復(fù)雜非線性系統(tǒng)故障檢測與故障預(yù)報.pdf

1、論文主要運用神經(jīng)網(wǎng)絡(luò)方法進行非線性系統(tǒng)故障檢測和故障預(yù)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(luò)相結(jié)合的故障預(yù)報方法。全文的主要內(nèi)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(luò)構(gòu)造的全階未知輸入觀測器結(jié)構(gòu)，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(luò)權(quán)值的調(diào)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(luò)結(jié)構(gòu)差異度的基礎(chǔ)上，提出了利用免疫算法選擇網(wǎng)絡(luò)個體的神經(jīng)網(wǎng)絡(luò)集成方法。通過保持網(wǎng)絡(luò)間的結(jié)構(gòu)差異，提高神經(jīng)網(wǎng)絡(luò)集成預(yù)測的泛化能力。在簡化的T細胞介導(dǎo)免疫過程的基礎(chǔ)上，利用RBF神經(jīng)網(wǎng)絡(luò)構(gòu)造了一種免疫控制器結(jié)構(gòu)。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(fù)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(shè)計了一種完全既不需要系統(tǒng)數(shù)學(xué)模型也不需要故障訓(xùn)練

3、數(shù)據(jù)和先驗知識的實時故障預(yù)報器。在系統(tǒng)運行的同時實現(xiàn)學(xué)習(xí)和預(yù)報，克服了先驗數(shù)據(jù)的獲取困難。同時該預(yù)報器還具有速度快、誤檢率和漏檢率可人為調(diào)整的特點；設(shè)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(luò)和時間序列相結(jié)合的方法進行故障預(yù)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(zhuǎn)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(yù)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(luò)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(yù)報。 針對重構(gòu)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(yù)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(yù)測。通過未知輸入的預(yù)測值和狀態(tài)的預(yù)測誤差的變化可以方便地實現(xiàn)故障預(yù)報。 提出了一種非線性系統(tǒng)的局部線性辨識方法并應(yīng)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(yù)測，同時利用在線學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)補償局部線性模型的建模和預(yù)測誤差。利用辨識得到的混合模型的預(yù)測誤差可以預(yù)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(gòu)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(shè)計最優(yōu)跟蹤控制律，補償局部線性模型的建模和預(yù)測誤差。利用最優(yōu)跟蹤控制律預(yù)報故障比利用預(yù)測誤差預(yù)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。