基于概率超球集神经网络的发动机故障诊断

提出了一种用于发动机故障检测与诊断的概率超球集神经网络．神经网络用概率集表示发动机故障模式,概率集是由超球聚集形成的集合体,超球是由球心和半径确定．概率超球集神经网络能在两次循环中完成学习过程,并能不断融合新样本信息和精炼已存在的故障模式．YF-20发动机故障检测与诊断的仿真研究验证了概率超球集神经网络分类器的优越性能．     

模糊超球神经网络在模式聚类中的应用

提出和实现了用于模式聚类的无监督模糊超球神经网络.模式集是一个具有超球核 的用隶属函数表示的模糊集,模式集又可以合并成模式类.模糊超球神经网络学习算法能在 几次循环学习中形成模式集,无需对已知模式集重新训练就可融合新样例和精炼已存在的模 式集.模式聚类的数值仿真解释了模糊超球聚类神经网络的优越性能.     

基于模糊模式识别的超圆神经网络模型

模糊模式识别是模糊集理论研究中的重要方向,神经网络是数据挖掘中的一种常用方法。超圆神经网络的学习时间和网络模型理解性都优于BP神经网络,它能以较少的数据量蕴涵同样的信息量。文章依据超圆神经网络模型思想,提出了一种新的基于模糊模式识别的神经网络模型算法,该算法继承了超圆神经网络的优点,能有效地对样本进行学习。     

基于动态模糊聚类分析的模糊集划分新方法

由于模拟电路具有容差特征,用故障字典法进行故障诊断时,传统的模糊集划分方法就存在弊端.针对这种弊端;采用模糊理论中的动态聚类分析法来改善传统模糊集的划分;首先用蒙特卡罗分析法进行电路容差分析,然后用动态模糊聚类分析方法,对电路故障状态进行分类,形成新的模糊集划分方法;实验结果证明了新划分方法的可行性和有效性,并显著提高电路故障的检测率和隔离率.     

非线性系统的鲁棒故障检测与诊断

研究了一类具有未建模动态或扰动的非线性系统的鲁棒故障检测与诊断问题,利用神 经网络、模糊系统或小波网络等对非线性故障模式进行在线逼近的方法进行故障诊断.第一步， 对用于鲁棒故障检测的观测器,建立了保证观测器稳定的增益阵的选择条件;第二步,若检测出 发生故障,则用神经网络、模糊系统或小波网络进行故障的在线估计,建立了估计误差界,结果 显示输出估计误差将收敛到由扰动上界或建模误差上界线性确定的范围内.     

基于结构上下文的模糊神经网络自动目标检测方法

提出了一种基于结构上下文的模糊神经网络(SCFNN)自动目标检测方法。模糊神经网络方法既具有神经网络的自适应性、并行性、鲁棒性、容错性、优化等优点，又集成了模糊集理论运用知识、规则描述解决系统不确定性的优点，因此成为图像处理和模式识别的一种强有力工具。使用模糊测度作为神经网络的目标函数可以有效地描述像素类别的不确定性，从而通过使其最小实现图像分类优化。对网络神经元加权过程进行结构上下文信息约束可以充分减小图像信息尤其是目标边缘等特性包含丰富信息的损失，有效地保持目标的轮廓和形状等属性，改善目标检测的误检率。针对目标遥感图像的实验，验证了SCFNN方法具有很好的自动目标检测能力，而相对于传统神经网络方法，具有有效的不确定性解决能力和更好的目标形状保持能力。     

航空发动机排气温度测量通道故障智能检测方法研究

EGT（Exhaust Gas Temperature,排气温度）测量通道故障是一种典型的航空发动机测量系统故障,如果试验过程中不能及时发现,就存在不能及时排除EGT超温、发动机喘振、发动机异常停车等故障的可能,造成重大安全隐患。通过对EGT测量通道故障现象和数据的分析,提出了一种EGT测量通道故障模糊神经网络检测算法。该算法将高压转速偏差、低压转速偏差和排气温度偏差作为模糊逻辑系统的输入参数,通过模糊推理实现故障检测。高压转速、低压转速和排气温度的估计值通过试飞数据训练的神经网络估计模型获得。理论分析和试飞数据验证结果表明,该方法具备实时检测EGT测量通道故障的能力,且具有良好的稳定性,可以满足工程应用要求。     

基于模糊超球的模糊神经网络初始参数设定

在人们常用到的模糊神经学习算法中很少讨论如何设置并调整初始的权值参数，这样就会影响模糊神经学习算法的准确度。使得目标函数值很大。虽然在改进的模糊神经学习算法中使用模糊C均值聚类方法来确定模糊规则的初始参数。但是这种方法必须已知模式集的数目，这就限制了模糊神经网络的应用范围。因此，将模糊超球神经网络的思想与模糊神经网络有机的结合起来，通过不断调整超球的中心和半径以及超球的数目，优化模式集的边界，来确定权值参数，利用这种方法确定初始参数可以减小误差，提高算法的准确度，使目标函数值减小。     

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．     

模糊神经系统研究综述

１前言最近几年，当使用神经网络的空间复杂性来克服模糊控制的时间复杂性时，两者结合便诞生了模糊神经系统。１９６５年，美国自动控制学者Ｚ．Ａ．Ｚａｄｅｈ提出模糊集合的概念，首创模糊集理论，用于描述没有明确界限和模糊外延的现象。３０多年来，模糊集理论有了飞...     

A fuzzy inference system for fault detection and isolation: Application to a fluid system

This work focuses on the design and implementation of a fuzzy inference system for fault detection and isolation (FDI) which can learn from example fault data, and the determination of a suitable optimisation strategy for the membership functions. A FDI system was developed which is based on adaptive fuzzy rules. A number of optimisation strategies were then applied; it was found that an evolutionary algorithm not only produced the best results but did so with relatively little processing effort and with excellent consistency.The adaptive fuzzy system, thus optimised, was tested against a neural network, which was trained to produce analogue outputs as an indication of fault magnitude. The fuzzy solution produced the best accuracy.We can conclude that an adaptive fuzzy inference system for FDI, using an evolutionary algorithm to learn from examples, can provide an accurate and readily comprehensible solution to diagnosing and evaluating fluid process plant faults.     

FDI approach to the DAMADICS benchmark problem based on qualitative reasoning coupled with fuzzy neural networks

A computer-assisted fault detection and isolation (FDI) based on a fuzzy qualitative simulation algorithm used for fault detection purposes, coupled with a hierarchical structure of fuzzy neural networks used to perform the fault isolation task, is presented. The DAMADICS benchmark actuator system has been used as test bed of the current FDI system. Single abrupt and incipient faults, as well as multiple simultaneous faults have been considered to test the overall system robustness. The results obtained prove the efficiency of the proposed FDI system.     

电子电路模糊神经网络故障诊断研究及仿真

针对模拟电路的故障特点,在确定智能诊断算法的基础上,论文尝试用高级语言编程来仿真实现.论文主要讨论了故障诊断的神经网络方法和将输入模糊化后的模糊神经网络方法,该方法结合了模糊逻辑和神经网络的优缺点,对于电阻元件的软故障,用模糊神经网络得到了比较理想的结果,对于所选的电路,用模糊神经网络可以对电阻增大和减小进行识别,实现了模拟电路软故障的辨识.对于模糊规则分不开的故障,可以运用神经网络进一步细分.论文着重以具体的模拟电路为研究对象编程模拟了诊断方法,结果证明这样的诊断方法是有效的.     

基于模糊神经网络的复杂网络故障诊断设计

针对雷达等复杂大型电子装备网络系统的故障定位难、影响关系不清晰的问题,采用了基于模糊神经网络的故障定位方法,提高了网络故障定位的快速性与准确性：首先介绍了模糊隶属度及模糊神经元等理论,接着基于模糊理论将网络监测信息进行模糊化处理,并利用神经网络模型对模糊后的信息进行训练与学习,参数训练达到设置的期望误差0.01;最后利用训练好的模型对随机抽取的2组网络故障实例进行了验证,软件执行单次诊断耗时3.5s;结果表明采用基于模糊神经网络的诊断方法,能够较好解决网络故障耦合复杂、故障现象与故障原因关系不清晰等难题,对网络故障快速排除与恢复具有重要意义。     

基于模糊自组织映射神经网络的故障诊断方法

在研究Kohonen自组织映射网络理论的基础上运用模糊理论方法建立了刹车系统模糊故障诊断模型。该模型只需选择足够的具有代表性的故障样本训练神经网络，将代表故障的信息输入给训练好的神经网络，根据神经网络的输出结果，就可以判断发生故障的类型。该模型除能识别已训练过的故障，还能识别未训练过的故障，并且聚类能力强、速度快，因此很符合复杂系统的故障诊断。     

Design of a novel knowledge-based fault detection and isolation scheme

In this paper, a real-time fault detection and isolation (FDI) scheme for dynamical systems is developed, by integrating the signal processing technique with neural network design. Wavelet analysis is applied to capture the fault-induced transients of the measured signals in real-time, and the decomposed signals are pre-processed to extract details about a fault. A Regional Self-Organizing feature Map (R-SOM) neural network is synthesized to classify the fault types. The R-SOM neural network adopts two regions adjustment in the learning algorithm, thus it has high precision in clustering and matching, especially when the noise, disturbance and other uncertainties exist in the systems. As a result, the proposed FDI scheme is robust and accurate. The design is implemented on a stirred tank system and satisfactory online testing results are obtained.     

Forecasting of Software Reliability Using Neighborhood Fuzzy Particle Swarm Optimization Based Novel Neural Network

This paper proposes an artificial neural network (ANN) based software reliability model trained by novel particle swarm optimization (PSO) algorithm for enhanced forecasting of the reliability of software. The proposed ANN is developed considering the fault generation phenomenon during software testing with the fault complexity of different levels. We demonstrate the proposed model considering three types of faults residing in the software. We propose a neighborhood based fuzzy PSO algorithm for competent learning of the proposed ANN using software failure data. Fitting and prediction performances of the neighborhood fuzzy PSO based proposed neural network model are compared with the standard PSO based proposed neural network model and existing ANN based software reliability models in the literature through three real software failure data sets. We also compare the performance of the proposed PSO algorithm with the standard PSO algorithm through learning of the proposed ANN. Statistical analysis shows that the neighborhood fuzzy PSO based proposed neural network model has comparatively better fitting and predictive ability than the standard PSO based proposed neural network model and other ANN based software reliability models. Faster release of software is achievable by applying the proposed PSO based neural network model during the testing period.      

一类基于神经网络非线性观测器的鲁棒故障检测

针对一类仿射非线性动态系统,提出了一种基 于神经网络非线性观测器的鲁棒故障检测与隔离的新方法．该方法采用神经网络逼近观测器 系统中的非线性项,提高了状态估计的精度,并从理论上证明了状态估计误差稳定且渐近收 敛到零;另一方面引入神经网络分类器进行故障的模式识别,通过在神经网络输入端加入噪 声项来进行训练,提高神经网络的泛化逼近能力,从而保证对被监测系统的建模误差和外部 扰动具有良好的鲁棒性．最后,利用本文方法针对某型歼击机结构故障进行仿真验证,仿真 结果表明本文方法是有效的．