飞机是当代人最重要的交通工具，飞行控制系统的高可靠性已成为飞行安全的重要保证。此，对于神经网络飞行控制系统传感器的故障诊断是快速有效的，它成为飞机安全运行的保证。飞机失灵或遭受意外损坏时，飞行控制系统可能会使用不同的传感器输出来建立飞机的动态状态，从而根据缺陷的特征快速更改控制策略。损坏，然后进行重组以满足飞机的最低安全要求。了获得对飞机的精确控制并提高其容错飞行能力，第一种解决方案是精确测量飞机的参数，以确保不同传感器输出的可靠性。虑到飞行控制系统中常见的传感器故障，恒温阀芯有必要找到一种适当的方法来实时识别其输出，确定传感器是否有故障并获得实时检测和识别。准确的传感器故障。络预测器故障诊断方法真正保证了飞行任务的继续或安全返航。经网络研究的内容非常广泛，反映了不同学科的跨学科技术领域的特征。经网络（NN）或连接模式是执行分布式并行信息处理的模型动物神经网络的算法行为的数学模型。种类型的网络取决于系统的复杂性，并调整大量内部节点之间的互连关系以处理信息。向传播神经网络（BP）是具有三层或更多层的分层神经网络。于上层和下层之间的神经元完全连接，即，下层的每个单元都连接到上层的每个单元，并且神经元之间没有连接每层。EBPA神经网络包括一个主网络（MNN）和n个分散网络（DNN），n是飞行控制系统的传感器数量。EBPA神经网络是SBPA神经网络的改进版本。一个标准的三层BP网络，Xi是输入样本，Θi是单位的阈值，Yj是输出样本，Tj是期望的输出样本，η是输出速率。（0 <η<1），Sumi是每一层的值。入δ是计数器传播误差，f（X）是网络函数。
们选择一条S形曲线，其中Wij是第i个元素在第j个元素上的加权系数，f’（X）是f（X）的导数，并且从直接传播期间的输入。一层的输出用作下一层的输入。BP网络的全局误差函数E是非线性函数，函数S是自变量，这意味着由E形成的连接的加权空间不是具有单点的抛物面最小值，但是有几个局部最小值。面。此，当BP网络满足局部最小极值时，其收敛过程很可能被“冻结”，无法收敛到全局最小点，并且无法准确记住当前模型。
习。三方网络故障是由于以下事实：第三方学习规则使用误差函数的梯度方向进行收敛。以下公式重写网络函数，其中Ui和Li代表神经元输出范围的上限和下限，Ti代表神经元节点温度。Ui和Li可以加快收敛速度并提高学习速度Ti可以减少掉落到局部最小点的可能性，相当于模拟退火算法，可以进一步提高学习速度并降低局部最小值。经网络EBPA MNN的主网络的输出是使用瞬时k-1至k-m（m> 1）的测量值对与n个传感器在时间k所测量的参数相同的参数进行的估计。MNN的输出是在时间t对参数p（滚动轴角速度），q（俯仰轴角速度）和r（方向轴角速度）的估计。这些估计值与在时间t实际测量的度量进行比较。于第n个DNN，其输出是第i个传感器的测量值的估计值。在时间k的状态估计使用k-1至k-m的测量值，并将其与时间k的实际测量值进行比较。i个DNN的输入是第n个传感器的测量值，第i个传感器除外。
如，q-DNN可以使用传感器值q以外的任何输入参数来生成时间k的q估计。文仅考虑了陀螺仪传感器的侧倾角，俯仰角和偏航角的缺陷。
此，我们使用4个神经网络的结构来诊断角速度传感器故障，MNN，q-DNN，p-DNN和r-DNN。每个步骤中，估计的和实际测得的MNN和DNN值之间的差用于生成二次误差。传感器没有故障时，MND二次估计误差（MQEE）的函数值理论上应约为零；如果传感器发生故障，则MQEE值应显着偏离从头开始。常，当SFDI正常运行时，MNN和所有DNN都会参与网络学习过程。旦MQEE值暂时超过预定义的阈值，SFDI就会假定发生或已发生传感器故障。移是陀螺仪噪声的主要来源，陀螺仪的随机漂移可以通过对卡尔曼滤波和平滑来消除。里的阈值是在通过卡尔曼滤波对实验数据进行滤波和平滑之后，在实际模拟中采用0.2％/ s的误识别率为2％。
以看出，卡尔曼滤波和平滑对消除陀螺仪的漂移噪声有更好的效果。时，恒温阀芯将停止所有DNN的学习过程，并将DNN输出用作MNN输入，并使用p，q，r作为输入参数来使用DNN输入。
果发生传感器故障，将停止所有DNN的学习，并且并行地，通过DNN的二次项（QSD）估计误差定义的阈值来识别缺陷。义一组阈值，在传感器发生故障时，可用来检测并识别出故障的传感器。虑到检测和识别速度的加快与错误识别率的降低之间存在矛盾，用于检测和识别的阈值必须妥协并适当选择。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com