p; 如果剩余 是由传感器故障引起的,那么相应的估计 用来取代失败的传感器,提供分析冗余 。
在故障调节 逻辑里,故障控制增益 用来提供一个从 故障传感器 到其相应的估计平稳过渡。
4 数字仿真示例 例如一个涡轮轴发动机 ,图 2显示了 由 发动机 、 控制系统 和 基 于 传感器故障诊断 的 AANN组成 的闭环控制系统。
感兴趣的主要变量是 ng, np, Tt45, Ps3, Ml 和 WfB 。
np 是动力涡轮给定的速度, Ml 和 npg是 输 入。
反馈控制变量是 ng, np, Tt45, Ps3 。
只有当 AANN 输入变量是相关的,有效的变量 才 可以从瓶颈层 提取出来 。
6 个变量的协方差 矩阵 , ng, np, Tt45, Ps3, WfB,Ml 可以 反映 相关性:当 | rij 表示 |“ 0 4 的协方差矩阵 R, i 及 j 个变量被认为是不相关 : R= ng Tt45 Ps3 WfB np Ml 1.00 0.99 1.00 0.97 0.87 -0.19 ng 0.99 1.00 0.99 0.97 0.90 -0.21 Tt45 1.00 0.99 1.00 0.98 0.85 -0.16 Ps3 0.97 0.97 0.98 1.00 0.80 -0.05 WfB 0.87 0.90 0.85 0.81 1.00 -0.54 np -0.19 -0.21 -0.16 -0.05 -0.54 1.00 Ml 当 | Rij | < 0.4 时,协方差矩阵 R 里的 ith 和 jth变量认为是不相关的。
如上所述,瓶颈层中的 2 个节点被选。
采用交叉验证理论, AANN 分别用 8 – 16 个映射节点进行训练 。
当 传感器故障申报, 它将 切断从 AANN 的 输入 。
然后网络的输入将会由 传感器的最后估计替换,网络仍然可以运行良好。
采用 ERS 来按 实时要求 检测传感器故障。
考虑到不确定性的鲁棒性, AANN 用普通数据和网络补偿进行训练。
基于 AANN 的 传感器故障诊断和发动机控制系统的重构过程 是: ( 1) 从测试或仿真收集数据和使用普通数据脱机训练 AANN。
本文采用相关变量。
( 2) 采用最优估计和故障检测的综合逻辑以区分 剩余 是否是 来自于 传感器故障,气路故障或估计错误。
因为燃气涡轮发动机部件故障或性能退化 ,速度,流量,温度和压力测量会有所不同 。
&nb