论文部分内容阅读
现代控制系统的复杂性的增加使系统中的传感器、执行器及系统内部元器件都不可避免的会发生故障,无论是从系统安全的角度,还是从经济的角度来说,系统的可靠性与安全性也日益引起人们的关注。故障诊断技术是提高系统安全与可靠的技术之一,因此深入研究故障诊断技术具有重要的实际意义和应用价值。实际系统由于存在外部干扰和建模误差等不确定因素影响致使系统呈现非线性,这进而使得系统故障诊断变得复杂与困难。目前,非线性系统的故障诊断技术的研究是当前研究的热点内容之一。首先,本文介绍了故障诊断的研究背景、主要方法及发展趋势,重点研究非线性系统故障诊断智能方法及其应用,对支持向量机、神经网络的智能故障诊断方法进行分析研究。其次,重点研究智能故障诊断中的RBF神经网络和支持向量机方法。第一,介绍了径向基函数(RBF)神经网络,并对算法进行了研究,依据神经网络的能够以任意精度逼近非线性系统的能力,对一离散非线性函数进行仿真研究,进而为非线性系统故障诊断提供了建模基础。第二,分析了支持向量机的学习方式,并重点研究回归型支持向量机的算法,并采用此方法对一非线性动态系统进行辨识,为智能故障诊断提供了坚实的理论基础。然后,针对一类非线性系统且存在模型不确定性,提出采用基于RBF神经网络鲁棒故障诊断方法。系统中仅输入输出可测,输入中包含建模误差等不确定性项。该方法通过构造神经网络在线逼近器来拟合非线性系统中故障特性,系统中的不确定部分采用了阈值处理方法,保证所算法具有一定的鲁棒性,对于给定的算法,采用Lyapunov证明了其稳定性,最后通过仿真验证了该方法的正确性。最后,对存在着严重非线性行为的系统,在解析模型难以建立的情况下,提出了采用回归支持向量机建立模型与预测的故障诊断方法。首先,对一类非线性系统故障,采用支持向量机建立观测器模型进行故障诊断,并用Lyapunov方法分析了系统的稳定性,仿真表明支持向量机能够准确地诊断出故障;再次通过支持向量机对非线性系统的逼近特性来研究系统中会发生的传感器发生的卡死、恒增益及参数变化等故障,仿真结果表明支持向量机能够诊断出系统的故障,这为非线性系统的故障诊断提供了一种新途径。