基于自适应神经网络的非线性系统的智能故障诊断

针对一类模型未知的非线性系统,提出了一种基于自适应神经网络的故障诊断方法,用RBF神经网络构造了状态估计器和故障估计器,解决了非线性系统状态不可测时的故障诊断问题。并用Lyapunov方法研究了故障误差和状态误差的收敛性,结果表明了该方法实用、有效。     

基于小波神经网络的一类非线性系统的故障检测

针对一类非线性系统,提出一种小波神经网络(wavelet neural network,WNN)自适应故障检测方法。WNN具有较强的泛化能力及不同的激活函数。通过设计自适应状态观测器技术,利用小波神经网络观测器良好的观测性能来观测系统的当前状态,并将其应用于一类非线性系统中,实现故障检测与诊断。利用Lyapunov直接方法从理论上证明了小波神经网络故障检测观测器的稳定性,仿真结果亦表明了该非线性系统故障检测观测器的可靠性和稳定性。     

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。     

基于神经网络的一类非线性系统参数估计

基于Ｈｏｐｆｉｅｌｄ神经网络的神经计算原理，提出了一类非线性系统的参数估计方法：首先将系统参数估计问题转化为以系统模型残差平方和为目标函数的优化计算问题，然后利用连续Ｈｏｐｆｉｅｌｄ神经网络的神经计算估计待辨识参数．数字仿真结果表明，该方法不仅算法简单，而且估计精度高．     

基于神经网络数据融合方法的模拟电路故障诊断

根据模拟系统故障检测原理，采用神经网络与数据融合相结合的方法进行模拟电路故障诊断，提出了一种新型的基于D-S证据神经网络的故障检测与诊断方法．应用D-S证据理论对径向基函数网络进行了修正，用具有一个输入层、两个隐含层和一个输出层的神经网络实现．各个证据体的基本概率赋值的获取是D—S证据理论在实际应用中的难点问题，本方法中采用的是根据输入模式与原型模式之间的相似度以及原型模式的类别隶属度来确定基本概率赋值．借助神经网络自学习的功能，实现对类别隶属度的最优化．结果表明该方法能快速有效地进行故障诊断中大量数据的处理，具有很强的鲁棒性．     

基于神经网络的非线性系统辨识

基于神经网络实现了非线性系统的分析,给出了计算实例,实验结果表明了方法的有效性。     

基于神经网络的非线性系统辨识方法

主要介绍利用多层神经网络进行非线性系统辨识的几种模型以及相应的算法，并分析和比较它们的辨识性能．为高度不确定性动态系统的综合设计提出了一种分析方法。     

基于神经网络的二阶非线性系统的自适应控制

本文采用神经网络对二附非线性系统进行特征辩识,并将其用于自适应控制,从而得到了一种新型的自适应控制方法。仿真实验表明该方法具有很强的学习能力和自适应性。     

基于过程神经网络的非线性动态系统辨识

研究了过程神经网络在非线性动态系统辨识方面的应用.针对传统神经网络在解决系统过程式输入和时间顺序依赖性问题时出现的使模型和算法复杂化的弊端,提出了一种时变输入输出的过程神经元网络模型作为系统的辨识模型,采用基于函数基展开的梯度下降算法,以油田井组注采系统为例验证了模型和算法的有效性,进而说明了过程神经元网络对于解决系统过程式输入的非线性动态系统辨识问题的适用性.     

基于小波神经网络的非线性动态系统辨识

在小波神经网络的基础上提出了一种辨识非线性动态系统的方法．该方法有效地将系统辨识所需要的结构形式与多层神经网络及小波基函数所构成的分辨率信息处理过程相结合,建立了从数据到符号的自适应机制．仿真结果表明,该方法具有收敛速度快、逼近精度高、鲁棒性好等优点．     

基于RBF神经网络的传感器非线性故障鲁棒诊断

针对一类非线性系统,传感器非线性故障情形,提出了新的故障诊断方法·该方法采用状态变量扩展技术将传感器故障转化为系统故障进行诊断,RBF神经网络对传感器故障的导函数进行估计,网络权值在线调整,进而实现故障的实时估计·对于系统中存在的不确定性,故障诊断方法应用阈值处理技术,使算法具有一定鲁棒性·对于给出的算法,证明了Lyapunov稳定性·最后,给出了仿真实例,结果验证了该方法的正确性·     

非线性系统故障诊断与容错控制技术综述

介绍了一般非线性系统的模型,分析了非线性系统故障诊断与容错控制的特点,在此基础上综述了国内外在非线性系统故障诊断和容错控制技术上的研究进展和主要方法：包括基于滑模观测器的诊断方法、基于未知输入观测器的诊断方法、基于非线性观测器的容错控制、基于H∞的鲁棒容错控制方法等。总结了该领域待解决的几个重点和难点问题,并对该研究领域的发展趋势进行了展望。     

执行器故障检测的神经网络观测器方法

针对一类非线性系统,提出了一种用于执行器故障检测的神经网络观测器方法·这种非线性系统具有未知非线性函数,不需要满足结构匹配条件,并且不要求系统状态可测·观测器利用神经网络器逼近系统中的未知非线性项,提高了状态估计的精度·估计的残差提供了故障检测的手段,另一方面利用自适应律进行故障的识别·基于李亚普诺夫方法,从理论上证明了状态估计误差稳定且渐近收敛到零·最后,仿真结果表明该方法的有效性·     

基于BP的车辆系统故障诊断模式识别

针对车辆系统存在的故障问题，引入了模式识别的诊断方法，对故障诊断过程中的故障分类、数据采集以及信号处理进行了分析．结合汽车离合器故障特征，应用改进的人工神经网络算法进行了故障识别，在进行样本学习时，网络系统能够较快的达到稳定状态，满足故障诊断的要求．最后指出了车辆系统故障诊断的意义和发展方向．     

基于神经网络的故障诊断推理方法

针对传统诊断技术的局限性,研究了基于ＢＰ模型神经网络的故障诊断推理方法,它只需选择足够的具有代表性的故障样本训练神经网络,将代表故障的信息输入给训练好的神经网络,根据神经网络的输出结果,就可以判断发生故障的类型．神经网络一旦训练好,由于其具有容错性,不仅能诊断出已经出现过的故障,还能在一定范围内诊断出从未出现过的故障,使故障诊断智能化和简单化．仿真结果表明,基于神经网络的故障诊断方法是行之有效的     

基于BPNN的非线性电阻网络故障诊断方法研究

针对非线性电阻网络，提出了一种规范式分段线性化求多值解，并采用BPNN对非线性电阻网络硬故障进行诊断的方法，克服了一般方法对非线性电阻网络硬故障诊断时易存在的漏诊问题。     

非线性电阻网络故障诊断中漏诊现象的消除

针对非线性电阻网络,建立了规范式分段线性化故障诊断模型,提出了基于神经网络的非线性电阻网络硬故障诊断方法,从而克服了用一般方法对非线性电阻网络故障诊断中的的漏诊现象.     

应用神经网络对电液伺服阀进行故障诊断

以电液伺服阀为研究对象，以液压CAT为手段，将BP网络与电液伺服阀故障诊断相结合，成功地实现了伺服阀状态的模式识别。