相关性当表示协方差矩阵，及个变量被认为是不相关当时，协方差矩阵里和变量认为是不相关。

如上所述，瓶颈层中个节点被选。

采用交叉验证理论，分别用个映射节点进行训练。

当传感器故障申报，它将切断从输入。

然后网络输入将会由传感器最后估计替换，网络仍然可以运行良好。

采用来按实时要求检测传感器故障。

考虑到不确定性鲁棒性，用普通数据和网络补偿进行训练。

基于传感器故障诊断和发动机控制系统重构过程是从测试或仿真收集数据和使用普通数据脱机训练。

本文采用相关变量。

采用最优估计和故障检测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。

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。

计算故障系数矩阵气路分析可以将它们和传感器故障区分开。

无论何时，当误差矢量分量变大和所有其他矢量分量仍然很小，传感器故障轴向方向进行故障定位。

如果差异是由性能退化引起，那么将得到网络补偿，直到差异消除。

如果差异是由传感器故障引起，那么坏了传感器被切断，取而代之是网络估计。

在这个例子中，训练集是由不同功率层，马赫数和包括各种高度稳定状态工作点中个点构成。

零均值正态分布噪声被添加到训练数据输入不是目标值，使学习计算机和网络之间数据相关。

另外循环在训练期间重新启动几次，每次使用不同噪声值和更改训练集中数据顺序，以避免由于数据在训练集中特殊位置而造成建立任何集合体。

图是发动机软故障检测结果。

软故障通过设置传感器以每秒速度增长缓慢来启动。

故障表征和级阈值是被用来进行传感器故障检测。

当故障控制增益在秒时比大时，传感器有可能有软故障或者性能退化。

当估计和传感器输出之间误差比大时，个可能故障就被孤立了。

当误差大于，故障控制增益是，其它传感器故障控制增益仍然很小，故障被宣布为已被检测。

当传感器故障被成功检测和调控，剩余又会变很小。

当故障被宣布，从传感器输出到网络估计都能顺利调节。

在整个过程中，尽管传感器输出和估计有偏差，控制器用调节值偏差很小，所以发动机能正常工作。

结论是种具有特殊拓扑结构前馈神经网络。

它具有优良特征提取和噪音过滤功能。

个采用进行传感器故障检测和发动机控制系统重建实例已经被展现出来了。

仿真结果表明，基于冗余分析只使用了发动机传感器输出成分构成。

为了提取出主成分，函数和被用来尽量减少值。

函数和可以用两个带有个隐藏层前馈神经网络代替。

这个被称作结合网络，可以产生‟映射，如图所示。

包含了三个隐藏层映射层，瓶颈层和解映射层。

‟是输出，即输入经过滤后值，它和输入有着相同维数。

原始数据通过输入层映射层瓶颈层被压缩到低维特征空间，然后特征空间输出通过瓶颈层解映射层和输出层被映射到输出层，并且重建输入数据。

为了完整地保存瓶颈层里输入数据，衡量和偏差被优化了。

个关键就是瓶颈层，它节点在维数上是最小。

瓶颈层迫使输入进行内部编码和压缩，在瓶颈层之后又进行解码和解压缩，这样网络输出就产生了。

瓶颈层阻止在造就网络时进行对或者直通映射。

内部限制包括在瓶颈层内，这样就会使得知道所有输入内在联系，而不，不需要发动机模型。

最优估计和传感器故障诊断综合逻辑发展为区别最优估计和传感器故障。

这种逻辑能够避免由于传感器故障而导致损坏问题，也可避免估计导致误诊断问题。

即使有传感器故障，控制系统也将正常工作。

附件外文原文„，，，，，，，，，黄向华发动机数控系统智能解析余度技术南京南京航空航天大学，，严寒松航空发动机故障诊断南京南京航空航天大学，，与传感器故障。

轴向方向故障认定被用于识别最优估计原因。

如果剩余是由于最优估计造成，那么码和偏差将会得到网络补偿。

如果剩余是由传感器故障引起，那么相应估计用来取代失败传感器，提供分析冗余。

在故障调节逻辑里，故障控制增益用来提供个从故障传感器到其相应估计平稳过渡。

数字仿真示例例如个涡轮轴发动机，图显示了由发动机控制系统和基于传感器故障诊断组成闭环控制系统。

感兴趣主要变量是和。

是动力涡轮给定速度，和是输入。

反馈控制变量是，。

只有当输入变量是相关，有效变量才可以从瓶颈层提取出来。

个变量协方差矩阵可以反映相关性当表示协方差矩阵，及个变量被认为是不相关毕业论文设计外文资料翻译学院物理科学与电子技术学院专业电子信息工程姓名徐林学号外文出处附件外文资料翻译译文外文原文。

指导教师评语文献翻译英文文献与本专业相关，翻译量符合要求，译文能表达原文含义。

签名年月日附件外文资料翻译译文基于自联想神经网络发动机控制系统传感器故障诊断与重构摘要研究自联想神经网络及其在发动机控制系统传感器诊断及重构中应用。

自联想网络关键在于特征提取和噪声滤波。

综合自联想网络最优估计与故障诊断，自动区分估计误差和传感器故障。

仿真结果表明这种方法不需要模型，能诊断传感器硬软故障，当发动机性能退化时也能提供很好解析余度。

关键字自联想网络发动机传感器故障诊断解析余度传感器故障诊断和重建是充分实现发动机控制系统可靠性所必须。

鲁棒性要求给个故障诊断系统设计提出了挑战。

这种利用智能算法方式是很有发展前景。

对于套具有冗余信息传感器组，如果传感器之间关系是众所周知，就有可能重建个或多个传感器丢失数据。

通常情况下，这种关系可以被描述为用传感器测量值作为输入变量数学方程。

本文提供方法基于自联想神经网络，并且可以看清楚传感器之间关系和重建故障传感器自动联想神经网络拓扑结构非线性主成分分析产品是基础。

是个以最小信息损失为代价，从而将多维非线性数据映射到低维数据技术。

用代替个数据表观察数据数目，变量数目。

对于特征空间映射可以由下面公式来描述是主成分矩阵是主成分数目是个非线性向量函数。

恢复数据原来维度是通过另个非线性向量函数完成丢失信息由剩余度‟来进行测量，由少量涉及噪声或次要变量析冗余。

在故障调节逻辑里，故障控制增益用来提供个从故障传感器到其相应估计平稳过渡。

数字仿真示例例如个涡轮轴发动机，图显示了由发动机控制系统和基于传感器故障诊断组成闭环控制系统。

感兴趣主要变量是和。

是动力涡轮给定速度，和是输入。

反馈控制变量是，。

只有当输入变量是相关，有效变量才可以从瓶颈层提取出来。

个变量协方差矩阵可以反映是简元序号项目年总额达产达标年制造成本管理费用销售费用财务费用经营成本总成本费用项目年效益项目年效益见表。

表效益表单位万元序号项目总额备注产品销售收入减产品制造成本产品销售费用产品销售税金及附加产品销售利润减管理费用财务费用营业利润减企业所得税税后利润利润指标项目平均税后利润为万元。

投资利润率为。

投资利税率为。

项目税后现金流量项目税后现金流量见表。

表项目税后现金流量表单位万元序号年份项目建设期投产期生产期合计生产负荷现金收入销售收入回收固定资产回收流动资金返还的减免税现金流出固定资产投资流动资金经营成本销售税金及附加所得税净现金流量项目内部收益率投资现值万元年平均现金流量万元目标收益率生产期年由公式，计算内高于目标收益率及银行贷款利率，说明项目具有较强的获利能力。

投资回收期总投资万元年税后利润值万元年银行利率静态分析法静年动态分析法年动。

盈亏平衡点分析单位产品可变费用约万元套生产量套生产总成本中固定费用约万元套单位产品销售价万元套套套套。

也即当产品超过套模具时，企业可盈利。

经营安全率，表明经营安全性高。

敏感性分析为测算项目可能发生有关不确定因素变动，而使项目的经济指标有所波动，从而给项目带来风险，应控制其负影响，以确保项目的总体安全。

本项目采用固定资产经营成本销售价格产量的可能增减，而产生变动因素对项目内部收益率投资回收期的相应影响进行税后敏感性分析。

项目敏感性分析见表。

表敏感性分析项目变化幅度内部收益率增减量动态投资回收期年增减量年固定资产经营成本销售价格产量表数据说明，销售价格经营成本同为最敏感因素，当销售价格下降时，内部收益率就减少，投资回收期延长了年，当经营成本提高时，内部收益率就减少，投资回收期延长了年而产量和固定资产投资的因素相对较弱，但总的来说增减幅度都在以内，说明产品适应性抗风险能力强。

第十四章社会效益评价项目对社会的影响分析本项目定位为机械电子产业的前期配套工业项目，是章贡区委区政府利用本县丰富的人力资源优势，将其转化为经济优势，做大做强做优机电制造业这支柱产业构想的具体体现。

项目符合产业结构调整指导年本第十二条第款。

本项目的实施是使赣州市模具行业得到更大的发展机遇，使电子机械产业的科技含量提高到个新水平，是保持社会与经济的可持续发展重要举措。

项目符合赣州市委市政府制定的赣州市工业主导产业发展规划的产业政策，是呼应赣州市委市政府关于通过科技进步推动机电制造业产业集群做大做强做优的具体体现。

项目建成后对提高当地居民收入，加快脱贫致富步伐产生积极影响。

项目对社会效益的影响分析项目建成后，正常年可向国家缴纳销售税金与附加及企业所得税共万元。

项目建成后可直接新增岗位个以吸纳下岗，失业人员就业，新增间接为企业服务人员人主要是物资运送人员。

对促进社会安定改善人民生活起到积极作用。

如果产品实现出口，正常年可创外汇万美元以年美人民币计。

结论本项目符合项目参与者的多方利益，具有社会可行性。

本项目具有良好的经济和社会效益，对赣州市相关性当表示协方差矩阵，及个变量被认为是不相关当时，协方差矩阵里和变量认为是不相关。

如上所述，瓶颈层中个节点被选。

采用交叉验证理论，分别用个映射节点进行训练。

当传感器故障申报，它将切断从输入。

然后网络输入将会由传感器最后估计替换，网络仍然可以运行良好。

采用来按实时要求检测传感器故障。

考虑到不确定性鲁棒性，用普通数据和网络补偿进行训练。

基于传感器故障诊断和发动机控制系统重构过程是从测试或仿真收集数据和使用普通数据脱机训练。

本文采用相关变量。

采用最优估计和故障检测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。

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。

计算故障系数矩阵气路分析可以将它们和传感器故障区分开。

无论何时，当误差矢量分量变大和所有其他矢量分量仍然很小，传感器故障轴向方向进行故障定位。

如果差异是由性能退化引起，那么将得到网络补偿，直到差异消除。

如果差异是由传感器故障引起，那么坏了传感器被切断，取而代之是网络估计。

在这个例子中，训练集是由不同功率层，马赫数和包括各种高度稳定状态工作点中个点构成。

零均值正态分布噪声被添加到训练数据输入不是目标值，使学习计算机和网络之间数据相关。

另外循环在训练期间重新启动几次，每次使用不同噪声值和更改训练集中数据顺序，以避免由于数据在训练集中特殊位置而造成建立任何集合体。

图是发动机软故障检测结果。

软故障通过设置传感器以每秒速度增长缓慢来启动。

故障表征和级阈值是被用来进行传感器故障检测。

当故障控制增益在秒时比大时，传感器有可能有软故障或者性能退化。

当估计和传感器输出之间误差比大时，个可能故障就被孤立了。

当误差大于，故障控制增益是，其它传感器故障控制增益仍然很小，故障被宣布为已被检测。

当传感器故障被成功检测和调控，剩余又会变很小。

当故障被宣布，从传感器输出到网络估计都能顺利调节。

在整个过程中，尽管传感器输出和估计有偏差，控制器用调节值偏差很小，所以发动机能正常工作。

结论是种具有特殊拓扑结构前馈神经网络。

它具有优良特征提取和噪音过滤功能。

个采用进行传感器故障检测和发动机控制系统重建实例已经被展现出来了。

仿真结果表明，基于冗余分析只使用了发动机传感器输出成分构成。

为了提取出主成分，函数和被用来尽量减少值。

函数和可以用两个带有个隐藏层前馈神经网络代替。

这个被称作结合网络，可以产生‟映射，如图所示。

包含了三个隐藏层映射层，瓶颈层和解映射层。

‟是输出，即输入经过滤后值，它和输入有着相同维数。

原始数据通过输入层映射层瓶颈层被压缩到低维特征空间，然后特征空间输出通过瓶颈层解映射层和输出层被映射到输出层，并且重建输入数据。

为了完整地保存瓶颈层里输入数据，衡量和偏差被优化了。

个关键就是瓶颈层，它节点在维数上是最小。

瓶颈层迫使输入进行内部编码和压缩，在瓶颈层之后又进行解码和解压缩，这样网络输出就产生了。

瓶颈层阻止在造就网络时进行对或者直通映射。

内部限制包括在瓶颈层内，这样就会使得知道所有输入内在联系，而不