1、 PDF外文：http:/ 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： 07223138 外文出处： CHINESE JOURNAL OF AERONAUTICS 附 件： 1、 外文资料翻译译文； 2、 外文原文。
2、指导教师评语： 文献翻译的英文文献与本专业相关，翻译量符合要求，译文能表达原文的含义。 签名： 2011 年 5 月 1
3、2 日 附件 1：外文资料翻译译文 基于自联想神经网络的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的应用。自联想网络关键在于特征提取和噪声滤波。综合自联想网络的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的解析余度。 关 键 字 ： 自联想网络；发动机传感器；故障诊断；解析余度 传感器的故障诊断和重建是充分实现 发动机控制系统的可靠性所 必须
4、的。鲁棒性要求给一个故障诊 断系统的设计 提出了挑战。这种利用智能算法的方式是很有发展前景 。对于一套具有冗余信息的传感器组，如果传感器之间的关系是众所周知 的， 就有可能重建一个或多个传感器丢失的数据。通常情况下，这种关系可以被描述为用传感器测量 值作为输入变量的数学方程。本文提供的方法基于自联想神经网络（ AANN），并且可以看清楚 传感器之间的 关系和重建 故障 的传感器 1 自动联想神经网络的拓扑结构 非线性主成分分析产品 （ NLPCA）是 AANN 的 基础。 NLPCA 是一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的技术。用
5、 Y=y1 y2 ym 代替一个n x m 的数据表（ n=观察数据的数目， m=变量的数目）。对于特征空间的映射可以 由 下面的公式来描述： T = G( Y) (1) T= t1 t2 t f 是主成分矩阵（ n x f）； f 是主成分的数目（ f<m）； G 是一个非线性向量函数。恢复数据原来的维度是通过另一个非线性向量函数完成的 Y= H( T) 丢失的信息由剩余度 E= Y- Y来进行测量， E 由少量的涉及噪声或次要 变量的成分构成。为了提取出主成分，函数 H 和 G 被用来尽量减少 E 的值。函数 H 和 G 可以用两个带有
6、一个隐藏层的前馈神经网络代替。这个被称作 AANN 的结合网络，可以产生 Y Y 的映射，如图所示。 AANN 包含了三个隐藏层： 映射 层，瓶颈层和 解 映射 层。 Y是 AANN 的输出，即输入经过滤后的值，它和输入有着相同的维数。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，然后特征空间的输出通过瓶颈层、 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的输入数据， AANN 的衡量 A 和偏差 B 被优化了。一个 AANN 的关键就是瓶颈层，它的节点在维数上是 最小的。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
7、的输出就产生了。瓶颈 层阻止在造就网络时进行一对一或者“直通“的映射。内部限制 包括在 AANN 的瓶颈层内，这样就会使得 AANN 知道所有输入的内在联系，而不是简单的单位函数。 AANN 具有噪声过滤 的性能 ， 这种性能基于 网络 产生一种适合数据系统相关性的测量模型的能力，排除了由于测量噪声产生的随机变动。AANN 中的滤波还要看冗余， 冗余减少了变动，就像利用包含多个元素的样本来减少统计的 误差 控制中的变动一样。 2 网络节点的选择 在 合并后的网络 里 ，输入输出层里有 m 个节点，瓶颈层里有 f 个节点。为了确保 有足够的未经过拟合的代表性容量，必须正确
8、选择映射和 解映射 节点（ M1 和 M2）： M1+ M2<<n（ n 是观测数据的数目）。 交叉验证（拿出大部分的样本进行建模，留小部分样本用刚建模型进行预报）也能被用来选择一个适当的映射和 解映射 节点数目，同时限制练习的强度。 对于发动机引擎来说，自我关系可以从不同测量的热力学和气动之间的联系得到，然后不同变量之间的关系就可以确定，独立变量的数目和瓶颈节点的数目也能被确定。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 们的数学模型，这种自我关系能够由训练集的协方差矩阵的分析而得到。 对于 M 的测量变量 ，协方差矩阵 R = Rij m x m 可以
9、定义为 1 i=j rij= ij rij 反映了 xi 和 xj 的独立关系。如果协方差矩阵中的一个元素 rij 为 0（或者 从零统计区分 ），那么相应的测量值 xi 和 xj 是独立的。通过对 矩阵中测量变量的结果重新排序 而造成的对角块里 R 的重新排列，揭示了测量的依赖结构。 R 里 非零元素 的每个平方块 代表一个相互关联的变量 集 。 一个块（或块套） 和 其他区块没有共享变量 说明保留变量 块中的变量（或块集）的独立性，不能引入两个变量的独立 变量到 一个单一 的 AANN 中。 块重叠设置代表一个相关变量 的 子系统 ， 块 的 重叠 集中的 块组数是一个独立变量的数目下限
