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，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，而不是简单单位函数。具有噪声过滤性能，这种性能基于网络产生种适合数据系统相关性测量模型能力，排除了由于测量噪声产生随机变动。中滤波还要看冗余，冗余减少了变动，就像利用包含多个元素样本来减少统计误差控制中变动样。网络节点选择在合并后网络里，输入输出层里有个节点，瓶颈层里有个节点。为了确保有足够未经过拟合代表性容量，必须正确选择映射和解映射节点和是观测数据数目。交叉验证拿出大部分样本进行建模，留小部分样本用刚建模型进行预报也能被用来选择个适当映射和解映射节点数目，同时限制练习强度。对于发动机引擎来说，自我关系可以从不同测量热力学和气动之间联系得到，然后不同变量之间关系就可以确定，独立变量数目和瓶颈节点数目也能被确定。对于那些非线性对象来说，这种关系非常复杂，因为很难观测它们数学模型，这种自我关系能够由训练集协方差矩阵分析而得到。对于测量变量，协方差矩阵可以定义为≠反映了和独立关系。如果协方差矩阵中个元素为或者从零统计区分，那么相应测量值和是独立。通过对矩阵中测量变量结果重新排序而造成对角块里重新排列，揭示了测量依赖结构。里非零元素每个平方块代表个相互关联变量集。个块或块套和其他区块没有共享变量说明保留变量块中变量或块集独立性，不能引入两个变量独立变量到个单中。块重叠设置代表个相关变量子系统，块重叠集中块组数是个独立变量数目下限瓶颈节点。诊断传感器和基于重构当网络被频繁使用时，它能够被用于传感器诊断，这是由于输入变量中有大量冗余信息，当个或者几个传感器故障时，其他传感器能够代替故障传感器进行有效估计。通过与网络输出通信传感器输出比较来检查传感器故障，估计返回方案发展成了传感器故障诊断。如果传感器测量值及其估计值之间差异超过阈值，而其他传感器和相应估计值差异如相对低，那么就认为传感器故障发生。旦检测到故障传感器测量时，将和网络输入层断开。但是，神经网络将继续工作，通过使用大部分最近相应输入作为输出来代替故障传感器测量。这是因为当输入变量上有足够信息时，最近输出是个故障传感器测量较好估计。具备了对个事实容错能力，干扰可以从输入节点分布到网络，并对输出影响不大。该控制器将被切换到估计值继续系统运作。根据这种方案，该系统即使在多个传感器发生故障时也可以保持运作，只要正常传感器不少于瓶颈节点数。能够步完成结合检测隔离和调节能力是基于传感器验证方案主要优势。这种能力基于降维属性。性能退化或安装和制造容忍这些都是不确定性来源，将会导致最优估计估计误差。这些不确定性可能会被用于传感器故障或反之亦然。如果退化被误认为是传感器故障，故障将被地警告，导致不正确故障调节。如果传感器故障被误认为是退化，这将导致不正确网络补偿。本文中故障控制增益与软故障检测逻辑用于分辨最优估计与传感器故障。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