传感器故障检测、分离与恢复的神经网络方法

传感器是测控系统不可缺少的部件,传感器数据的高可靠性是系统正常工作的重要保证,本文基于递归神经网络具有优良的动态系统建模能力和时间数据序列预报区能力,融合时空信息,构造出具有传感器故障检测,分离和故障恢复能力的智能传感器系统,理论 仿真结果表明,所研究系统的优良性能。     

基于神经网络的航空传感器故障检测

用离线训练的神经网络进行导航传感器故障检测。首先,用已获得的正常飞行数据通过离线训练的方法训练神经网络并构造估计器的结构,然后用已选择好结构并训练好的神经网络作为估计器对传感器的读数进行一步预测。若预测值与传感器实际值之间的差值仅为递推误差和传感器输出噪声,则认为传感器工作正常,若相应的残差分量显著增大,则认为传感器故障。因此设计了相应的检测策略进行故障检测,以达到既避免不必要的报警、切换,又准确、及时的监测、报警。通过仿真试验验证,结果证明该方法可行。     

基于径向基神经网络的称重设备传感器故障检测方法

在对称重设备数字化改造的过程中,有些研究人员提出了对某一特定传感器的故障诊断方法,但对于非指定传感器或者两个传感器同时发生故障的情况却没有检测方法.为此,本文提出了一种基于径向基神经网络预测的任意一个或两个称重传感器的故障检测方法.本文首先建立单个传感器的预测模型和任意两个传感器的预测模型,然后通过这两个预测模型计算出任意一个称重传感器的预测值和任意两个传感器的预测值,根据预测值与实际值之间的差值判断称重传感器故障个数、位置、类型等信息.实验表明,当称重传感器的输出误差大于0.3 t时使用此方法可以准确检测出称重传感器的故障信息.     

基于神经网络观测器的飞行器传感器故障检测

为了避免传感器故障对飞控系统的影响,实现传感器故障的快速检测与隔离,提出了一种基于神经网络观测器(NNOB)的传感器故障检测方法。在建立四旋翼飞行器姿态故障模型的基础上,利用非线性观测器得到的期望输出和传感器测量值设计基于神经网络(NN)的传感器故障观测器,利用扩展卡尔曼滤波器(EKF)更新神经网络的权值参数,通过Lyapunov理论证明权值参数更新的收敛性,最终构建出一种基于神经网络观测器的传感器故障检测系统。数值仿真实验结果表明,与现有神经网络故障检测方法相比,所提方法具有更高的故障检出率与更好的跟踪性能。     

传感器故障检测的仿真研究

该文主要介绍了连续小波变换和BP神经网络在传感器故障诊断中的应用,并就如何将小波变换和神经网络结合起来进行故障检测进行了有益的探讨、研究,最终借助于matlab软件和它自带的simulink工具以及相关的信号处理工具包做了仿真算例,获得了满意的效果,证明了这两种方法的可行性。     

基于BP网络的航空发动机传感器硬故障检测

研究了航空发动机传感器的故障类型.针对传感器硬故障本身的特点,使用神经网络训练并建立发动机传感器模型,依据建立的模型线计算出传感器正常运行时上下阈值,最后将计算出来的阈值嵌入到工控机中,进行航空发动机传感器在线实时硬故障检测的仿真模拟.整个算法软件采用C++语言编写,占用资源少、运行速度快、精度高、实时性强,根据仿真图形分析,该算法软件能够准确地监测航空发动机传感器的故障.     

基于神经网络自适应滤波器的故障检测与诊断

在稳态过程的故障检测和诊断中 ,有大量反映故障状态的数据 ,在用测量方法来获取这些数据的情况下 ,异常数据能被快速、有效的检测出来就显得非常重要。用自适应滤波器无疑是一个可行的方法 ,但采用这种方法进行故障检测和诊断时 ,有计算速度慢 ,难以跟踪输入信号变化的缺点。据此 ,本文提出了用神经网络自适应滤波器来完成故障检测和诊断的方法 ,它具有速度快的特点。如能用硬件完成 ,并调整好参数 ,检测速度是极短的 (2× 10 -10 s) ,能很好地完成故障检测和诊断任务。     

基于径向基函数神经网络预测器的多传感器故障在线检测和信号恢复的研究

理论研究及大量实践表明:径向基函数神经网络具有较强的函数逼近能力,学习速度优于常用的BP网络.本文利用径向基神经网络构成传感器输出预测器实现了多传感器故障在线检测和信号恢复.文中阐述了预测器的构成及其在线学习算法.通过仿真研究证明:该预测器对传感器输出具有很好的在线预测、跟踪能力.当某传感器发生故障时,在及时准确地发出报警信号的同时,对瞬时故障,能很好地恢复故障期间传感器正常的输出,即消除瞬时故障对系统正常运行的影响;对长期故障,能在故障发生后一定的时间范围内,正确估计出传感器正常输出,以保证系统的正常运行.     

基于主动式传感器的道路导航

由于林荫道中阴影的影响,目前常用的基于被动式传感器技术的视觉导航方法(如采用图像的方法),难以取得比较理想的结果。对于这种环境,主动式传感器具有一定的优势,文中采用了激光雷达传感器。首先利用传感器对路边的树木等物体作为障碍物来进行检测,并据此信息来推算道路边界,详细介绍了具体的方案和算法。实验结果表明,所设计的方法具有很好的鲁棒性,可以满足实际导航的需要。     

基于卷积神经网络的风机叶片结冰故障检测

发电机叶片结冰是风力发电中的常见问题,准确检测叶片结冰故障能有效提高风电场的安全性与发电效率.为了准确检测叶片结冰故障,提出一种基于卷积神经网络的检测模型.通过改变1×1卷积核数量,改变特征维度并增加卷积网络的非线性,检测真实运行的风力发电机Supervisory Control And Data Acquisition(SCADA)数据.在以上基础上,使用Swish激活函数和Synthetic minority oversampling technique(SMOTE)提高模型的检测效果,获得较高的检测准确率、召回率与F1分数.并且检测另一台风力发电机SCADA数据对比验证模型泛化性.检测结果表明,Swish激活函数和SMOTE均能有效提高泛化性,评价指标表明模型泛化性较强.最终检测结果为99.59％的准确率和96.80的故障样本F1分数,泛化性检测结果为93.42％的准确率和40.15的故障样本F1分数,代表着叶片结冰故障检测模型能准确检测结冰故障,具有较好的应用前景.     

飞行器导航传感器故障诊断的应用研究

研究导航传感器故障诊断问题,由于飞行器导航传感器所处环境十分复杂,导航系统由多种部件组成,故障存在许多随机性、模糊性和不确定性因素,难以建立确定数学模型。传统线性模型故障诊断准确率低。为了提高飞行器导航传感器故障诊断准确率,提出一种神经网络的导航传感器故障诊断方法。飞行器导航传感器发生故障时信号中会产生突变成分,利用小波包对原始故障信号进行分解,提取信号特征向量,然后将特征向量输入神经网络训练,实现飞行器导航传感器故障智能化诊断。在Matlab平台实现传感器故障诊断的仿真,结果表明,神经网络提高了飞行器导航传感器故障诊断的准确率,是一种在线、行之有效的导航传感器故障方法。     

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.     

基于大规模训练神经网络的微小故障在线检测

神经网络已经广泛应用于系统建模和模式识别领域。但为了逼近未知的参数或者系统动态,需要大量的神经元达到足够的逼近精度,因此导致了计算负荷的增大。运算量制约着大规模神经网络计算,无法使其应用到实际的在线系统中。CPU处理无法保证在线数据的同步运算,需要借助图形处理单元GPU(Graphic Processing Unit)来解决实时性同步运算问题。首先,利用RBF神经网络的持续激励PE(Persistent Excitation)特性对系统输入进行分析,减少神经元的数目且优化设计算法,从而提高逼近精度。其次,基于LabVIEW平台,利用LabVIEW的GPU高性能分析工具包实现神经网络算法和并行计算。最后,在一台航空低速轴流压气机中开发基于大规模训练神经网络的LabVIEW系统。实验结果表明,提出的方法可以实现对系统的在线实时运行,满足航空失速检测的要求。     

基于神经网络的无线传感器网络异常数据检测方法

传感器网络的异常数据检测对于环境监测具有十分重要的意义。基于BP神经网络模型和线性神经网络模型,分别提出了两种无线传感器网络异常数据检测方法。提出的方法在每个当前时刻通过最近的固定长度的历史数据集训练神经网络,来完成下一时刻的预报。通过神经网络的模型残差,确定概率为P的置信区间。当下一时刻数据落入置信区间内,则该数据被判为正常;反之,则为异常。为了比较和验证两种检测方法的性能,在Matlab环境下完成了仿真实验。实验结果表明,基于线性神经网络的异常数据检测方法的检测率(detection rate)达到了97.9%,误报率(false positive rate)不超过0.76%;基于BP神经网络的异常数据检测方法的检测率为96.7%,误报率不超过0.84%。     

基于图神经网络的动态网络异常检测算法

动态变化的图数据在现实应用中广泛存在,有效地对动态网络异常数据进行挖掘,具有重要的科学价值和实践意义.大多数传统的动态网络异常检测算法主要关注于网络结构的异常,而忽视了节点和边的属性以及网络变化的作用.提出一种基于图神经网络的异常检测算法,将图结构、属性以及动态变化的信息引入模型中,来学习进行异常检测的表示向量.具体地,改进图上无监督的图神经网络框架DGI,提出一种面向动态网络无监督表示学习算法Dynamic-DGI.该方法能够同时提取网络本身的异常特性以及网络变化的异常特性,用于表示向量的学习.实验结果表明,使用该算法学得的网络表示向量进行异常检测,得到的结果优于最新的子图异常检测算法SpotLight,并且显著优于传统的网络表示学习算法.除了能够提升异常检测的准确度,该算法也能够挖掘网络中存在的有实际意义的异常.     

FNN在欺骗检测中的应用研究

欺骗检测(DD)的不确定性是由于检测中具有暧昧和不严密性。在实验中,通过构建一个不确定的模型发现(MUDD)而且选择模糊-神经网络分类器预测欺骗。该模型与传统的机器学问题模型相比较,较好地实现了以经验为主、以欺骗数据测试收集为目的不确定性问题的检测。而且,该模型具有有较好的可理解性、稳定性和可信度。     

Sensor Integration for Satellite-Based Vehicular Navigation Using Neural Networks

Land vehicles rely mainly on global positioning system (GPS) to provide their position with consistent accuracy. However, GPS receivers may encounter frequent GPS outages within urban areas where satellite signals are blocked. In order to overcome this problem, GPS is usually combined with inertial sensors mounted inside the vehicle to obtain a reliable navigation solution, especially during GPS outages. This letter proposes a data fusion technique based on radial basis function neural network (RBFNN) that integrates GPS with inertial sensors in real time. A field test data was used to examine the performance of the proposed data fusion module and the results discuss the merits and the limitations of the proposed technique     

基于神经网络的范例推理

目前对于基于范例推理的研究越来越受到人们的重视。本文探讨用神经网络来实现范例推理系统,用此方法建造一个高效的范例推理系统,并给出了一些算法。     

一种基于神经网络的模糊方法研究

模糊系统设计中,模糊规则的建立是系统设计的瓶颈问题。针对这一问题,该文提出了一种用于监督神经网络自动生成模糊规则并实现模糊推理的方法。网络训练分为两个阶段,首先是结构学习,确定系统的规则总数和前提的有关参数;其次是参数学习,即调整权值,使系统输出接近理想输出。仿真实例证明使用该方法建立模糊系统具有较好的效果。