基于神经网络的非线性观测器及在线故障检测

提出一种基于径向基函数神经网络的非线性观测器的设计方法，并将其应用于复杂非线性系统的故障检测与隔离。该方法将神经网络离线学习与在线学习相结合，获取系统输入输出的非线性动力学特性，进而实时计算出残差并进行逻辑判决，可显著提高故障检测的快速性、鲁棒性及准确率。最后，针对非线性同步交流电机的结构损伤故障进行了仿真，结果表明本文所提方法的有效性。     

基于人工神经网络的发电机故障暂态稳定性预测方法研究

提出了一种利用径向基函数神经网络（RBFNN)预测大扰动后发电机转子转角值的方法,来实时判断系统暂态稳定状态,并对相干发电机组的辨识进行了研究。在故障后将相量测量单元（PMU）同步采样的前六个周期的发电机的转子角度和电压等数据作为神经网络的输入,以预测系统未来的状态。该方法还可以实时判断发电机的同步状态。在测试系统上对该方法以不同运行条件进行了评估,实验结果证明所提出的径向基函数神经网络对扰动后的转子转角值具有良好的预测性能,适合于实时应用。     

基于软计算的汽车线控转向系统故障诊断

针对线控转向汽车的可靠性和安全性以及故障诊断方法的不足,提出了一种基于软计算的汽车线控转向故障诊断方法,该方法利用软计算中的粗糙集和粒子群优化的径向基神经网络进行结合。将粗糙集作为径向基神经网络的输入处理,对样本数据进行属性约简,约简后的属性集作为径向基神经网络的输入以达到缩短网络训练时间的目的。采用粒子群算法对径向基神经网络的基函数中心值和宽度进行编码和寻优,并使用得到的最优中心值和宽度组建径向基神经网络,使得径向基神经网络的样本训练误差相比未优化之前有一定程度的降低。然后使用训练好的神经网络对故障样本进行测试,测试结果表明,该方法加快了神经网络的训练速度,提高了神经网络的诊断准确度。     

基于代码检测的软件故障定位方法

针对现有软件故障定位方法的缺陷，提出了一种基于代码检测的软件故障定位方法，用嵌入式模块获取软件发生故障时的模块运行序列，分析出软件故障可疑模块集及其故障系数，在此基础上对故障模块进行代码的分类检测，根据上述过程中得到的结果进行综合分析运算，得出软件故障的可疑代码集和故障系数，采用代码分析辅助工具进行排查，定位故障。该方法已成功应用于软件密集型系统的故障诊断，能快速有效地实现软件故障定位。     

基于改进的RBF神经网络在线辨识算法及其应用

针对径向基函数(RBF)神经网络用于非线性系统辨识时存在的问题，对径向基函数网络的拓扑结构作了改进，并给出了改进的径向基函数(MRBF)神经网络的中心选取方法和权值在线调整算法，最后用改进的径向基函数网络对一个典型工业对象(CSTR)进行了应用研究，结果表明方法有效。     

基于联合神经网络的传感器故障诊断与重构

针对可能发生的传感器故障,设计出了一种基于联合神经网络的传感器容错系统.提出了一种改进型的径向基函数神经网络,有较强的容错能力.算法包括1个主网络和n个分散网络的联合神经网络结构,各神经网络均基于改进型径向基函数算法,根据一定的控制目标对系统中的传感器故障进行检测、识别和调节,达到了容错控制的目的.     

基于机器学习的电力系统暂态故障事件智能识别方法

为了在电力系统不同故障位置、故障时刻和噪声环境中准确识别暂态故障类型,提出基于机器学习的电力系统暂态故障事件智能识别方法。将暂态故障结构特征值作为量子粒子群优化径向基神经网络模型的输入向量,通过选取合适的参数编码策略、适应度函数以及终止条件,输出优化后径向基神经网络最优参数,完成故障事件智能识别。仿真实验结果表明,该方法采用量子粒子群优化算法（QPSO）优化径向基函数（RBF）神经网络可以获取最佳训练参数,训练时间为3.561s,训练误差为0.000 257 7,可在不同故障位置、故障时刻和噪声环境下正确识别暂态故障类型,且识别效率优势显著。     

基于神经网络的局域网故障诊断系统设计

为了实现准确有效地排除网络故障，根据局域网的特点，本文在分析现有计算机网络故障诊断方法不足的基础上，结合层次分类神经网络原理，提出了基于层次分类BP神经网络算法的局域网智能故障诊断系统，该系统具有层次分类策略、故障诊断策略、通信数据包采集、网络故障知识数据库、故障显示报警等功能，可以实现已知、未知故障的正确识别。通过对故障诊断算法和故障定位的仿真，结果表明故障诊断系统响应性能良好，故障误报率较低，具有一定的实用性。     

基于增强径向函数神经网络的错误定位方法

结合径向基函数神经网络与正交实验设计理论,提出了一种增强径向基函数神经网络错误定位算法.根据选择的测试用例执行得到源程序的语句覆盖信息和执行结果;通过神经网络计算出每条语句的可疑度值,并通过正交实验设计方法自适应调整神经网络中的参数值;最后按照可疑度值由高到低的顺序逐条检查程序的可疑语句进行错误定位.通过实验对所提出方法与径向基函数神经网络算法以及反向传播神经网络算法进行比较分析,结果表明,基于增强径向基函数神经网络算法具有更精确的错误定位效果和更显著的定位效率.     

基于径向基函数神经网络故障观测器的风能转换系统容错控制器设计

针对风能转换系统执行器部分失效故障,提出了一种新型的主动容错控制策略.应用径向基函数(radial basis function,RBF)自适应神经网络,根据系统状态观测值对执行器故障进行在线重构,基于该重构故障,设计滑模容错控制器切换增益,实现风能转换系统故障诊断与容错控制律在线整定,并进行稳定性证明.仿真结果表明,执行器发生故障时系统的功率系数和叶尖速比均能保持在最优值,从而实现额定风速以下的最大风能捕获.     

基于小波包神经网络的传感器故障诊断方法

讨论了小波包神经网络在传感器故障诊断中的应用问题.文中提出了将小波包分解提取各个节点特征能量与RBF神经网络进行模式分类的传感器故障诊断方法.通过三层小波包分解得到各个节点的分解系数,通过一定的削减算法使得故障的瞬态信号的特征得到加强,再根据重构的时域信号计算各个节点对应的能量,作为特征向量训练RBF神经网络.通过各种故障模式特征数据的训练,RBF网络具有了传感器故障诊断的功能.最后,通过工业锅炉流量传感器数据对训练之后的RBF神经网络进行检验,验证了这种方法的实用性和有效性.     

一种基于RBF神经网络的转台分系统故障诊断方法

针对三轴精密测试转台各分系统故障诊断的需要,提出了一种基于径向基函数(RBF)神经网络的局部故障诊断方法。首先,给出了相应的RBF神经网络的结构,以及一种基于递归最小二乘法的改进学习算法;然后,将其应用到转台控制分系统的局部故障诊断中。根据控制分系统的常见故障及其特征信息,建立起基于RBF神经网络的故障诊断模型;最后,仿真实验结果验证了该方法的有效性。     

基于Boosting RBF神经网络的滚动轴承故障诊断

提出了一种新颖的基于RBF神经网络滚动轴承故障诊断方法。以滚动轴承动态信号的能量信息作为特征，RBF神经网络作为分类器进行滚动轴承故障自动分类与诊断。为了进一步提高神经网络的泛化能力和故障诊断的准确性，采用Boosting方法，进行网络集成。对七类滚动轴承进行了实验，结果表明该方法具有很好的故障诊断效果。     

基于RBF神经网络观测器飞控系统故障诊断

为了解决非线性系统采用解析方法进行故障诊断困难的问题,利用神经网络可逼近任意连续有界非线性函数的能力,提出了一种基于RBF神经网络观测器的故障检测与诊断方法,并详细论述了该故障诊断方法的构造原理。以含有非线性项的飞行控制系统的作动器模型为例,仅作动器的输入输出可测量,通过构造RBF神经网络观测器来拟合作动器系统模型,逼近其在正常情况下的输出。最后在飞控系统的闭环控制环境下,对作动器的三种典型故障进行了计算机仿真诊断,结果表明故障诊断方法是有效的。     

基于小波神经网络的开关电源的故障诊断

以非线性小波Morlet基作为激励函数,形成神经元,结合小波变换与神经网络各自的优点,建立集小波分析与神经网络于一体的紧致型小波神经网络;采用能量分布特征提取方法和改进的BP算法,设计了一种基于小波神经网络的故障诊断系统,并应用于开关电源故障诊断中;对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高,系统诊断结果与实际相符,验证了该小波神经网络故障诊断系统的有效性。     

一种基于小波神经网络故障检测方法的仿真研究

文中提出了一种基于小波神经网络一性观测器的故障检测方法。它是一种把信号分析和模型相结合的故障检测方法,通过小波对信号的去噪和神经的神经网络的自学习功能,来获取系统输入输出的非线性动力学特性,进而实时计算出残差并进行逻辑判疡,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法是可行的。     

飞机发电机故障诊断的多特征参数组合分析

针对飞机发电机振动特征参数多、故障特征参数难以准确识别飞机发电机健康状况的现状,设计了发电机振动信号实时采样装置对飞机发电机转动时的多种频域参数及幅域参数进行采样,并引入小波分析计算各频带能量值,构建神经网络进行故障判定,选用不同的振动特征参数组合对检验样本进行验证以期获得指向性较好的飞机发电机故障特征参数.诊断结果表明,利用RBF网络对发电机故障诊断,采用基于幅值域的特征参数峭度指标、峰值因子、脉冲指标、裕度指标、歪度和基于频域的重心频率、均方根频率、频率标准差,再考虑进小波包分频带能量值作为神经网络的输入参数指标,可取得良好的诊断准确率.     

基于小波去噪与改进RBF神经网络的小电流接地系统故障选线方法

提出了一种基于小波去噪与改进RBF神经网络的小电流接地系统故障选线方法。将消噪后的零序电流绝对值的最大值进行归一化处理后得到故障信息矩阵,并将该矩阵作为RBF神经网络的输入;计算RBF神经网络输入层的活跃值,当活跃值在设定范围内时,RBF神经网络的隐含层与输出层自动断开,隐含层神经元分裂,待网络中权值、方差、中心值等参数自动调整后,RBF神经网络的隐含层与输出层重新连接,输出训练结果;将测试集输入到训练好的RBF神经网络,得出故障选线结果。算例分析结果表明,该选线方法不受故障相位角、接地电阻的影响,故障选线准确、可靠。     

A novel approach for analog fault diagnosis based on neural networks and improved kernel PCA

We have developed a neural-network-based fault diagnosis approach of analog circuits using maximal class separability based kernel principal components analysis (MCSKPCA) as preprocessor. The proposed approach can detect and diagnose faulty components efficiently in the analog circuits by analyzing their time responses. First, using wavelet transform to preprocess the time responses obtains the essential and reduced candidate features of the corresponding response signals. Then, the second preprocessing by MCSKPCA further reduces the dimensionality of candidate features so as to obtain the optimal features with maximal class separability as inputs to the neural networks. This simplifies the architectures reasonably and reduces the computational burden of neural networks drastically. The simulation results show that our resulting diagnostic system can classify the faulty components of analog circuits under test effectively and achieves a competitive classification performance.