基于径向基神经网络的称重设备传感器故障检测方法

在对称重设备数字化改造的过程中,有些研究人员提出了对某一特定传感器的故障诊断方法,但对于非指定传感器或者两个传感器同时发生故障的情况却没有检测方法.为此,本文提出了一种基于径向基神经网络预测的任意一个或两个称重传感器的故障检测方法.本文首先建立单个传感器的预测模型和任意两个传感器的预测模型,然后通过这两个预测模型计算出任意一个称重传感器的预测值和任意两个传感器的预测值,根据预测值与实际值之间的差值判断称重传感器故障个数、位置、类型等信息.实验表明,当称重传感器的输出误差大于0.3 t时使用此方法可以准确检测出称重传感器的故障信息.     

基于神经网络的航空传感器故障检测

用离线训练的神经网络进行导航传感器故障检测。首先,用已获得的正常飞行数据通过离线训练的方法训练神经网络并构造估计器的结构,然后用已选择好结构并训练好的神经网络作为估计器对传感器的读数进行一步预测。若预测值与传感器实际值之间的差值仅为递推误差和传感器输出噪声,则认为传感器工作正常,若相应的残差分量显著增大,则认为传感器故障。因此设计了相应的检测策略进行故障检测,以达到既避免不必要的报警、切换,又准确、及时的监测、报警。通过仿真试验验证,结果证明该方法可行。     

基于解析冗余的传感器故障检测、分离与辨识

深入研究了基于解析冗余技术的传感器故障检测、分离与辨识方法 ,并用实验评价该方法的性能。     

基于神经网络的导航传感器故障检测

试用离线训练的神经网络进行导航传感器故障检测。首先用从某船试航时的一段数据中选出的包含多种航行状态的数千组平台罗经读数训练神经网络并同时选择神经网络的输入延迟数和隐层单元数。然后用已选择好结构并训练好的神经网络作为在线估计器对平台罗经的读数进行一步预测。最后根据平台罗经的读数与其对应的预测值之间的差值进行故障检测。分别用同一艘船同一次试航的两段平台罗经读数进行训练和故障检测仿真,结果证明该方法可行。     

多分辨力传感器信息融合中的故障检测与恢复

首先建立了一个具有故障检测与隔离功能的分散式滤波器结构,讨论了传感器及局部滤波器的故障检测与隔离算法,然后研究了系统重构与故障恢复方法。在此基础上,通过引入小波变换提出了一种多分辨力传感器信息的动态融合方法。     

传感器故障检测的仿真研究

该文主要介绍了连续小波变换和BP神经网络在传感器故障诊断中的应用,并就如何将小波变换和神经网络结合起来进行故障检测进行了有益的探讨、研究,最终借助于matlab软件和它自带的simulink工具以及相关的信号处理工具包做了仿真算例,获得了满意的效果,证明了这两种方法的可行性。     

基于径向基函数神经网络预测器的多传感器故障在线检测和信号恢复的研究

理论研究及大量实践表明:径向基函数神经网络具有较强的函数逼近能力,学习速度优于常用的BP网络.本文利用径向基神经网络构成传感器输出预测器实现了多传感器故障在线检测和信号恢复.文中阐述了预测器的构成及其在线学习算法.通过仿真研究证明:该预测器对传感器输出具有很好的在线预测、跟踪能力.当某传感器发生故障时,在及时准确地发出报警信号的同时,对瞬时故障,能很好地恢复故障期间传感器正常的输出,即消除瞬时故障对系统正常运行的影响;对长期故障,能在故障发生后一定的时间范围内,正确估计出传感器正常输出,以保证系统的正常运行.     

基于神经网络观测器的飞行器传感器故障检测

为了避免传感器故障对飞控系统的影响,实现传感器故障的快速检测与隔离,提出了一种基于神经网络观测器(NNOB)的传感器故障检测方法。在建立四旋翼飞行器姿态故障模型的基础上,利用非线性观测器得到的期望输出和传感器测量值设计基于神经网络(NN)的传感器故障观测器,利用扩展卡尔曼滤波器(EKF)更新神经网络的权值参数,通过Lyapunov理论证明权值参数更新的收敛性,最终构建出一种基于神经网络观测器的传感器故障检测系统。数值仿真实验结果表明,与现有神经网络故障检测方法相比,所提方法具有更高的故障检出率与更好的跟踪性能。     

模糊方向神经网络及其在故障检测与分离中的应用

提出一种用于我工况对象系统故障检测与的模糊方向神经网络,神经网络用模糊集表示故障模式,模糊集是由模糊超体聚集形成的集合体,模糊超体是由单位方向、夹角和两个半径确定,模糊方向神经网络能在一次循环学习中形成非线性方向边界,并不断融合新样本信息和精炼已存在的故障模式。发动机故障检测与分离的仿真研究验证了模糊方向神经网络分类器的优越性能。     

水下机器人多传感器并发故障检测方法

针对水下机器人多传感器并发故障检测问题,提出了一种小波分析和神经网络相结合的故障特征提取方法,将小波多分辨率分解后的细节系数进行小波重构,对重构后的细节系数进行融合得到整体高频细节信息量作为一类故障特征值;同时,基于改进的Elman 网络建立水下机器人的全阶状态观测器模型,模型输出与传感器测量值之间的差值作为另一类故障特征值．为进行水下机器人多传感器并发故障定位,提出了一种模糊加权属性信息融合方法,将两类故障特征值的重要度与可信度进行模糊合成转换,基于转换结果将各故障特征值加权融合,进行水下机器人多传感器并发故障定位．水下机器人实验样机的水池实验结果验证了本文所提方法的可行性和有效性．     

基于神经网络的传感器冗余方法研究􀀁

本文把传感器硬件冗余技术、BP网络以及串并联Elman递归神经网络结合起来,提出了一种新方法用于构造具有传感器故障检测、分离且具有冗余能力的智能传感器系统。这可以减少硬件冗余技术中使用传感器的个数、消除硬件冗余技术中对冗余传感器应具有相同参数特性的要求,同时可以提高系统预报的准确性,仿真结果验证了这一方法的有效性。     

用自联想神经网络处理发动机测量参数

自联想神经网络(AANN)采用了一种带有瓶颈层的特殊结构,且具有单位总增益。在经过大量带噪声样本的训练之后,各变量之间能够建立起内在联系。输入信息通过瓶颈层前的压缩及瓶颈层后的解压缩过程,信息中的精华将被提取,从而使人们能够利用冗余信息抑制其测量噪声。在基于发动机测量参数的故障诊断过程中,应用自联想神经网络作为滤波器对测量参数进行预处理,可以大大提高故障诊断的准确率。     

MRNN:一种新的基于改进型递归神经网络的WSN动态建模方法:应用于故障检测

提出了一种适用于无线传感器网络WSN的故障检测方法,该方法运用改进的递归神经网络MRNN为WSN的节点、节点的动态特性以及节点间的关系建立相关模型,对WSN节点进行识别和故障检测。MRNN的输入选择建模节点的先前输出值及其邻居节点的当前及先前输出值,模型基于一种新的改进的反向传播型神经网络,该神经网络的输入以及传感器网络的拓扑结构基于通用的非线性传感器模型。仿真实验将MRNN方法与卡尔曼滤波法进行了全面的比较。实验表明,MRNN在置信因子较小的情况下与卡尔曼滤波方法相比有较高的故障检测精度。     

基于马尔可夫链的自适应性神经网络训练算法

提出一种基于马尔可夫链的自适应性神经网络训练方法,对传统的S型激励函数进行了改进,建立了自适应性的神经网络分类器。在假设样本中噪声服从于正态分布的情况下建立最大似然估计,通过后验概率建立马尔科夫链对样本进行训练,提高了神经网络训练速度。在轴承故障诊断中的测试结果表明,该算法可以迅速稳定地训练出神经网络,有效提高诊断的分类结果。     

基于自联想神经网络的传感器故障诊断

提出一种基于自联想神经网络(AANN)的新算法用于系统中传感器故障诊断。阐述了AANN的结构和算法。具体说明了搜寻2个故障传感器和恢复信号的方法。用改进的AANN诊断有噪声情况下传感器跳变故障并恢复信号。本方法有易实现、结构简单的优点,仿真结果表明:本方法是可行的。     

循环神经网络研究综述

循环神经网络是神经网络序列模型的主要实现形式,近几年得到迅速发展,其是机器翻译、机器问题回答、序列视频分析的标准处理手段,也是对于手写体自动合成、语音处理和图像生成等问题的主流建模手段.鉴于此,循环神经网络的各分支按照网络结构进行详细分类,大致分为3大类:一是衍生循环神经网络,这类网络是基于基本RNNs模型的结构衍生变体,即对RNNs的内部结构进行修改;二是组合循环神经网络,这类网络将其他一些经典的网络模型或结构与第一类衍生循环神经网络进行组合,得到更好的模型效果,是一种非常有效的手段;三是混合循环神经网络,这类网络模型既有不同网络模型的组合,又在RNNs内部结构上进行修改,是同属于前两类网络分类的结构.为了更加深入地理解循环神经网络,进一步介绍与循环神经网络经常混为一谈的递归神经网络结构以及递归神经网络与循环神经网络的区别和联系.在详略描述上述模型的应用背景、网络结构以及模型变种后,对各个模型的特点进行总结和比较,并对循环神经网络模型进行展望和总结.     

径向基函数网络预测混合气体浓度

基于气体传感器阵列的混合气体分析方法及研究现状,对径向基函数神经网络对混合气体浓度预测进行了研究.用气体传感器阵列对由四种不同气体组成的混合气体进行测量并以这些测量数据为样本对径向基函数网络进行训练,训练后可使径向基函数网络对各气体成分的浓度预测误差不大于6%.     

基于模糊神经网络的机械故障诊断方法的研究

本文针对机械传动系统典型零部件的故障,应用振动谱分析方法,给出故障诊断的模糊规则,并采用模糊神经网络实现诊断推理,文中举例说明了该诊断方法。     

Fault Diagnosis Based on the Fuzzy‐Recurrent Neural Network

A fuzzy‐recurrent neural network (FRNN) has been constructed by adding some feedback connections to a feedforward fuzzy neural network (FNN). The FRNN expands the modeling ability of a FNN in order to deal with temporal problems. A basic concept of the FRNN is first to use process or expert knowledge, including appropriate fuzzy logic rules and membership functions, to construct an initial structure and to then use parameter‐learning algorithms to fine‐tune the membership functions and other parameters. Its recurrent property makes it suitable for dealing with temporal problems, such as on‐line fault diagnosis. In addition, it also provides human‐understandable meaning to the normal feedforward multilayer neural network, in which the internal units are always opaque to users. In a word, the trained FRNN has good interpreting ability and one‐step‐ahead predicting ability. To demonstrate the performance of the FRNN in diagnosis, a comparison is made with a conventional feedforward network. The efficiency of the FRNN is verified by the results.