出了一种基于RBF神经网络用于高分子湿度传感器进行故障诊断的方法。     

Sensor fault diagnosis for a class of time delay uncertain nonlinear systems using neural network

In this paper, a sliding mode observer scheme of sensor fault diagnosis is proposed for a class of time delay nonlinear systems with input uncertainty based on neural network. The sensor fault and the system input uncertainty are assumed to be unknown but bounded. The radial basis function (RBF) neural network is used to approximate the sensor fault. Based on the output of the RBF neural network, the sliding mode observer is presented. Using the Lyapunov method, a criterion for stability is given in terms of matrix inequality. Finally, an example is given for illustrating the availability of the fault diagnosis based on the proposed sliding mode observer.     

Fault detection and diagnosis using statistical control charts and artificial neural networks

In order to operate a successful plant or process, continuous improvement must be made in the areas of safety, quality and reliability. Central to this continuous improvement is the early or proactive detection and correct diagnosis of process faults. This research examines the feasibility of using cumulative summation (CUSUM) control charts and artificial neural networks together for fault detection and diagnosis (FDD). The proposed FDD strategy was tested on a model of the heat transport system of a CANDU nuclear reactor.The results of the investigation indicate that a FDD system using CUSUM control charts and a radial basis function (RBF) neural network is not only feasible but also of promising potential. The control charts and neural network are linked by using a characteristic fault signature pattern for each fault which is to be detected and diagnosed. When tested, the system was able to eliminate all false alarms at steady state, promptly detect six fault conditions, and correctly diagnose five out of the six faults. The diagnosis for the sixth fault was inconclusive.     

基于人工智能技术的不完备信息系统智能诊断方法研究

为了提高不完备信息系统故障诊断的正确性与效率,本文提出一种基于粗糙集理论、蚁群优化算法和RBF神经网络相结合的故障智能诊断方法。该方法首先利用“条件组合补齐算法”对不完备的数据进行完备化处理,再利用粗糙集对条件属性进行知识约简,得到具有最大完备度的最小规则集,接着用蚁群算法优化RBF神经网络的权值,并将最小规则集用于训练RBF神经网络模型,获得故障智能诊断模型。通过实际工程数据验证故障智能诊断模型的有效性,结果表明提出的方法能有效实现系统故障的诊断。     

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。     

基于智能容错算法的多传感器皮带秤

传统的多传感器电子皮带秤不具有故障传感器容错功能。针对上述缺陷,提出一种新方法,该方法根据多路传感器之间的相关性,利用径向基函数神经网络（RBFNN）建立故障传感器的预估网络,并将预估信号与其他几路正常传感器信号组合,完成任一传感器在故障状态下的皮带秤称重。经模拟数据仿真,这种方法可有效避免由于传感器故障而产生的计量误差。     

基于狼群算法的RBF神经网络模拟电路故障诊断

提出了一种新的方法来进行模拟电路故障诊断。该方法包括Haar的小波分解,对数据的归一化处理,以及用狼群算法优化RBF神经网络。用Haar小波对所得的电路原始故障数据集进行变换,然后对变换后的数据进行归一化处理,最终得出RBF神经网络训练所需的输入数据。针对RBF神经网络中隐层节点中心、基函数宽度及权值选取困难问题,使用狼群算法来优化训练RBF神经网络,以提高网络训练稳定性与诊断成功率。通过两个电路的诊断实例,来论述这些方法的具体实现过程,验证用该方法进行模拟电路故障诊断的可行性。     

基于样条权函数神经网络的传感器故障诊断

在技术高速发展的今天,传感器用于各行各业,加之这些年来,家用电器、汽车、信息产业三方面的飞速发展,传感器需求量增大,传感器故障诊断技术变得尤为重要,并且对提高系统的可靠性具有重要意义。利用神经网络对传感器故障进行诊断的方法克服了分析冗余方法需要的系统精确数学模型的问题,并且可以处理非线性数据。文中详细阐述了样条权函数神经网络的结构、原理,在分析传感器主要故障的基础上,提出了样条权函数神经网络的传感器故障诊断方案。Matlab仿真和模拟实验结果表明,样条权函数神经网络可以解决传感器故障检测问题。