[发明专利]基于凸组合算法优化前馈神经网络观测器的故障诊断方法

权利要求书

1.基于凸组合算法优化前馈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前馈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

γ(t)=eyT(t)Uey(t)]]>

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所述的基于凸组合算法优化前馈神经网络的故障诊断方法，其特征在于：所述前馈神经网络观测器为基于凸组合算法优化神经网络观测器，其优化过程如下：

1)、构成构建单隐藏层前馈神经网络；

(1)、获取n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h；

(2)、初始化聚类中心及权值矩阵(V₀⁺,W₀)，从系统故障样本中选择h个取值不同样本为初始聚类中心；

(3)、计算n个样本输入与初始聚类中心的距离，其公式为：

||x_i-c_j||＝(x_i-c_j)^T(x_i-c_j)，i＝1,2,...,n,j＝1,2,...,h；

式中：x_i表示样本输入，c_j表示初始聚类中心；

(4)、利用模糊C均值聚类确定聚类中心，完成单隐藏层前馈神经网络；

2)、采用凸组合算法优化单隐藏层前馈神经网络；

(1)、定义误差函数E为：

式中，V⁺为权值矩阵V的伪逆，W＝[w_ij]_p×n为输入层到隐藏层的权值矩阵，d_i表示期望输出，h_i为单隐藏层前馈神经网络的基函数；

为了找到合适的V^+*、W^*使得E(V^+*,W^*)＝0，求误差函数对权值矩阵的偏导数

∂E∂V+=Σi=1n(V+di-hi)diT]]>

令∂E/∂V+=0,]]>可得

V^+*＝HD^T(DD^T)^-1

式中，H＝[h₁,h₂,…,h_n]_p×n，D＝[d₁,d₂,…,d_n]_m×n；

(2)对于样本输入与期望输出(x_i,d_i)及任意初始聚类中心和权值矩阵(V₀⁺,W₀)，X为输入向量矩阵，则

定义

Z_k＝V_k⁺D

式中，k为迭代次数；

则

Z₀＝V₀⁺D

若Z₀＝H₀，则误差为0；

否则，按下式调整权值矩阵后重复步骤2)；

Vk+1+=[αHk+(1-α)Zk]D+]]>

式中，0＜α,β＜1。

3.根据权利要求1所述的基于凸组合算法优化前馈神经网络的故障诊断方法，其特征在于：所述利用模糊C均值FCM聚类确定聚类中心为：把n个向量x_i(i＝1,2,…,n)分为c个模糊组，求每组的聚类中心，使得非相似性指标的价值函数达到最小；FCM用模糊划分，使得每个给定数据点用值在[0，1]区间的隶属度来确定其属于各个组的程度；其具体过程如下：

(1)数据归一化，将样本数据归一化到[0，1]；

(2)用值在[0,1]间的随机数初始化隶属矩阵U；

(3)计算聚类中心c_j，j＝1,…,h；

(4)计算价值函数。如果它小于某个确定的阀值，或它相对上次价值函数值的改变量小于某个阀值，则算法停止；

(5)计算新的U矩阵，返回步骤(2)。