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．     

基于神经网络观测器的一类非线性系统的故障调节

将一般形式的非线性模型线性化为输出反馈型．针对该类系统,首先利用神经网络的一致逼近任意非线性连续函数的性质,构造神经网络自适应观测器,以获取反映故障信息的残差;然后根据残差信息在线估计故障;最后通过修正控制律来补偿故障所带来的影响．并采用Lyapunov稳定性理论证明了系统的稳定性．仿真结果验证了该方法的有效性．     

基于RBF神经网络的非线性系统故障诊断

针对一类模型未知的非线性动态系统,提出了一种基于神经网络在线估计结构的鲁棒故障诊断检测方法.系统中,仅输入输出可测,且包含输出不确定性项.该方法通过构造神经网络在线逼近结构来拟合该非线性系统模型和系统的非线性故障特性,建立系统的状态观测器.神经网络的权重调整规律由李亚普诺夫稳定性方法获得,系统的输出不确定性部分被用于获得诊断算法的阈值.最后,用Matlab/SIMULINK对的算法予以验证,结果表明本算法的合理性.     

一类非线性系统的渐变故障诊断

研究非线性观测器故障诊断优化问题,针对一类状态不能测量的非线性不确定动态系统,提出了一种用RBF神经网络逼近渐变故障的诊断方法。设计非线性观测器来估计系统的状态,利用Lyapunov稳定性定理给出了RBF神经网络的权值、中心、宽度的更新调节律,通过在线调整RBF神经网络的权值、中心、宽度监测和估计系统中发生的非线性故障,实现了状态不能测量的非线性系统渐变故障诊断。最后,仿真例子证明了方法的有效性。     

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RBF神经网络观测器的非线性系统鲁棒故障检测方法

针对一类仿射非线性动态系统，提出一种基于网络非线性观测器的鲁棒故障检测与隔离的新方法，采用ＲＢＦ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，证明了状态估计误差稳定且渐近收敛到零；同时提出了一种新的网络权值调整指标方法，提高了神经网络故障分类器的泛化能力，从而保证该方法对监测系统的建模 外部扰动具有良好的鲁棒性。     

采样非线性系统的动态神经网络稳定自适应控制

研究了一类采样数据非线性系统的动态神经网络稳定自适应控制方法.不同于静态 神经网络自适应控制,动态神经网络自适应控制中神经网络用于逼近整个采样数据非线性系 统,而不是动态系统中的非线性分量.系统的控制律由神经网络系统的动态逆、自适应补偿项 和神经变结构鲁棒控制项组成.神经变结构控制用于保证系统的全局稳定性,并加速动态神 经网络系统的适近速度.证明了动态神经网络自适应控制系统的稳定性,并得到了动态神经 网络系统的学习算法.仿真研究表明,基于动态神经网络的非线性系统稳定自适应控制方法 较基于静态神经网络的自适应方法具有更好的性能.     

基于动态神经网络的非线性组合系统自适应观测器

基于动态神经网络，对一类非线性组合系统提出一种观测器设计方法．在观测器设计中，充分考虑了神经网络逼近误差项对观测器性能的影响，增加了鲁棒控制项，并设计了相应的参数自适应律，以保证良好的观测性能．神经网络的连接权值在线调整，无需离线学习．仿真结果表明了该方法的有效性．     

基于模糊神经网络的非线性系统故障诊断

研究故障观测器优化设计,针对一类非线性动态系统,在考虑系统的输入输出包含外部扰动及建模误差等不确定性项[1]的情况下,为了提高所设计观测器对系统数学模型的在线跟踪能力从而进一步提高故障诊断的鲁棒性减少系统的误报警率,提出了基于模糊神经网络的诊断方法。利用神经网络以及模糊系统对非线性函数的无限逼近能力,设计了基于T-S模糊模型[2]的神经网络自适应观测器来拟合系统的非线性模型和系统的非线性故障特性。由Lyapunov稳定性方法获得调整观测器权重的规律。对所用改进方法的收敛性进行了证明,并通过仿真实例说明了诊断方法的有效性和使用性。     

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。     

Automated fault diagnosis in nonlinear multivariable systems usinga learning methodology

The paper presents a robust fault diagnosis scheme for detecting and approximating state and output faults occurring in a class of nonlinear multiinput-multioutput dynamical systems. Changes in the system dynamics due to a fault are modeled as nonlinear functions of the control input and measured output variables. Both state and output faults can be modeled as slowly developing (incipient) or abrupt, with each component of the state/output fault vector being represented by a separate time profile. The robust fault diagnosis scheme utilizes on-line approximators and adaptive nonlinear filtering techniques to obtain estimates of the fault functions. Robustness with respect to modeling uncertainties, fault sensitivity and stability properties of the learning scheme are rigorously derived and the theoretical results are illustrated by a simulation example of a fourth-order satellite model.     

一类非线性系统的故障检测与容错控制算法

针对仿射非线性系统提出了一种稳定的故障检测及容错控制算法.该算法利用神经网络对系统故障进行建模,在线估计故障向量,监测系统运行情况;在反馈回路中引用故障辅助反馈控制回路,实现容错控制;并基于Lyapunov方法进行了稳定性分析.控制系统可运行于两种模式:系统正常时,采用常规反馈控制器(CC);有故障发生时,引入补偿控制来削弱故障影响,保障系统的正常运行.最后对一类非线性电机的仿真控制结果表明了此容错控制方法的有效性.     

BP神经网络在飞控系统传感器故障诊断中的应用

故障检测和诊断技术对提高系统可靠性具有重要意义,针对飞控系统中常见的传感器故障,提出了基于神经网络观测器的故障诊断方法;通过构造神经网络模型代替解析系统建模,利用神经网络的学习能力在线检测传感器故障,最后,应用BP神经网络算法对故障进行仿真;仿真结果表明,神经网络观测器方法对单一传感器故障及多个传感器故障均能够准确识别,并对故障的定位也有不错的效果。     

基于RSPNN的制粉系统故障诊断

针对发电厂制粉系统故障与征兆对应关系复杂及过程信息的不确定性及传统BP神经网络故障诊断的缺点,提出了基于粗糙集概率神经网络(RSPNN)的制粉系统故障诊断方法,以改善传统BP神经网络初始值敏感、易使学习过程陷入局部极小值以及样本数据过大时训练速度慢等问题。首先采用自组织映射神经网络(SOMNN)对连续样本数据进行离散化;再利用基于区分矩阵的HORAFA算法对离散化样本数据进行RS属性约简,并将约简结果作为概率神经网络(PNN)的输入;最后利用PNN作为诊断决策分类器,输出故障模式,并进行了仿真研究。仿真结果表明,该方法不仅优化神经网络的拓扑结构,降低神经网络的训练时间,而且能准确、快速地诊断制粉系统故障类型,同时对发电厂制粉系统及其相关设备的在线故障诊断问题有一定启发性。     

神经网络在线投影算法及非线性建模应用

针对神经网络难以在线学习的缺点,把神经网络当作结构已知的非线性系统,权系数的学习看成非线性系统的参数估计,基于新估计准则的非线性系统在线参数估计投影算法,给出前馈神经网络的一种在线运行投影学习算法.理论上证明该算法的全局收敛性,讨论算法参数的物理意义和取值范围.通过2个非线性时变系统的神经网络建模应用的仿真,验证算法的全局收敛性和在线运行能力.     

Adaptive neural model-based fault tolerant control for multi-variable processes

An adaptive neural network model-based fault tolerant control approach for unknown non-linear multi-variable dynamic systems is proposed. A multi-layer Perceptron network is used as the process model and is adapted on-line using the extended Kalman filter to learn changes in process dynamics. In this way, the adaptive model will learn the post-fault dynamics caused by actuator or component faults. Then, the inversion of the neural model is used as a controller to maintain the system stability and control performance after fault occurrence. The convergence of the model inversion control is proved using Lyapunov method. The proposed method is applied to the simulation of a two-input two-output continuous-stirred tank reactor to demonstrate the effectiveness of the approach. Several actuator and component faults are simulated on the continuously stirred tank reactor process when the system is under the proposed fault tolerant control. The results have shown a fast recovery of tracking performance and the maintained stability.     

Fault accommodation of a class of multivariable nonlinear dynamicalsystems using a learning approach

Presents a learning approach for accommodating faults occurring in a class of nonlinear multi-input-multi-output (MIMO) dynamical systems. Changes in the system dynamics due to a fault are modeled as unknown nonlinear functions of the measurable state variables. The closed-loop stability of the robust fault accommodation scheme is established using Lyapunov redesign methods. A simulation example, based on a model of a jet engine compression system, is used to illustrate the fault accommodation design procedure