受电弓系统可靠性评估的超椭球贝叶斯网络方法

针对受电弓系统复杂多态特性以及故障概率难以精确表达的问题,且现有研究主要滞留于结合证据理论的模糊贝叶斯网络的现状,首次将超椭球贝叶斯网络引入受电弓可靠性分析中,规避了模糊贝叶斯网络区间取极值的情况,使得根节点的概率取值区间进一步被界定;进而以超椭球贝叶斯网络求解受电弓系统在不同故障状态下的叶节点故障率、灵敏度、后验概率等可靠性参数,找出了影响系统可靠性的高风险事件.经与模糊贝叶斯网络对比可知,超椭球贝叶斯网络区间更小,验证了新方法的正确性与实用性.     

基于椭球凸模型的结构模糊可靠性分析

结构工程中不仅存在随机不确定性,还存在模糊不确定性.针对结构模糊可靠性问题,提出了一种基于模糊分解定理的超椭球凸模型响应面法,适用于隐式结构功能函数的模糊可靠性求解问题.首先,通过在置信水平[0,1]内遍历隶属度值确定结构可靠度的可能性分布函数,将模糊变量转化成在置信水平[0,1]下的区间变量;其次,建立超椭球凸集模型...     

基于T-S模型的液压缸模糊故障树分析方法研究

针对液压油缸故障树分析时存在的故障数据获取不足以及传统分析方法的限制,提出了基于T-S模型的液压油缸模糊故障树分析方法,对已建立的液压油缸T-S模糊故障树进行分析﹒分析过程中,采取将底事件的模糊失效率替代为其故障概率的方法,同时将其故障程度用模糊数来表示﹒对液压油缸T-S模糊故障子树进行实例分析,计算并分析所建立的液压油缸模糊故障子树的各故障分析数据﹒     

T-S模糊门在因果图中的应用

T-S模糊门在故障树分析中已得到广泛应用,并具有较好的实用性.鉴于因果图和故障树都可以用于故障诊断,用图形表示因果关系,两者具有很多相似性,并且在一定条件下,因果图和故障树可以相互转化,故将T-S模糊门引入到因果图中,考察其实用价值.     

基于模糊因果图的地铁车门系统可靠性分析

针对地铁车辆在运行过程中车门不能正常打开这一问题,利用因果图建立模型,并结合相关部件发生故障的概率,对地铁车门系统进行可靠性分析.由于系统中各部件发生故障的概率具有不确定性,故引入三角模糊数对因果图进行定量分析,从而得到各事件发生的模糊条件概率.最后,根据相关统计资料及数据,在已知证据条件发生的情况下,确定对车门系统影响最大的事件以及导致该事件发生的主要原因.研究表明,模糊因果图能够有效地对系统进行可靠性分析.     

基于在线模糊聚类的故障检测和容错控制

提出了一种新的基于T-S模糊模型在线辨识的非线性系统的故障诊断与容错控制策略.在闭环控制中,根据在线产生的数据对T-S模糊模型进行辨识,当故障引起系统动态的结构性变化时,在线模糊聚类算法能够辨识出系统的重大改变并产生新的模糊规则描述系统新的动态,同时基于T-S模型的控制律也会做出相应的调整.分析了T-S模糊模型结构和参...     

基于粗糙集理论和因果图的故障诊断

【目的】复杂系统发生故障时会导致许多冗余信息产生，以此建立的因果图模型结构复杂，推理难度较大，针对这个问题提出了基于粗糙集和因果图理论的故障诊断方法。【方法】先根据历史故障数据建立决策表，利用粗糙集理论对决策表进行属性约简得到最小决策表，再根据最小决策表对原始因果图进行约简，最后利用约简后的因果图模型进行故障诊断推理。【结果】从一定程度上降低了因果图模型的复杂程度，从而提升了推理速度。【结论】以某电网为例应用此方法，因果图模型的确得到了简化，样本检验结果也与实际结果一致，说明了该方法的可行性和准确性。     

模糊因果图分析方法新探

因果图理论是一种基于概率论的不确定性推理模型,能够很有效的对系统进行故障诊断和分析,但在因果图模型中,要求事件的发生概率为精确值.然而在实际生活中事件的发生概率具有模糊性和不确定性的特点.将模糊集合理论引入其中,将普通事件拓展为模糊事件,并且对模糊因果图进行了定性和定量分析,解决了获取事件发生概率精确值的难度,也使得因果图的应用范围更广.     

水翼双体船纵向姿态鲁棒估计的仿真实验研究

针对水翼双体船纵向运动的非线性,提出了一种基于 T-S 模糊模型的鲁棒滤波器,对水翼双体船的纵向运动姿态进行估计。建立水翼双体船运动模型的 T-S 模糊模型,将鲁棒滤波与 T-S 模糊模型相结合,建立基于 T-S 模糊模型的鲁棒滤波器,结合线性矩阵不等式求解增益矩阵,对水翼双体船的纵向姿态进行估计,并运用Matlab进行仿真。仿真结果表明,该方法是有效可行的。     

基于神经网络模糊观测器的非线性系统的故障诊断

本文运用T-S模糊模型建立非线性系统的系统模型,用神经网络逼近非线性故障,用以设计观测器诊断系统故障。仿真结果表明,该设计方法能够有效的估计出故障大小。     

模糊神经网络及其在系统建模与控制中的应用

模糊神经网络是模糊系统和神经网络的有机结合,它吸取了两者的优点.给出了两个具体的模糊神经网络结构以及相应的学习算法;介绍了利用模糊神经网络建立T-S模糊模型的方法;讨论了基于T-S模糊模型的控制系统分析和设计.     

基于T-S模糊模型的观测器和动态输出反馈容错控制器设计

针对具有执行器故障和传感器故障的非线性系统,提出了一种基于T-S模型的观测器设计和动态输出反馈控制器设计方法。首先,将非线性系统转化为T-S模型,以此模型作为设计模型,利用扩展传感器故障为辅助状态向量的方式,将系统扩展为增维的T-S描述系统;然后,针对增维的T-S描述系统,设计模糊自适应观测器以达到对非线性系统的状态、执行器和传感器故障同时估计的目的;最后,基于观测器对传感器和执行器故障的估计,设计了一种动态输出反馈容错控制器以达到容错控制的目的,其中以线性矩阵不等式的方式给出了观测器和容错控制器存在的充分性条件。通过实例仿真验证了该文设计方法的有效性。     

基于T-S模糊建模方法的近空间飞行器姿控系统传感器故障调节技术研究

针对近空间飞行器从近空间空域返回地面再入大气层的飞行过程中其姿态控制系统发生传感器故障的情况,研究了基于广义扩张系统方法的传感器故障调节问题。首先,将再入飞行阶段的近空间飞行器非线性姿控系统用一组T-S模糊模型来表示,并基于此模糊模型引入传感器故障模型。然后,将含有传感器故障的T-S模糊模型利用广义扩张系统方法将其转化为T-S模糊奇异系统,进而设计一个全维状态观测器来得到被控系统的状态向量和传感器故障信号的估计值,并在此基础上提出了一个利用传感器故障补偿技术的反馈控制策略,使得闭环控制系统能够渐近调节传感器故障的影响。最后,通过数值仿真验证了所提方案的有效性。     

基于改进T-S云推理网络的板形模式识别方法

将云模型与T-S模糊神经网络相结合,利用正态云代替模糊神经网络的隶属度函数,构成T-S云推理网络.该网络综合考虑了模糊逻辑的快速性和云模型处理数据的不确定性,增强了网络处理数据的能力,同时分析了T-S云推理网络的结构和稳定性.在超熵确定的情况下,使用最速下降法辨识了T-S云推理网络的参数,将该网络应用于板形模式识别,并与T-S模糊神经网络作了对比.仿真结果表明:T-S云推理网络抗干扰能力较强,能够识别出常见的板形缺陷,并且识别精度较高.     

非线性网络控制系统T-S模糊控制研究

文章采用T-S模糊模型描述非线性网络控制系统,针对该系统中存在的前向通道和反馈通道时延,采用史密斯预估器进行补偿;对非线性网络控制系统建立了T-S模糊模型,给出该模型的稳定模糊控制器存在的充分条件和模糊状态反馈控制器的设计方法,并给出相应的线性矩阵不等式形式和具有常数衰减度系统的稳定性存在的充分条件和相应的线性矩阵不等式形式;仿真算例结果表明,模糊状态反馈控制器的设计是行之有效的。     

一类非线性随机网络系统的均方指数稳定控制

研究了一类非线性随机网络控制系统的均方指数稳定控制问题.通过在网络诱导时延的时变区间插入分点,把网络诱导时延转化为满足区间Bernoulli分布的随机变量,并根据随机变量在不同区间上的取值,利用T-S模糊方法建立了网络控制系统新模型.把线性矩阵不等式方法应用到新模型的处理中,得到了时延依赖的指数稳定条件,给出了模糊控制的设计方法,并对一类具体的网络系统进行了数值计算和模拟仿真.     

基于T-S模糊模型的自适应重构控制

针对建模误差,外界干扰及操作故障等因素对重构控制的影响,提出了一种基于T-S模糊模型的自适应重构控制方案。整个方案基于模糊T-S模型,在与神经网络的学习能力相结合后,使模糊控制器能自动调整它的隶属度函数,为模糊控制器增加了相当的灵活性,可重构的控制律又使系统在故障情况下的输出精确跟踪期望参考模型的输出,可以有效地补偿故障引起的非线性因素的影响。仿真结果表明了所提出的方法的有效性。     

基于T-S模糊故障树的某柴油机缸套可靠性分析

为了克服传统故障树方法概率获取难度大、故障机理不明确等缺点,文章提出了一种T-S模糊故障树方法,将T-S故障树与模糊理论相结合,以某型柴油机缸套异常磨损为案例进行可靠性分析.提出了基于信心指数的专家调查法得到底事件的模糊概率并进行修正,求得缸套磨损在不同故障程度下的模糊概率;由各个底事件的故障状态得到缸套磨损在不同故障...     

T-S模糊神经网络在风机故障诊断中的应用

针对供热锅炉房风机故障的不确定性和复杂性的特点,结合神经网络的自适应自学习能力和模糊系统利用语言描述来获取知识的优点,建立了一种基于T-S模糊神经网络的风机二级故障诊断模型,以风机常见故障振动信号的特征频谱峰值变化为依据,诊断故障类型,并对故障原因进行识别。应用MATLAB软件进行系统仿真测试,通过实例与BP神经网络进行了对比分析,结果表明基于模糊神经网络的故障诊断方法收敛速度快、诊断精度高、效果较稳定,能够有效地诊断风机故障。     

T-S模糊神经网络在冠心病智能诊断中的应用

 冠心病是一种最为常见的心血管疾病,近年来在中国的发病率与死亡率逐年升高,准确诊断和及时治疗是有效降低冠心病死亡率的主要措施。通过引入模糊系统的理论,在传统BP神经网络结构中加入了模糊层与模糊规则计算层,建立了T-S模糊神经网络模型。使用该模型对采集于克利夫兰诊所的297组数据进行分析预测,与传统BP神经网络预测结果对比显示,T-S模糊神经网络模型的平均准确率为82.93%,而传统BP神经网络的平均准确率为75.56%,表明T-S模糊神经网络模型在冠心病的智能诊断中具有较高的预测准确率。