基于RBF神經網絡的控制系統傳感器故障診斷方法
加入技術交流群
非線性系統：本文引用地址：http://www.104case.com/article/163673.htm
式中：y(k)是傳感器實際輸出；u(k)是系統實際輸入；f(?)代表某個未知的動態系統(壓鑄機)的非線性關系；n，l，d分別代表系統結構的階次和時間延遲，并且假設u(k)，y(k)是可測的。
利用RBF神經網絡模型的徑向基函數來逼近f(?)。將函數：
作為RBF神經網絡訓練模型輸入層的輸入，通過上述隱含層高斯徑向基函數進行非線性變換，再利用上述模糊K均值聚類算法來選取聚類中心和訓練權值，最后得到整個網絡的輸出：
式中：y(k)為輸出層的輸出；ωi為修正后的權值；Fi(k)為第i個隱層節點的輸出；θ為輸出層節點的閥值，并將y(k)與當前系統的實際輸出y (k)進行比較，得到殘差δ(k)。若δ(k)小于預定閥值θ，表示傳感器正常工作，此時采用系統實際輸出的數據；若δ(k)大于預定閥值θ，說明傳感器發生故障，此時采用RBFNN觀測器的觀測數據作為系統的真實輸出，實現信號的恢復功能。
3．2 仿真實驗
在壓鑄機系統各傳感器正常工作時連續采集52組相關數據，將其分成2組，前40組用于對RBF神經網絡進行離線訓練，以構建RBF神經網絡觀測器；后12組用于對訓練好的網絡進行測試。表1為訓練樣本庫中的部分數據。
評論