復雜非線性系統(tǒng)故障檢測與故障預報.pdf

1、論文主要運用神經(jīng)網(wǎng)絡方法進行非線性系統(tǒng)故障檢測和故障預報方面的研究。特別針對模型未知的非線性系統(tǒng)，研究了時間序列分析和神經(jīng)網(wǎng)絡相結合的故障預報方法。全文的主要內容如下： 首先，論文討論了一類不確定非線性系統(tǒng)的快速故障檢測問題。提出一種利用神經(jīng)網(wǎng)絡構造的全階未知輸入觀測器結構，將系統(tǒng)不確定性和故障分別作為系統(tǒng)的兩種未知輸入，并通過在故障觀測神經(jīng)網(wǎng)絡權值的調整規(guī)律中引入死區(qū)函數(shù)，提高了故障觀測對系統(tǒng)不確定性的魯棒性。 在定義

2、神經(jīng)網(wǎng)絡結構差異度的基礎上，提出了利用免疫算法選擇網(wǎng)絡個體的神經(jīng)網(wǎng)絡集成方法。通過保持網(wǎng)絡間的結構差異，提高神經(jīng)網(wǎng)絡集成預測的泛化能力。在簡化的T細胞介導免疫過程的基礎上，利用RBF神經(jīng)網(wǎng)絡構造了一種免疫控制器結構。利用控制器的輸出能夠準確及時地報告系統(tǒng)故障的發(fā)生。 其次，針對殲擊機等復雜工程系統(tǒng)建模困難、工作情況多樣、試驗困難且代價高昂的特點，提出了一種改進K近鄰密度估計方法，設計了一種完全既不需要系統(tǒng)數(shù)學模型也不需要故障訓練

3、數(shù)據(jù)和先驗知識的實時故障預報器。在系統(tǒng)運行的同時實現(xiàn)學習和預報，克服了先驗數(shù)據(jù)的獲取困難。同時該預報器還具有速度快、誤檢率和漏檢率可人為調整的特點；設計方法簡單。 接著論文針對模型未知非線性系統(tǒng)，利用神經(jīng)網(wǎng)絡和時間序列相結合的方法進行故障預報研究。 將由系統(tǒng)的輸入輸出變量組成的非線性時間序列通過空間嵌入的方法轉化為一個離散動態(tài)系統(tǒng)，通過對系統(tǒng)狀態(tài)的觀測實現(xiàn)時間序列的預測。利用一個線性AR模型擬合時間序列的線性部分，用神經(jīng)

4、網(wǎng)絡擬合時間序列的非線性部分并補償外界未知的擾動。從而實現(xiàn)故障的多步預報。 針對重構得到的離散線性時變系統(tǒng)，提出了基于未知輸入觀測器的非線性時間序列預測方法。以實時擬合時間序列的線性AR模型作為時變系統(tǒng)的已知線性部分，將擬合誤差作為時變系統(tǒng)的未知輸入，實現(xiàn)了系統(tǒng)狀態(tài)的多步預測。通過未知輸入的預測值和狀態(tài)的預測誤差的變化可以方便地實現(xiàn)故障預報。 提出了一種非線性系統(tǒng)的局部線性辨識方法并應用于模型完全未知的非線性系統(tǒng)。在局部

5、的切空間上對系統(tǒng)進行線性建模和預測，同時利用在線學習的神經(jīng)網(wǎng)絡補償局部線性模型的建模和預測誤差。利用辨識得到的混合模型的預測誤差可以預報故障的發(fā)生，同時還可以得到故障的位置和大小等信息。 利用CARMA建模，構造描述非線性時間序列的線性時變方程。以此為控制對象，設計最優(yōu)跟蹤控制律，補償局部線性模型的建模和預測誤差。利用最優(yōu)跟蹤控制律預報故障比利用預測誤差預報故障的快速性更好，誤報率更低，并且對建模誤差和外界擾動具有魯棒性。