【正文】 畢業(yè) 論文 (設(shè)計(jì) )外文資料翻譯 學(xué) 院 ： 物理科學(xué)與電子技術(shù)學(xué)院 專 業(yè)： 電子信息工程 姓 名： 徐林 學(xué) 號(hào)： 07223138 外文出處： CHINESE JOURNAL OF AERONAUTICS 附 件： 外文資料翻譯譯文； 外文原文。 指導(dǎo)教師評(píng)語(yǔ)： 文獻(xiàn)翻譯的英文文獻(xiàn)與本專業(yè)相關(guān)，翻譯量符合要求，譯文能表達(dá)原文的含義。 簽名： 2020 年 5 月 12 日 附件 1：外文資料翻譯譯文 基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)控制系統(tǒng)傳感器故障診斷與重構(gòu) 摘 要 ： 研究自聯(lián)想神經(jīng)網(wǎng)絡(luò)及其在發(fā)動(dòng)機(jī)控制系統(tǒng)傳感器診斷及重構(gòu)中的應(yīng)用。自聯(lián)想網(wǎng)絡(luò)關(guān)鍵在于特征提取和噪聲濾波。綜合自聯(lián)想網(wǎng)絡(luò)的最優(yōu)估計(jì)與故障診斷，自動(dòng)區(qū)分估計(jì)誤差和傳感器故障。仿真結(jié)果表明這種方法不需要模型，能診斷傳感器硬、軟故障，當(dāng)發(fā)動(dòng)機(jī)性能退化時(shí)也能提供很好的解析余度。 關(guān) 鍵 字 ： 自聯(lián)想網(wǎng)絡(luò)；發(fā)動(dòng)機(jī)傳感器；故障診斷；解析余度 傳感器的故障診斷和重建是充分實(shí)現(xiàn) 發(fā)動(dòng)機(jī)控制系統(tǒng)的可靠性所 必須 的。魯棒性要求給一個(gè)故障診 斷系統(tǒng)的設(shè)計(jì) 提出了挑戰(zhàn)。這種利用智能算法的方式是很有發(fā)展前景 。對(duì)于一套具有冗余信息的傳感器組，如果傳感器之間的關(guān)系是眾所周知 的， 就有可能重建一個(gè)或多個(gè)傳感器丟失的數(shù)據(jù)。通常情況下，這種關(guān)系可以被描述為用傳感器測(cè)量 值作為輸入變量的數(shù)學(xué)方程。本文提供的方法基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)（ AANN），并且可以看清楚 傳感器之間的 關(guān)系和重建 故障 的傳感器 1 自動(dòng)聯(lián)想神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu) 非線性主成分分析產(chǎn)品 （ NLPCA）是 AANN 的 基礎(chǔ)。 NLPCA 是一個(gè)以最小信息損失為代價(jià)，從 而將多維非線性數(shù)據(jù)映射到低維數(shù)據(jù)的技術(shù)。用 Y=[y1 y2 … ym] 代替一個(gè)n x m 的數(shù)據(jù)表（ n=觀察數(shù)據(jù)的數(shù)目， m=變量的數(shù)目）。對(duì)于特征空間的映射可以 由 下面的公式來(lái)描述： T = G( Y) (1) T= [ t1 t2 … t f ]是主成分矩陣（ n x f）； f 是主成分的數(shù)目（ fm）； G 是一個(gè)非線性向量函數(shù)?；謴?fù)數(shù)據(jù)原來(lái)的維度是通過另一個(gè)非線性向量函數(shù)完成的 Y’= H( T) 丟失的信息由剩余度 E= Y Y?來(lái)進(jìn)行測(cè)量， E 由少量的涉及噪聲或次要 變量的成分構(gòu)成。為了提取出主成分，函數(shù) H 和 G 被用來(lái)盡量減少 E 的值。函數(shù) H 和 G 可以用兩個(gè)帶有一個(gè)隱藏層的前饋神經(jīng)網(wǎng)絡(luò)代替。這個(gè)被稱作 AANN 的結(jié)合網(wǎng)絡(luò)，可以產(chǎn)生 Y →Y? 的映射，如圖所示。 AANN 包含了三個(gè)隱藏層： 映射 層，瓶頸層和 解 映射 層。 Y?是 AANN 的輸出，即輸入經(jīng)過濾后的值，它和輸入有著相同的維數(shù)。原始數(shù)據(jù)通過輸入層、映射層、瓶頸層被壓縮到低維特征空間，然后特征空間的輸出通過瓶頸層、 解映射 層和輸出層被映射到輸出層，并且重建輸入數(shù)據(jù)。為了完整地保存瓶頸層里的輸入數(shù)據(jù)， AANN 的衡量 A 和偏差 B 被優(yōu)化了。一個(gè) AANN 的關(guān)鍵就是瓶頸層，它的節(jié)點(diǎn)在維數(shù)上是 最小的。瓶頸 層 迫使輸入進(jìn)行內(nèi)部編碼和壓縮，在瓶頸 層 之后又進(jìn)行解碼和解壓縮，這樣網(wǎng)絡(luò)的輸出就產(chǎn)生了。瓶頸 層阻止在造就網(wǎng)絡(luò)時(shí)進(jìn)行一對(duì)一或者“直通“的映射。內(nèi)部限制 包括在 AANN 的瓶頸層內(nèi)，這樣就會(huì)使得 AANN 知道所有輸入的內(nèi)在聯(lián)系，而不是簡(jiǎn)單的單位函數(shù)。 AANN 具有噪聲過濾 的性能 ， 這種性能基于 網(wǎng)絡(luò) 產(chǎn)生一種適合數(shù)據(jù)系統(tǒng)相關(guān)性的測(cè)量模型的能力，排除了由于測(cè)量噪聲產(chǎn)生的隨機(jī)變動(dòng)。AANN 中的濾波還要看冗余， 冗余減少了變動(dòng)，就像利用包含多個(gè)元素的樣本來(lái)減少統(tǒng)計(jì)的 誤差 控制中的變動(dòng)一樣。 2 網(wǎng)絡(luò)節(jié)點(diǎn)的選擇 在 合并后的網(wǎng)絡(luò) 里 ，輸入輸出層里有 m個(gè)節(jié)點(diǎn)，瓶頸層里有 f 個(gè)節(jié)點(diǎn)。為了確保 有足夠的未經(jīng)過擬合的代表性容量，必須正確選擇映射和 解映射 節(jié)點(diǎn)（ M1 和 M2）： M1+ M2n（ n 是觀測(cè)數(shù)據(jù)的數(shù)目）。 交叉驗(yàn)證（拿出大部分的樣本進(jìn)行建模，留小部分樣本用剛建模型進(jìn)行預(yù)報(bào)）也能被用來(lái)選擇一個(gè)適當(dāng)?shù)挠成浜?解映射 節(jié)點(diǎn)數(shù)目，同時(shí)限制練習(xí)的強(qiáng)度。 對(duì)于發(fā)動(dòng)機(jī)引擎來(lái)說，自我關(guān)系可以從不同測(cè)量的熱力學(xué)和氣動(dòng)之間的聯(lián)系得到，然后不同變量之間的關(guān)系就可以確定，獨(dú)立變量的數(shù)目和瓶頸節(jié)點(diǎn)的數(shù)目也能被確定。對(duì)于那些非線性對(duì)象來(lái)說，這種關(guān)系非常復(fù)雜，因?yàn)楹茈y觀測(cè)它 們的數(shù)學(xué)模型，這種自我關(guān)系能夠由訓(xùn)練集的協(xié)方差矩陣的分析而得到。 對(duì)于 M 的測(cè)量變量 ，協(xié)方差矩陣 R = [ Rij ] m x m 可以定義為 1 i=j rij= i≠j rij反映了 xi和 xj的獨(dú)立關(guān)系。如果協(xié)方差矩陣中的一個(gè)元素 rij為 0（或者 從零統(tǒng)計(jì)區(qū)分 ），那么相應(yīng)的測(cè)量值 xi 和 xj 是獨(dú)立的。通過對(duì) 矩陣中測(cè)量變量的結(jié)果重新排序 而造成的對(duì)角塊里 R 的重新排列，揭示了測(cè)量的依賴結(jié)構(gòu)。 R 里 非零元素 的每個(gè)平方塊 代表一個(gè)相互關(guān)聯(lián)的變量 集 。 一個(gè)塊（或塊套） 和 其他區(qū)塊沒有共享變量 說明保留變量 塊中的變量（或塊集）的獨(dú)立性，不能引入兩個(gè)變量的獨(dú)立 變量到 一個(gè)單一 的 AANN 中。 塊重疊設(shè)置代表一個(gè)相關(guān)變量 的 子系統(tǒng) ， 塊 的 重疊 集中的 塊組數(shù)是一個(gè)獨(dú)立變量的數(shù)目下限（瓶頸節(jié)點(diǎn)）。 3 診斷傳感器和基于 AANN 的重構(gòu) 當(dāng)網(wǎng)絡(luò)被 頻繁 的 使用時(shí)，它能夠被用于傳感器診斷，這是由于輸入變量中有大量的冗余信息，當(dāng)一個(gè)或者幾個(gè)傳感器 故障 時(shí)，其他傳感器能夠代替 故障 的傳感器進(jìn)行有效的估計(jì)。通過與網(wǎng)絡(luò)輸出、通信傳感器輸出比較來(lái)檢查傳感器故障，估計(jì)返回方案發(fā) 展成了傳感器故障診斷。 如果傳感器測(cè)量 值 及其估計(jì) 值 之間的差異 超過閾值，而 其他傳感器 和相應(yīng)的估計(jì)值 的差異（如相對(duì)低）， 那么就認(rèn)為 傳感器故障發(fā)生。一旦檢測(cè)到故障傳感器測(cè)量時(shí)，將 和 網(wǎng)絡(luò)輸入層 斷開。 但是，神經(jīng)網(wǎng)絡(luò)將繼續(xù) 工作，通過 使用 大部分 最近的相應(yīng) 輸入作為輸出來(lái)代替 故障傳感器測(cè)量 。這是因?yàn)楫?dāng) 輸入變量上有足夠的信息時(shí)， 最近的輸出是一個(gè)故障傳感器測(cè)量較好的估計(jì) 。 AANN 具備了 對(duì)一個(gè)事實(shí)的 容錯(cuò)能力，干擾 可以 從 輸入節(jié)點(diǎn)分布到網(wǎng)絡(luò)，并對(duì)輸出的影響不大。 該控制器將 被 切換到估計(jì)值繼續(xù)系統(tǒng)的運(yùn)作。根據(jù)這 種方案 ，該系統(tǒng) 即使在 多個(gè)傳感器 發(fā)生故障時(shí)也 可以保持 運(yùn)作， 只要正常傳感器 不少于 瓶頸節(jié)點(diǎn) 數(shù) 。 能夠 一步完成 結(jié)合 檢測(cè)、 隔離和 調(diào)節(jié)的能力是基于傳感器的驗(yàn)證方案的主要優(yōu)勢(shì)。這種能力 基于 AANN 降維 屬性 。 性能退化或安裝和制造容忍這些都是不確定性的來(lái)源， 將 會(huì)導(dǎo)致 AANN 最優(yōu)估計(jì)的估計(jì)誤差 。 這些不確定性可能會(huì)被用于傳感器故障或反之亦然 。 如果 退化被誤認(rèn)為是傳感器故障，故障將被錯(cuò)誤地警告 ，導(dǎo)致不正確的故障調(diào)節(jié) 。 如果傳感器故障 被誤認(rèn)為是退化 ，這將導(dǎo)致不正確的網(wǎng)絡(luò)補(bǔ)償 。本文中 故障控制增益與軟故障檢測(cè)邏輯 用于 分辨最優(yōu)估計(jì)錯(cuò)誤 與 傳感器故障 。 軸向方向 的 故障 認(rèn)定被 用于 識(shí)別最優(yōu)估計(jì)錯(cuò)誤的原因 。如果剩余 是由于最優(yōu)估計(jì)錯(cuò)誤 造成的 ，那么 AANN 的碼和 偏 差將 會(huì)得到 網(wǎng)絡(luò) 補(bǔ)償 。 如果剩余 是由傳感器故障引起的，那么相應(yīng)的估計(jì) 用來(lái)取代失敗的傳感器，提供分析冗余 。 在故障調(diào)節(jié) 邏輯里，故障控制增益 用來(lái)提供一個(gè)從 故障傳感器 到其相應(yīng)的估計(jì)平穩(wěn)過渡。 4 數(shù)字仿真示例 例如一個(gè)渦輪軸發(fā)動(dòng)機(jī) ，圖 2顯示了 由 發(fā)動(dòng)機(jī) 、 控制系統(tǒng) 和 基 于 傳感器故障診斷 的 AANN組成 的閉環(huán)控制系統(tǒng)。感興趣的主要變量是 ng, np, Tt45, Ps3, Ml 和 WfB 。 np 是動(dòng)力渦輪給定的速度， Ml 和 npg是 輸 入。 反饋控制變量是 ng, np, Tt45, Ps3 。 只有當(dāng) AANN 輸入變量是相關(guān)的，有效的變量 才 可以從瓶頸層 提取出來(lái) 。 6 個(gè)變量的協(xié)方差 矩陣 ， ng, np, Tt45, Ps3, WfB,Ml可以 反映 相關(guān)性：當(dāng) | rij 表示 |“ 0 4 的協(xié)方差矩陣 R， i 及 j 個(gè)變量被認(rèn)為是不相關(guān) : R= ng Tt45 Ps3 WfB np Ml ng Tt45 Ps3 WfB np Ml 當(dāng) | Rij | 時(shí)，協(xié)方差矩陣 R 里的 ith 和 jth 變量認(rèn)為是不相關(guān)的。 如上所述，瓶頸層中的 2 個(gè)節(jié)點(diǎn)被選。采用交叉驗(yàn)證理論， AANN 分別用 8 – 16 個(gè)映射 節(jié)點(diǎn)進(jìn)行訓(xùn)練 。當(dāng)傳感器故障申報(bào)， 它將 切斷從 AANN 的 輸入 。然后網(wǎng)絡(luò)的輸入將會(huì)由 傳感器的最后估計(jì)替換，網(wǎng)絡(luò)仍然可以運(yùn)行良好。 采用 ERS 來(lái)按 實(shí)時(shí)要求 檢測(cè)傳感器故障。 考慮到不確定性的魯棒性， AANN 用普通數(shù)據(jù)和網(wǎng)絡(luò)補(bǔ)償進(jìn)行訓(xùn)練?；?AANN