針對(duì)傳感器故障, 提出了一種基于RBF 神經(jīng)網(wǎng)絡(luò)的集成故障診斷方法。用RBF 神經(jīng)網(wǎng)絡(luò)建立傳感器故障模型, 對(duì)系統(tǒng)的狀態(tài)和故障參數(shù)進(jìn)行在線估計(jì), 然后將故障參數(shù)與修正的Bayes分類(lèi)算法(MB 算法) 相結(jié)合, 進(jìn)行傳感器故障在線檢測(cè)、分離和估計(jì)。對(duì)連續(xù)攪拌釜式反應(yīng)器(CSTR ) 的仿真結(jié)果表明, 該集成故障診斷方法能夠?qū)Χ嘀貍鞲衅鞴收线M(jìn)行快速準(zhǔn)確的分離和估計(jì), 并對(duì)傳感器故障具有容錯(cuò)性。
故障診斷技術(shù)經(jīng)過(guò)十幾年的迅速發(fā)展, 到目前為止已經(jīng)出現(xiàn)了許多方法。這些方法不論是在檢測(cè)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(duì)開(kāi)環(huán)系統(tǒng)的, 由于實(shí)際的控制系統(tǒng)一般都是閉環(huán)控制系統(tǒng), 具有內(nèi)在的魯棒性, 對(duì)回路內(nèi)的較小故障具有抑制作用, 這使得許多故障檢測(cè)與診斷方法都不適用。文獻(xiàn)[3 ]給出了一種非線性系統(tǒng)偏差故障的診斷方法, 由于強(qiáng)跟蹤濾波器對(duì)模型不確定性具有魯棒性、對(duì)于特變狀態(tài)和緩變狀態(tài)具有很強(qiáng)跟蹤能力, 因此該方法對(duì)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(lái)說(shuō)這方面的研究還比較少。
本文基于“等價(jià)偏差思想”, 針對(duì)傳感器故障, 提出了一種基于RBF (Radial basis funct ion) 神經(jīng)網(wǎng)絡(luò)的集成故障診斷方法。該方法用RBF 神經(jīng)網(wǎng)絡(luò)建立傳感器故障模型, 對(duì)系統(tǒng)的狀態(tài)和故障參數(shù)進(jìn)行在線估計(jì), 然后將故障參數(shù)與修正的Bayes 分類(lèi)算法(MB 算法) 相結(jié)合, 進(jìn)行傳感器故障在線檢測(cè)、分離和估計(jì)。最后, 將該方法用于一連續(xù)攪拌的釜式反應(yīng)器(Con t inuou s st irred tank reato r, CSTR) 中, 仿真研究結(jié)果表明, 該集成故障診斷方法能夠?qū)Χ嘀貍鞲衅鞴收线M(jìn)行快速準(zhǔn)確的分離和估計(jì), 并對(duì)傳感