论文部分内容阅读
随着生产过程的日趋复杂,如何提高控制系统的安全性和可靠性已经引起了人们的极大关注。近年来,利用人工神经网络技术进行故障诊断成为国内外学者研究的一个重要方向。概率神经网络因其学习过程简单、训练速度快等特点被广泛应用于故障诊断领域,已经成为故障诊断技术的一种重要手段。但是,概率神经网络也同样存在一些问题,如怎样从理论上给出平滑参数的值,使得网络分类效果更佳;怎样从理论上选择PNN隐层神经元的个数等。本文以当前概率神经网络在故障诊断应用中需要解决的关键问题为主线,结合α稳定分布和概率神经网络的相关理论知识,研究了两类典型的故障检测与故障诊断算法,分别是基于SαS分布参数估计的系统鲁棒故障检测方法和基于α稳定分布基函数概率神经网络的系统故障诊断方法。论文的主要内容包括:首先,针对复杂非线性系统建模困难以及现有方法过分依赖系统模型的情况,提出了一种基于SαS分布参数估计的系统鲁棒故障检测方法。首先将系统输出的采样数据看作一个时间序列,并应用时间序列预测建模方法对系统输出序列进行预测建模,利用预测误差放大信号的脉冲突变,然后利用SαS分布的参数估计方法对预测误差序列的参数α进行估计,获得α的变化曲线,根据α的变化可以直观的判断出故障的发生。然后,针对传统的概率神经网络对输入数据要求独立同分布的缺点,设计了一种基于α稳定分布基函数的概率神经网络,提出了一种新的系统故障诊断方法。网络的隐层神经元的径向基型函数采用对称α稳定分布的概率密度函数,与传统的高斯型函数相比,具有更好的可变性和延展性,从而使隐层的神经元在函数近似上具有更高的适应性,同时克服了概率神经网络对输入数据的独立同分布假设,提高了神经网络对局部脉冲突变的近似能力。该方法即使在有色噪声的背景下,仍然能够实现较好的识别效果,故障的误报率低于概率神经网络方法。最后,对上述的工作进行了总结,并展望了未来的工作。