基于补偿模糊神经网络的非线性系统故障诊断的研究.pdfVIP

基于补偿模糊神经网络的 非线性系统故障诊断研究 韩德荣·原清 71 (第二炮兵工程学院薪究生二队，陕西西安 0025) 摘要：在控制系统故障诊断中，基于观测器的故障诊断方法是一类重要的故障诊断方法，但由于非线 性系统的比较；隹确的在线状态根难获得，所以不能用常规的观测器故障诊断方法对非线性系统进行故障诊 断。本文提出了综合利用语言信息和敷据信息构造基于补偿模糊神控网络的模型，与基于观测器的方法相 结合形成了一类独具特色的基于补偿模糊神经网络的故障诊断方法，并以某导弹伺服机构为倒进行了论证 和说明． 1 引言 在控制系统故障诊断中，对于线性系统的故障诊断已经的故障诊断已经进行了较为深入 的研究，特别是基于观测器的故障诊断方法是一类重要的故障诊断方法，其实现故障诊断的 思路是：根据系统的数学模型构造系统的观测器，观测器与实际系统并行：I：作，比较观测器 的输出与实际的输出得到包含故障信息冉勺残差序列，通过对残差序列的分析处理，实现故障 的检测与诊断，其原理如图1所示。 |墨I1 基于观测器的故障诊断原理圈 如果系统的模型能真实的反映系统的]：作状态，则当系统正常工作时，残差比较小，而 当实际系统发生故障时，残差应比较大，由残差可方便地实现故障检测，借助某种分离策略 实现故障的分离。 但对非线性系统的故障诊断问题，现有的研究成果并不多。这是由于故障检测与诊断要 求得到系统的在线状态与参数估计，对非线性系统，其状态与参数的在线估计方法还并不多。 尤其在被监控的系统存在模型不确定性，若要得到非线性系统的比较准确的在线状态与估计 就更加出雉。 而近年来发展起来的数据挖掘技术为解决上述问题提供了有力的：f：具。数据挖掘就是从 数据库中挖掘知识，获取人鲐数据中所隐藏的知识。利用数据挖掘技术如神经网络、模糊逻 一159— 辑系统综合系统的先验知识和实验数据，通过学习可以构造输入输出关系模型且可以任意逼 近原系统。因此可以_【}J所建立的模型作为系统的观测器构造故障诊断系统。 2补偿模糊神经网络和改进的补偿模糊神经网络的数学模型及其算法 补偿模糊神经网络有五层结构：输入层、模糊化层、模糊推理层、补偿运算层、反模糊 化层。层与层之间依据模糊逻辑系统的语言变量、模糊IF—THEN规则、最坏一最好运算、 模糊推理方法、反模糊函数所构建，其结构如瞄二所示．其中第一层的各个结点直接与输入 向鬣相连接；第二层的每一个结点代表一个语言变量值。其作用是计算各输入向量属于各语 言变量值模糊集合的隶属幽数；第二层的每一个结点代表一条模糊规则，其作用是匹配模糊 规则，并计算出每条规则的适用度。 fl T 2 Tn ．一 摹置量 幂四量 善三暑 蔫二量 蕈一蜃 图2补偿模糊神经嘲络 (1)补偿模糊推理 Yis F席”：zF五is筲and．··andx．is群THENB‘，其中爿j是论域U上的模糊 子集爿’模糊规则，能够在输出论域矿中产生一个输出模糊子集B’模糊推理采用最人代数积 (sup一·)合成运算，则由模糊推理规则所导出的y上的模糊集合B’为 pB．t(y)=suP(p．：。。』：呻占t(x，y)‘Ⅳ』-(x)) !j‘7 模糊蕴涵采_【{j积运算(Larsen) R，=A—÷B即Ⅳ』-+日(x，Y)=卢月(x)·／a口(y)； 该系统是由单值模糊产生器、高斯型隶属函数、乘积推理规则、消极一积极补偿运算和 改进型反模糊化器构成的补偿模糊神经