[发明专利]一种基于HBF神经网络观测器的故障诊断方法

权利要求书

1.一种基于HBF神经网络观测器的故障诊断方法，其是在样本系统数学模型建立的基础上进行的，其特征在于：其过程如下：

1)、选取样本系统的样本输入和样本输出；

2)、将样本系统的样本输入输入超基函数神经网络观测器得到估计输出；

3)、根据估计输出和实际输出得到估计输出残差为：

ey(t)=y(t)-y^(t)]]>

式中，y(t)表示样本输出，表示估计输出；

设误差估计函数为

式中，U为加权对角矩阵；其故障检测规则为：

其中，T为故障检测的阈值。

2.根据权利要求1所述的基于超基函数神经网络观测器的故障诊断方法，其特征在于：所述超基函数神经网络观测器的过程如下：

1)、获取n_x个非线性系统故障样本的输入和输出；根据输入值输出值选择隐藏层神经元数J；

2)、用“决策树叶”表示决策区域其表示为：

计算样本输入在决策域的网络中心其公式为：

c_ij＝(min(x_ij)+max(x_ij))/2i＝1,...,n_x

计算决策域内核宽度，其公式为：

σ_ij＝(max(x_ij)-min(x_ij))/2i＝1,...,n_x

3)、计算所有输入样本在决策域对应的基函数值；

首先采用Mahalanobis-like计算样本输入与网络中心的距离：

||xi-cj||Σj=(xi-cj)TΣj(xi-cj);]]>

式中：Σ_j为正定方阵；

Σj=diag(1/σ12,1/σ22,...,1/σnx2),j=1,2,...J,]]>

则相应的基函数计算为：

hj(xi,cj,Σj)=e-0.5(xi-cj)TΣj(xi-cj)]]>

4)、定义输出误差

设x^μ,y^μμ＝1,...,M为训练样本集的特征向量与目标向量；则误差函数为：

E(W)＝||HW-Y||²

其中，W为输出层的权值矩阵；H＝(H_μj)＝(h_j(x^μ,c_j,σ_j))，H_μj为第μ个输入向量x^μ对应的第j个基函数的输出；Y＝(Y_μj)，Y_μj第μ个目标向量y^μ的第j个分量；

5)求解输出权值向量

根据误差最小化原则，求解输出权值向量；对于满足要求的误差，按下式求解权值向量

W＝H⁺Y

其中H⁺为矩阵H的伪逆；对于不满足要求的误差，按如下公式调整权值，跳转步骤4)；

W_k+1＝W_k+ΔW_k

ΔWk=-η∂E∂W.]]>