基于模块化模糊神经网络的非线性系统故障诊断

提出了一种基于模块化模糊神经网络的非线性系统故障诊断新方法。该方法先使用模糊c-均值聚类法对测量空间进行模块分割,再利用模糊IF－THEN规则对分割后的子空间分别采用局部BP模型进行逼近,最后,通过离线学习获得不同子空间故障输出与测量输入的非线性动力特性。试验表明该网络具有良好的泛化性能,可显著提高非线性系统故障检测的快速性、鲁棒性及准确率。     

一种RVM模糊模型辨识方法及在故障预报中的应用

对复杂、病态、非线性动态系统进行故障预报的重点和难点是建立系统故障状况的数学模型, 通常难以建立精确的数学模型, 相比之下构建其模糊模型是一个有效途径. 本文研究了相关向量机(Relevance vector machine, RVM)与模糊推理系统(Fuzzy inference system, FIS)之间的内在联系, 证明了基于RVM的FIS具有一致逼近性, 并提出了一种基于RVM和梯度下降(Gradient descent, GD) 算法的模糊模型辨识方法. 基于所给出的模糊模型辨识方法提出了一种新的故障预报算法. 仿真结果表明所建立的模糊模型不仅结构更加简单, 而且能达到更高的预测精度, 所提出的故障预报算法能准确地预报系统故障.     

风力发电系统传感器故障诊断

针对非线性风力发电系统,提出了一种基于滑模观测器的传感器故障诊断方法.基于考虑传感器加性故障的非线性动态模型,利用T--S模糊理论建立风力发电系统全局T--S模型,设计模糊T--S系统滑模故障观测器,产生对故障具有敏感性的残差,实现故障检测.通过等价输出控制方法来维持滑模运动,直接获取故障信息,重构传感器故障.最后以三叶片水平轴风力发电系统为例,仿真验证了该方法的有效性与可靠性.     

基于模糊聚类算法的故障数据分析与类型识别

为精确分析测量系统故障数据和识别故障类型,提出一种基于模糊聚类算法的故障数据分析方法。该方法首先用小波变换有效地检测出系统故障的微弱非线性不规则信号,再用模糊聚类的方法对故障进行分类识别。由于该算法在目标函数中加入隶属度函数,同时定义明可夫斯基的距离测度,因此能够克服K-means算法不适用于进行非凸形状的聚类的缺点,从而使诊断的数据更加精确。     

基于模糊聚类算法的故障数据分析与类型识别

为精确分析测量系统故障数据和识别故障类型．提出一种基于模糊聚类算法的故障数据分析方法。该方法首先用小波变换有效地检测出系统故障的微弱非线性不规则信号,再用模糊聚类的方法对故障进行分类识别。由于该算法在目标函数中加入隶属度函数,同时定义明可夫斯基的距离测度．因此能够克服K-means算法不适用于进行非凸形状的聚类的缺点．从而使诊断的数据更加精确。     

多模型粒子滤波的故障诊断方法研究

近年来,非线性非高斯系统的故障诊断问题一直是热点问题也是研究难点.针对非线性非高斯系统的故障检测与定位问题,运用基于粒子滤波( Particle Filter)的似然概率密度函数值的方法来检测系统故障,在检测到故障发生时,运用多模型方法与粒子滤波相结合,进行故障定位,从而进一步改善故障诊断的效果.仿真结果表明,该方法可以对非线性系统进行快速、准确的故障诊断.     

基于KPCA的监控系统传感器异常诊断方法

针对监控系统数据异常时,故障检测准确性不高的问题,提出一种基于监控系统传感器异常的核主元分析(KPCA)检测方法.利用平方预报误差(SPE)统计量和均方贡献值法进行故障检测和故障源的定位,改善了主元分析(PCA)应用于非线性系统故障检测准确性低的问题.分别利用基于KPCA和PCA的故障检测模型进行仿真比较.实验结果表明:KPCA提高了非线性监控系统传感器异常诊断的准确性.     

基于模糊逼近的一类不确定非线性系统的容错控制

针对一类不确定非线性系统,提出了一种模糊容错控制方案.采用模糊T-S模型来逼近非线性系统,由线性矩阵不等式设计模糊模型的控制律.构建了模糊逻辑系统作为补偿器来抵消对非线性系统的建模误差和因故障引起的不确定性,并证明了闭环系统能够满足期望的跟踪性能.仿真实例表明了所提出容错控制方案的有效性.     

模糊概念网络在故障诊断中的应用

基于模糊概念网络模型给出了一种故障诊断的新方法.它利用故障与故障因素间的关联矩阵及其传递闭包,进而完成系统的故障检测.     

基于多征兆系统的模糊Petri网在风机故障诊断中的应用

针对风机系统故障征兆的不确定性和故障规则的冗余性,结合信息量和熵函数的概念,提出了一种基于多征兆系统的故障监测对象组的获取方法,利用监测对象的多征兆对故障知识库进行化简和分类,得到涵盖故障系统全部信息的简化故障规则,建立模糊Petri网模型用于风机的故障诊断.诊断仿真结果表明,基于故障监测对象组提取方法的模糊Petri网模型能够充分表征风机系统的故障,其推理过程接近人的思维活动,是一种有效的故障诊断方法.     

模糊Petri网在车电系统总线故障诊断中的应用

针对车电系统总线故障现象和故障原因之间存在复杂模糊关系而无法实现快速故障诊断这一难题,提出采用模糊Petri网(fuzzy petri net,FPN)建立车电系统总线的故障诊断分析模型,并给出了相应的形式化推理算法;以某型车电系统总线为例,分析比较了各种故障原因的可信度;分析表明:所建模型有效地描述了车电系统总线故障现象和故障原因之间的模糊关系,能够实现故障的快速诊断,该模型可以作为车电系统总线快速故障诊断的理论支持工具。     

基于模糊推理的SDG故障诊断新方法

针对纯定性的SDG推理方法忽略了SDG图中节点之间的影响程度不同导致诊断分辨率不高这一问题,提出了在纯定性SDG推理的基础上用模糊矩阵的形式加入节点间相互影响关系的定量信息的推理新方法,可对多潜在故障源划分优先级,从而提高SDG故障诊断的分辨率。相对于其他模糊SDG故障诊断方法,本方法勿需使用隶属函数,取而代之的是模糊矩阵,后者的获取易于前者,且采用矩阵的表示方法方便了计算机编程的实现。     

Fault Diagnosis and Sliding Mode Fault Tolerant Control for Non‐Gaussian Stochastic Distribution Control Systems Using T‐s Fuzzy Model

For the non‐Gaussian stochastic distribution control system using Takagi‐Sugeno fuzzy model, a new fault diagnosis and sliding mode fault tolerant control algorithm is presented. First, a new adaptive fault diagnosis algorithm is adopted to diagnose the fault that occurred in the system, and the observation error system is proven to be uniformly bounded. Second, the sliding mode control algorithm is used to reconfigure the controller, based on the fault estimation information. The post‐fault probability density function can still track the given distribution, leading to fault tolerant control of non‐Gaussian stochastic distribution control systems using Takagi‐Sugeno fuzzy model. Finally, simulation results show the effectiveness of the proposed method.     

一种基于核密度估计的模拟电路故障诊断方法

为解决模拟电路中含有噪声等异常信息给支持向量机的最优分类面建立带来的困难,提出了一种基于核密度估计方法的模拟电路故障诊断新方法。首先提取电路的时域信号统计参数作为故障特征,然后运用核密度估计方法构造模糊隶属度函数,将该隶属度函数应用到模糊支持向量机上进行故障诊断。通过训练模糊支持向量机获得故障诊断模型,实现对电路单故障和多故障的诊断分类,能有效消除特征中噪声和野点的影响。将该方法应用于CSTV滤波电路进行仿真实验,结果表明该方法能突出不同故障的特性并正确有效地诊断出多故障类型,综合诊断正确率达到95%,为模拟电路故障诊断提供了新的技术途径。     

模糊聚类算法船舶故障诊断中的应用

众多船舶设备构成一个复杂设备系统,对其使用传统的故障诊断方法,不能及时检测出相应故障,进而对船舶的安全运行产生重大影响。因此,本文将WRTCM聚类算法结合模糊故障诊断方法应用到船舶设备的故障诊断中。?WRTCM算法是建立在概率典型性和聚类排斥基础上的一个的新型无噪声模糊聚类方法,它是对RTCM算法的有效改进,该算法解决噪声环境下有可能产生一致聚类中心,从而提高了聚类精度。通过船舶主机轴系的故障数据试验,证明了该算法的有效性。     

基于模糊贝叶斯风险和T-S模糊模型的故障诊断

为解决复杂装备故障诊断中的知识获取和决策制定问题,提出一种数据驱动的故障诊断方法。利用模糊贝叶斯风险模型以风险最小化原则挖掘数据中有价值知识,得到相对最优属性子集,其中生成的概率分布用于T-S(Takagi-Sugeno)模糊规则提取,以分段线性化思想逼近复杂的数据知识。在数值实验中,以C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)发动机数据为研究对象,验证本文方法的有效性,结果表明本文方法适用于复杂装备的故障诊断。与其他知识获取方法对比表明,本文方法可得到更高的诊断准确率。     

Identification of dynamical systems with a robust interval fuzzy model

In this paper we present a new method of interval fuzzy model identification. The method combines a fuzzy identification methodology with some ideas from linear programming theory. On a finite set of measured data, an optimality criterion that minimizes the maximal estimation error between the data and the proposed fuzzy model output is used. The idea is then extended to modelling the optimal lower and upper bound functions that define the band that contains all the measurement values. This results in a lower and an upper fuzzy model or a fuzzy model with a set of lower and upper parameters. The model is called the interval fuzzy model (INFUMO). The method can be used when describing a family of uncertain nonlinear functions or when the systems with uncertain physical parameters are observed. We believe that the fuzzy interval model can be very efficiently used, especially in fault detection and in robust control design.     

一种基于模糊神经网络的故障分类器及其在多传感器故障诊断中的应用􀀁

提出了一种应用模糊神经网络进行故障诊断新方法．采用模糊神经网络作为故障分类器,离线地自适应从学习样本数据中提取各个用以描述故障状态的模糊参考模型．在诊断时,此模糊神经网络在线地得到当前系统的模糊模型描述,并将与各个参考模型相匹配,从而得出正确的诊断结果．它适用范围广泛,如用于控制系统的过程对象以及传感器、执行器故障的检测与诊断．通过对燃汽轮机控制系统多传感器故障诊断的仿真证明了此法的有效性和优越性．