基于线性参数变化自适应观测器的鲁棒故障诊断

基于线性参数变化自适应观测器,研究了一类具有外部扰动的不确定线性参数变化系统的鲁棒故障诊断问题。针对飞控系统具有非线性和时变的特点,运用了线性参数变化技术,提出一种基于线性参数变化自适应观测器的自适应故障估计算法来估计故障信息。为降低外部扰动对故障估计的影响,引入了H∞鲁棒性能指标来设计线性参数变化自适应观测器以及故障估计算法。结果表明,该方法具有良好的故障估计性能,且对外部扰动具鲁棒性。设计过程中,将参数的求解转化为线性矩阵不等式（LMIs）约束下的凸优化问题。最后,将该方法应用于直升机线性参数变化飞控系统执行器故障诊断,仿真实验验证了该方法的有效性。     

运载火箭推力下降故障下的在线弹道重构方法

针对运载火箭推力下降故障下难以实现在线弹道重构的问题,提出了一种基于神经网络的剩余运载能力估计及程序角重构的算法。以线下基于工程实践的弹道优化方法生成的故障状态下最优弹道作为学习样本,针对程序角曲线的特点,分别使用不同学习方式学习一级飞行段程序角和其他飞行段程序角;分析不同超参数对神经网络训练过程的影响,利用随机搜索法选取超参数。该算法使用以神经网络为核心的机器学习思想,用基于数据的方式避免了因运载火箭动力学模型复杂而无法在线快速求解最优弹道的问题,能够解决大气环境下弹道重构的难题。仿真结果表明,该算法对剩余运载能力估计准确,重构程序角与最优弹道相比误差小,运算速度相比其他方法优势明显。     

基于神经网络的荧光油膜厚度与灰度研究

在全局摩阻测量中,薄油膜技术可以很好地表征表面摩阻的分布情况。用特定波长的紫外线照射添加了荧光显色分子的不同厚度的油膜,油膜将发出不同的亮度。利用该原理通过检测受激发的荧光油膜灰度值可解算出相应油膜的厚度。本次采用BP神经网络及极限学习机(Extreme learning machine,ELM)神经网络搭建模型完成了荧光油膜厚度与灰度关系的预测,运用Hopfield神经网络完成了相应参数的辨识。实验表明,ELM神经网络模型、BP神经网络模型及插值法模型的预测误差分别为5.150%、5.485%和5.935%。通过Hopfield神经网络辨识,光源功率、光距和曝光系数等影响因素的参数误差率控制在1%左右,达到实际工程运用的要求。与传统插值法相比,通过神经网络可获得更高的精度,为荧光油膜灰度与厚度研究提供了一种可行的方法。     

基于RBF神经网络的非线性观察器设计

提出了一种新的非线性观察器设计方法。与一般方法采用神经网络逼近整个非线性系统不同，该方法用RBF神经网络逼近系统的非线性项，故提高了状态估计的精度。基于李亚普诺夫方法，证明了状态估计误差渐近稳定且渐近收敛到零。仿真结果表明，所提出的非线性观察器设计方法具有良好的性能。在故障检测、状态估计等领域具有广泛的应用前景。     

Model1000水下机器人容错控制

针对复杂海洋环境中水下机器人的可靠性问题,将在线学习的RCMAC递归小脑神经网络应用于水下机器人时变、非线性故障的辨识和容错控制中。在OUTLAND的ROV水下机器人Model1000上设置各种传感器和推进器故障进行水下故障辨识和容错控制实验,实验结果证明了RCMAC网络在水下机器人故障辨识和容错控制中的有效性。     

非线性系统的在线鲁棒故障检测

提出了一种具有建模不确定性的非线性系统在线故障检测方法。故障被假定为状态变量和输入变量的函数，该系统仅是输入、输出可测量的。一种基于RBF神经网络的在线非线性估计器用来跟踪系统中的出现的故障，该估计器对有建模不确定性的非线性系统的故障检测具备良好的鲁棒性。文中所提出的方法的收敛性在理论上进行了较详细证明。仿真实例说明了该故障检测方法的有效性和实用性。     

自治式水下机器人推进器故障检测、分离与重构

研究自治式水下机器人推进器故障检测、分离与重构问题。针对水下机器人故障诊断残差法中残差阈值不易选取的问题,提出了一种基于观测器的水下机器人推进器故障检测与分离方法,通过构建故障检测观测器对推进器故障与残差信号进行解耦,使推进器出现故障后仅引起与其相关的残差呈单调变化,从而可选择较大的阈值进行故障检测以提高诊断系统的可靠性,该方法在故障检测的同时可进行故障分离。针对系统不确定性导致的推进器故障重构精度低的问题,提出了一种RBF神经网络与等效输出注入相结合的故障重构方法,采用等效输出注入方法估计不确定性项,从神经网络输出中重构推进器故障。     

两神经元Hopfield网络系统的记忆特性

Hopfield神经网络系统的记忆特性表现于系统稳定平衡点的分布及其吸引域的形状和大小。本研究主要讨论分析含2个神经元Hopfield网络系统的记忆特性。首先,求得在不同参数值下系统平衡点的分布情况和稳定性;其次,基于数值方法,求得各个稳定平衡点的吸引域。研究结果表明:系统可以存在多个稳定平衡点共存现象,在某些情况下,这些稳定平衡点的吸引域的形状和大小会随着参数值的变化而改变。     

基于迭代学习观测器的容错控制

提出了一种基于迭代学习观测器(ILO)将故障检测和容错控制进行统一设计的方法。迭代学习观测器不仅可以用于进行状态估计和故障检测,而且可以用于获得控制输入调节项并进行故障估计。设计重构控制律的基本思想是利用估计状态和控制输入调节项来补偿故障引起的影响。文中还给出了特定假设条件下闭环重构控制系统稳定性的严格证明。理论分析和仿真研究表明,所提的方法是有效的并可保证闭环系统具有良好的重构性能．     

基于多观测器的一类过驱动系统主动容错控制设计

以四旋翼直升机姿态控制系统为对象,针对一类过驱动系统,由控制分布阵列不满秩而引起的执行器故障诊断难的问题,本文采用了一种新颖的多观测器故障诊断方法对执行器故障进行检测和估计,进而设计一种具有故障补偿并且满足H∞性能的动态输出反馈跟踪控制器。该方法不仅能够快速的检测和估计出单通道执行器故障,而且能够有效的补偿故障对系统稳定性的不利影响,保证系统在单通道执行器故障下具有一定的姿态跟踪能力。相对于状态反馈控制器,所提算法有效的避免了模拟状态量而带来的误差,一定程度上提高了系统的控制精度和可实现性。最后通过Quanser3-DOF Hover半物理仿真平台验证所提算法的可行性和有效性。     

非线性系统的动态神经网络自适应辨识

提出了用双层动态神经网络在线辨识非线性动态系统的方法。神经网络的权重在线学习，不需要离线训练。在无逼近误差和扰动的理想情况下，所提出的在线算法能保证辨识误差趋于零，基函数持续激励条件能保证权重趋于零。在非理想情况下，权重调整律采用ｅ修正权重算法，它是ＢＰ算法的推广，不需要基函数的持续激励条件。基于李雅普诺夫稳定性理论保证了自适应辨识系统的稳定性。仿真算例说明了所提出的动态神经网络自适应辨识的有效性     

全包线内航空发动机参数估计的神经网络实现

介绍一种特殊的前向神经网络——自联想神经网络（Ａｕｔｏａｓｓｏｃｉａｔｉｖｅａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔ－ｗｏｒｋｓ，ＡＡＮＮ），然后将发动机参数在全包线、大范围工况下的变化规律与神经网络的非线性映射能力结合起来，开展了将ＡＡＮＮ应用于发动机全包线、大范围工况下参数估计的仿真研究。本文提出的选取测量矢量加入样本集的ＥＭＰ方法，有效地减少了样本集中样本矢量的数目，简化了网络的训练。用ＥＭＰ方法在全包线内仅用７４６组测量矢量作为样本集，在网络训练好后，任选包线内的一工况点作为算例运行发动机模型，所得各参数的稳态估计及动态估计的平均百分比误差＜０．５％。仿真结果表明，上述的参数估值方法是可行的，为进一步实现对发动机控制系统传感器的状态监视和故障诊断打下了基础。     

基于改进IRN网络的航空发动机故障诊断

建立了一种带偏差单元的内部回归神经网络.该网络的主要特点是记忆特性好,收敛速度快、稳定性强.介绍了该神经网络在航空发动机故障诊断中的应用方法,并通过实例验证了该方法在发动机故障分类中的实用性.在对某型航空发动机故障诊断中,准确性极高.从而在适时与视情维修过程中提出合理的建议,以便为相应维修方法的实施、改进和研究应用提供可靠的依据,有着良好的推广应用前景.     

动态神经网络的模型检验

讨论了利用仅含一个隐层的前馈多层神经网络来辨识离散时间非线性动态系统时的模型检验问题。从估计理论出发，加上实际应用的考虑，提出了一种检验神经网络模型适用性的综合误差指标（ＳＥＩ）准则，并利用学习速度快、收敛性能好的递推预测误差（ＲＰＥ）学习算法，对两个例子进行了仿真计算。结果表明：综合误差指标准则可用来检验非线性动态系统的神经网络模型。与相关检验法相比，综合误差指标准则具有计算简单、使用方便等优点。最后，指出了今后的研究方向。     

Sliding Mode Fault Tolerant Attitude Control Scheme for Spacecraft with Actuator Faults

An active fault tolerant control scheme is investigated for the attitude control systems of spacecraft with external disturbance and actuator faults by using the sliding mode technique. Firstly,the dynamic equations and kinematic equations of spacecraft are given. For the dynamic mode of spacecraft in faulty case,a fault diagnosis component is used for fault detection and estimation by using a nonlinear observer. According to the fault estimation information obtained during the fault diagnosis,the fault tolerant control scheme is developed by adopting the backstepping sliding mode control technique. Meanwhile,the Lyapunov theory is used to analyze the stability of the closed-loop attitude systems. Finally,simulation results for the attitude dynamics models show the feasibility of the proposed fault tolerant scheme.     

FAULT-TOLERANT INTEGRATED NAVIGATION SYSTEM BASED ON NEURONS

讨论了容错组合导航系统中的信息融合问题,提出了一种用于多传感器组合导航系统信息融合的神经元方法。通过仿真实验,验证了这种方法的可行性,该方法可以替代传统的需要估计协方差的数据融合算法,可以满足导航精度要求。     

竖炉焙烧过程智能故障诊断系统

针对赤铁矿石竖炉焙烧过程故障诊断问题,将专家系统、神经网络与案例推理技术相结合,提出了由故障预报、质量监督、故障分析与处理模块构成的竖炉焙烧过程智能故障诊断系统。讨论了系统的体系结构、功能及实现方法,并成功应用于中国最大的赤铁矿选矿厂的竖炉焙烧过程。经过现场运行,故障诊断准确率达到90%,设备运转率提高了2．98%。工业应用结果表明,本文提出的智能故障诊断系统对竖炉焙烧这类复杂工业过程的故障诊断可行。     

基于神经网络的直升机自动倾斜器轴承故障诊断方法

为了进一步提高直升机的安全性，利用BP神经网络和RBF神经网络对直升机自动倾斜器轴承进行故障诊断。完成了直升机自动倾斜器轴承故障植入试验，获取了自动倾斜器轴承的故障振动数据，并进行了振动数据的特征信号提取。采用振动数据特征信号的多参数融合作为神经网络的输入，对自动倾斜器轴承故障进行诊断，获得了较高的故障诊断率。采用基于神经网络的故障诊断方法，自动倾斜器轴承各类故障的最高故障诊断率均大于89%。     

Dynamic Model of Hysteresis in Piezoelectric Actuator Based on Neural Networks

A dynamic hysteresis model based on neural networks is proposed for piezoelectric actuator.Neural network has been widely applied to pattern recognition and system identification.However,it is unable to directly model the systems with multi-valued mapping such as hysteresis.In order to handle this problem,a novel hysteretic operator is proposed to extract the dynamic property of the hysteresis.Moreover,it can construct an expanded input space to transform the multi-valued mapping of hysteresis into one-to-one mapping.Then neural networks can directly be used to approximate the behavior of dynamic hysteresis.Finally,the experimental results are presented to illustrate the potential of the proposed modeling method.