[发明专利]基于自适应学习与神经网络的非线性传感器故障诊断方法

摘要

本发明公开基于自适应学习与神经网络的非线性传感器故障诊断方法，包括以下步骤：S1.对系统建立单输出一致能观标准模型；S2.正常模式的学习训练与状态观测。S21.对于被诊系统在正常运行时进行学习训练与状态观测；S22.采用带有神经网络的高增益观测器进行学习训练与状态观测；S23.采用神经网络的高增益观测器进行第二次学习训练与状态观测；S3.故障模式的学习训练与状态估计；S4.建立模式库；S5.建立动态估计器；S6.动态估计器中的状态向量与被测系统的状态向量进行对比，构建残差S7.对残差评估，从而进行故障隔离。该方法使用于较为复杂的非线性系统的故障诊断，可以对未知的系统模式进行学习，快速模拟，从而进行故障的发现与逼近。

主权项

1.基于自适应学习与神经网络的非线性传感器故障诊断方法，用于诊断传感器系统的故障，所述故障为确定性周期故障，其特征在于，包括以下步骤：S1.对系统建立单输出一致能观标准模型，该模型包括已知的系统动态、未知的系统动态和有界的干扰；S2.正常模式的未知的系统动态学习，该步骤通过以下三步实现：S21.采用高增益观测器对系统进行状态估计，得到系统状态的近似估计；S22.将S21的高增益观测器观测到的系统状态作为神经网络的输入，设计带有神经网络的高增益观测器，采用状态与参数联合估计方法，对系统进行状态观测，以及对神经网络权值进行调节，使神经网络能够抵消未知动态对状态观测的影响，从而得到系统状态x的更准确估计；S23.将S22的高增益观测器观测到的系统状态作为神经网络的输入，再次设计带有神经网络的高增益观测器，重复S22的训练过程，获得系统未知动态的准确神经网络逼近；S3.故障模式的学习训练：发生传感器故障后，将系统转化成单输出一致能观标准模型，然后利用S2所述方法对系统在各种故障模式下进行学习训练，获得不同故障模式下系统未知动态的准确神经网络逼近；S4.建立模式库：将S2、S3中神经网络进行权值收敛后的一段时间内的各个神经网络权值的均值作为学习训练的学习结果，获得常值神经网络，并存储在模式库中，每一个常值神经网络对应一种系统工作模式，包括正常模式和不同的故障模式；S5.建立带常值神经网络的的高增益动态估计器：利用S4中的所获得的常值神经网络，建立一组高增益动态估计器，其中一个动态估计器对应系统的正常模式，其余每一个动态估计器对应一种故障模式；S6.构建残差：将每一个动态估计器的输出与被检测系统的输出进行对比，将每一个动态估计器的输出与被检测系统的输出之间的误差作残差；S7.故障检测：设定阈值，如果正常模式对应的动态估计器产生的残差小于阈值，则判断系统正常；如果正常模式对应的动态估计器产生的残差大于阈值，则判断系统发生故障；当检测到故障发生，则对系统进行故障隔离；S8.故障隔离：如果某种故障模式对应的动态估计器产生的残差小于阈值，而其余故障模式对应的动态估计器产生的残差都大于阈值，则通过排除法判断系统发生了该类型的故障。