故障檢測與診斷方法研究及其在網絡化系統(tǒng)中的應用.pdf

1、隨著科學技術的發(fā)展，系統(tǒng)逐漸向智能化、自動化、復雜化方向發(fā)展。系統(tǒng)在長期工作過程中，由于設備的磨損或老化，不可避免地會導致其出現故障。一旦故障發(fā)生，勢必對生產過程造成一定的影響，甚至出現財產損失和人員傷亡。因此，對設備進行及時有效的故障檢測與診斷具有非常重要的意義。同時，隨著計算機技術的發(fā)展與網絡的普及，網絡化系統(tǒng)越來越多地出現在生產過程中。由于網絡的承載能力和通信帶寬有限，以及環(huán)境遮擋和干擾等因素的影響，網絡系統(tǒng)中不可避免地存在時間延

2、遲和數據包丟失等問題，進一步增加了網絡化系統(tǒng)故障檢測與診斷的難度。在這樣的背景下，本文綜合考慮以上問題，重點研究故障檢測與診斷技術及其在網絡化系統(tǒng)中的應用，主要內容和創(chuàng)新點如下:
　　(1)提出了改進的殘差加權平方和故障檢測算法以及范數有界故障檢測算法。首先，針對網絡數據通信存在的一步隨機滯后和多丟包問題，應用新息分析方法，設計了在線性最小方差意義下的最優(yōu)線性濾波器，并分析了濾波器的穩(wěn)態(tài)特性。其次，基于所設計的濾波器，提出了改進的

3、殘差加權平方和故障檢測算法以及范數有界故障檢測算法，并通過仿真實驗對兩種方法的性能進行了比較研究。
　　(2)提出了一種具有自適應網絡結構和高分類準確率的BP神經網絡(BackPropagation Neural Network，BPNN)故障診斷方法。首先，針對BP神經網絡結構難以確定的問題，提出了基于有界最小信息準則(Akaike Information Criterion，AIC)的隱層神經元個數優(yōu)選方法，為神經網絡結構優(yōu)化

4、提供了一種有效途徑。其次，針對BP神經網絡在少樣本情況下分類準確率不高的問題，利用AdaboostM2（Adaptive Boosting Method2）算法可以提高任意系統(tǒng)學習能力的優(yōu)勢對BP神經網絡進行優(yōu)化，設計了BP_AdaboostM2強分類器，使其分類準確率大幅提高，同時給出了優(yōu)化過程中提高錯分樣本學習概率的措施。最后，通過實例驗證了該方法的實用性和有效性。
　　(3)提出了一種基于一致強度證據合成規(guī)則的故障診斷方法。

5、首先，針對經典DS合成規(guī)則無法處理沖突證據的問題，提出了一致強度的概念，進而給出了基于一致強度的證據合成規(guī)則，分析了其計算復雜度，并通過算例驗證該合成規(guī)則的有效性。最后，給出了一種基于一致強度證據合成規(guī)則的故障診斷模型及其實現步驟，并通過實例驗證了經過多故障特征融合后，能夠得到正確的故障診斷結果。
　　(4)應用前面所提出的方法解決移動機器人的故障檢測和診斷問題。針對移動機器人傳感器子系統(tǒng)和驅動子系統(tǒng)的故障特點，提出了基于系統(tǒng)新息