PDF《《自动化仪表》第＂# 卷第 $ 期＂%》

反之, 较大时间项 ,$ 和,% 可以使该策略在存在 模型不确定性和噪声时, 具有较强的鲁棒性.实际上, 应该综合考虑对故障诊断灵敏度和鲁棒性的要求, 来 选择 ,$ 和,%.这就要在故障诊断的鲁棒性和灵敏度 之间进行折衷. # 实验结果 在应用这些模型进行故障诊断之前, 应该先离线 进行模型训练.为了保证模型的精度, 需要选择一个 能充分激励对象的控制信号来激励对象, 使对象的动 态特性充分展示出来.图'

是在供气压力为 !'

'

9:;

? @)A 软件包完成此网络训练的.图'

显示了控制信号 (/) 、 对象输出 (0) 以及对象输出与 )*+,- 模型预测输 出之间的偏差 (7BBCB) .这里, 用了 %:D 的数据进行网络 的训练与检验.数据的采样周期为 $9$$%.从第 %&

秒 开始的 &

$$$ 条数据用于模型训练, 而其余的数据用于 模型检验.此外, 还用了在同样正常操作条件下, 不同 的控制激励信号下得到的数据进行模型的检验.结果 如图 E F 图G所示, 它显示了此模型具有较高的准确 度和较好的通用性. 笔者用上面阐述的模型训练方法, 训练了表 % 中!%基于自适应模糊神经网络的多模型在线故障诊断 师黎, 等图!用 #$#% 测试模型的性能 图&

用 #$#'

测试模型的性能 ! 种不同操作条件下的 ! 个不同模型. 图()图%'

显示了此故障诊断策略是如何探测和 诊断各种供气压力故障的.这些图显示了气动执行器 的输 出、 *+,-. 模型的预测输出、 二者之间的偏差(/01234#5) 和故障指数 (6#45$ 27308) , 其中粗实线表示对 象的输出或偏差, 细实线表示正常供气压力模型的输 出或偏差, 粗点化线表示很低供气压力故障模型的输 出或偏差;

细点化线表示低供气压力故障模型的输出 或偏差;

粗折

9 点线表示很高供气压力故障模型的输 出或偏差;

细折

9 点线表示高供气压力故障模型的输 出或偏差. 考虑气动执行器的动态特性, 为了强调故障诊断 的鲁棒性, 让故障探测器把起始段的震荡吸收了.这 里丢弃起始'

1的! ( #) 以防止在诊断开始段出现误诊 图:用 #$#;

测试模型的性能 图(当气动执行器工作在供气压力正常 条件下的故障诊断 (供气压力为 图@当气动执行器工作在非常低的供气压力 条件下的故障诊断 (供气压力为 '

A&

=@>

?#) 断的情........