針對傳感器故障, 提出了一種基于RBF 神經網絡的集成故障診斷方法。用RBF 神經網絡建立傳感器故障模型, 對系統(tǒng)的狀態(tài)和故障參數(shù)進行在線估計, 然后將故障參數(shù)與修正的Bayes分類算法(MB 算法) 相結合, 進行傳感器故障在線檢測、分離和估計。對連續(xù)攪拌釜式反應器(CSTR ) 的仿真結果表明, 該集成故障診斷方法能夠對多重傳感器故障進行快速準確的分離和估計, 并對傳感器故障具有容錯性。
故障診斷技術經過十幾年的迅速發(fā)展, 到目前為止已經出現(xiàn)了許多方法。這些方法不論是在檢測性能、診斷性能, 還是在魯棒性方面都有很大提高[ 1～ 2 ]。然而大多數(shù)方法都是針對開環(huán)系統(tǒng)的, 由于實際的控制系統(tǒng)一般都是閉環(huán)控制系統(tǒng), 具有內在的魯棒性, 對回路內的較小故障具有抑制作用, 這使得許多故障檢測與診斷方法都不適用。文獻[3 ]給出了一種非線性系統(tǒng)偏差故障的診斷方法, 由于強跟蹤濾波器對模型不確定性具有魯棒性、對于特變狀態(tài)和緩變狀態(tài)具有很強跟蹤能力, 因此該方法對傳感器故障、執(zhí)行器故障和元部件故障都適用。但是,
總的來說這方面的研究還比較少。
本文基于“等價偏差思想”, 針對傳感器故障, 提出了一種基于RBF (Radial basis funct ion) 神經網絡的集成故障診斷方法。該方法用RBF 神經網絡建立傳感器故障模型, 對系統(tǒng)的狀態(tài)和故障參數(shù)進行在線估計, 然后將故障參數(shù)與修正的Bayes 分類算法(MB 算法) 相結合, 進行傳感器故障在線檢測、分離和估計。最后, 將該方法用于一連續(xù)攪拌的釜式反應器(Con t inuou s st irred tank reato r, CSTR) 中, 仿真研究結果表明, 該集成故障診斷方法能夠對多重傳感器故障進行快速準確的分離和估計, 并對傳感