论文部分内容阅读
现代工业控制过程对系统安全性和可靠性的要求日益提高,然而复杂系统控制过程中又不可避免地发生故障,如何快速诊断出系统故障,既是控制系统稳定的保证,也是控制过程安全经济运行的基本要求。本文以非线性系统的执行器故障为研究对象,主要研究了遗传算法和粒子群算法优化后的小波神经网络在非线性系统出现执行器故障时的故障诊断方法。在现有的系统故障诊断方法中,智能故障诊断方法相对于传统方法具有明显的优势。基于小波神经网络的智能故障诊断方法是一种很有效的诊断方法,利用小波神经网络设计系统观测器,通过分析处理系统残差,进而实现非线性系统的故障诊断。对小波神经网络的收敛速度慢、易陷入极小值等缺陷,本文采用遗传算法和粒子群算法两种方法对其进行改进。针对一类状态不可测的非线性时滞系统执行器故障问题,提出了利用遗传算法优化小波神经网络的诊断方法。在小波神经网络构造状态观测器的基础上,利用其输出信息及小波神经网络的非线性逼近能力对系统不可测状态进行估计,执行器故障发生时由故障估计器估计故障模型,从而实现对非线性时滞系统的故障诊断。这种方法改善了小波神经网络收敛速度慢和局部寻优的缺点,同时为实际应用创造了条件。考虑另一类存在建模误差、干扰以及故障不确定项的非线性系统执行器故障问题,提出了采用粒子群算法优化小波神经网络的诊断方法。对于该系统控制过程中发生的不可预测的执行器故障,设计了基于小波神经网络的系统观测器,其中网络参数是通过系统残差来调整,且故障前后控制系统都能保持稳定。最后通过仿真实例,验证了运用该方法解决此类非线性故障诊断问题的可行性,同时能够实现系统执行器故障的在线诊断。