基于神經(jīng)網(wǎng)絡的實時故障檢測研究.pdf

1、在故障檢測和診斷中，由于在殘差信號中可以提取到相關的故障信息，因此故障檢測的首要任務就是要獲得系統(tǒng)的殘差信號，殘差成為故障檢測算法設計的主要目標。在控制系統(tǒng)中，系統(tǒng)的輸入、輸出與狀態(tài)變量之間都存在一定的函數(shù)關系，所以可以利用系統(tǒng)中的這些可測量來構造一個殘差產(chǎn)生器，當系統(tǒng)無故障發(fā)生時，系統(tǒng)殘差信號小于(假設沒有外部干擾)設定的閾值，當系統(tǒng)發(fā)生故障時，殘差就會大于閾值，這就是故障檢測的主要思想。
　　 本文根據(jù)故障檢測的基本思想，以

2、神經(jīng)網(wǎng)絡為工具設計相應的殘差產(chǎn)生器，從而實現(xiàn)故障檢測，并以東大智能的多功能過程控制平臺[1]為實驗平臺，對提出的算法進行驗證，本文主要從以下幾個方面入手進行研究：
　　 1.本文根據(jù)BP網(wǎng)絡具有自學習、推廣和概括的能力等優(yōu)點，以及RBF網(wǎng)絡的函數(shù)逼近能力，提出混合神經(jīng)網(wǎng)絡RBF-BP網(wǎng)絡模型，該網(wǎng)絡模型同時具有BP網(wǎng)絡與RBF網(wǎng)絡的優(yōu)點。BP網(wǎng)絡可以彌補RBF網(wǎng)絡的作用函數(shù)是局部的局限性，而對于BP網(wǎng)絡會造成局部最優(yōu)及收斂速度慢

3、等不足，可以由RBF網(wǎng)絡來彌補。
　　 對于RBF-BP網(wǎng)絡模型的訓練，以系統(tǒng)的輸入為網(wǎng)絡輸入，以系統(tǒng)的期望輸出為輸入對網(wǎng)絡模型進行訓練，同時在對該網(wǎng)絡模型進行訓練的過程中，用遺傳算法對其進行優(yōu)化，即構造一個現(xiàn)實系統(tǒng)的模擬系統(tǒng)，當系統(tǒng)執(zhí)行器發(fā)生故障時，模型系統(tǒng)的輸出正常，而實際輸出就會偏離期望的輸出值，系統(tǒng)殘差的某一分量就會大于閾值，即εf>δf。此時就認為系統(tǒng)執(zhí)行器i發(fā)生故障。
　　 2.基于狀態(tài)觀測器的故障檢測方法，

4、傳統(tǒng)的方法就是用數(shù)學中代數(shù)的方法，如線性矩陣不等式(LMI)的方法，但是代數(shù)的方法會造成重復計算等不足，而神經(jīng)網(wǎng)絡狀態(tài)觀測器可以逼近于任一非線性函數(shù)，因此本文在基于BP神經(jīng)網(wǎng)絡的狀態(tài)觀測器的故障檢測方面進行了研究。
　　 傳統(tǒng)的神經(jīng)網(wǎng)絡狀態(tài)觀測器方法都是以系統(tǒng)的輸入與輸出對系統(tǒng)狀態(tài)變量進行估計，由于在系統(tǒng)的各個傳感器的輸出與狀態(tài)變量之間也存在一定的函數(shù)關系，因此，本文以此為據(jù)，以系統(tǒng)輸入與傳感器j的期望輸出對與傳感器i相關的狀態(tài)

5、變量進行估計，代替了以系統(tǒng)輸入與傳感器i的訓練樣本。
　　 3.對于沒有外部干擾的控制系統(tǒng)，利用神經(jīng)網(wǎng)絡的函數(shù)逼近能力實現(xiàn)對現(xiàn)實系統(tǒng)的模擬，從而產(chǎn)生系統(tǒng)殘差，通過殘差信號對故障進行檢測和診斷是完全可以的，但是在現(xiàn)實工業(yè)的控制系統(tǒng)的運行過程中，外部干擾是不可避免的，此時如果仍只是一味的對系統(tǒng)狀態(tài)誤差及殘差信號進行跟蹤，以此為據(jù)進行故障檢測是不能滿足要求的，因為一旦有未知輸入的存時，即使系統(tǒng)傳感器沒有發(fā)生故障，狀態(tài)誤差與殘差信號都會