| 主权项 |
1.一种不完备系统故障诊断的生成粒子滤波器方法，其特征在于：在粒子滤波器中通过保留非规格化权重以及阈值逻辑检测未知故障，对于检测到的未知故障，利用通过基于神经网络的方法，建立未知模式的状态方程<img file="FSA0000098639290000011.GIF" wi="303" he="60" />；具体实现步骤如下：(1)初始化，具体包括： (1a)设置粒子数N<sub>known</sub>，阈值α，已知模式集合S，先验分布P(s<sub>0</sub>)，以及转移概率π<sub>ij</sub>=p(s<sub>t</sub>=j|s<sub>t-1</sub>=i)，ij∈S<sub>known</sub>，Unknown_found=0(Unknown_found用于对连续发现未知模式进行识别)，Learned_num=0(Learned_num表示通过学习构建的模型数目)，<img file="FSA0000098639290000012.GIF" wi="382" he="58" />表示通过学习构建的模型集合)，N<sub>learned</sub>(新学习模式识别的粒子数目，由于新的模式模型不确定性强，该值设置通常远远大于N<sub>known</sub>)；(1b)从先验分布P(s<sub>0</sub>)采样离散状态<img file="FSA0000098639290000013.GIF" wi="121" he="60" />(1c)从先验分布<img file="FSA0000098639290000014.GIF" wi="204" he="61" />采样连续状态<img file="FSA0000098639290000015.GIF" wi="125" he="62" />对于每一时间步t，地推地进行预测、更新、估计以及重采样过程(具体如下述步骤2～9)； (2)状态预测(重要性采样)，具体包括： (2a)根据离散状态转移概率抽取离散样本<img file="FSA0000098639290000016.GIF" wi="146" he="62" /><img file="FSA0000098639290000017.GIF" wi="356" he="62" />(2b)根据样本的离散状态确定连续状态转移概率，并抽取样本<img file="FSA0000098639290000019.GIF" wi="135" he="61" /><img file="FSA00000986392900000110.GIF" wi="422" he="61" />(3)权重更新，具体包括： (3a)根据测量模型计算非规格化权重<img file="DEST_PATH_FSB00001238321200000113.GIF" wi="459" he="64" />(3b)计算非规格化因子<img file="DEST_PATH_FSB00001238321200000114.GIF" wi="279" he="129" />(3c)计算边缘分布<img file="DEST_PATH_FSB00001238321200000115.GIF" wi="549" he="133" />(4)离散状态估计<img file="FSA00000986392900000116.GIF" wi="613" he="101" />(5)权重规格化<img file="DEST_PATH_FSB00001238321200000117.GIF" wi="311" he="63" />(6)连续状态估计<img file="FSA0000098639290000021.GIF" wi="313" he="128" />(7)利用样本集<img file="FSA0000098639290000022.GIF" wi="239" he="55" />训练神经网络<img file="FSA0000098639290000023.GIF" wi="199" he="58" />(8)扩展模式诊断：如果W<sub>t</sub><α且Learned_num>0则利用自适应粒子滤波器APF对新学习的模型集合S<sub>learned</sub>进行诊断；诊断的结果分为以下几种：(a)当前模式为S<sub>learned</sub>中存在的模式s<sub>known_1</sub>，则利用当前的样本学习该模式s<sub>known_1</sub>；(b)当前模式为新的未知模式；步骤包括： (8a)对S<sub>learned</sub>均匀采样N<sub>learned</sub>个离散样本<img file="FSA0000098639290000024.GIF" wi="237" he="61" />(8b)根据样本<img file="FSA0000098639290000025.GIF" wi="210" he="61" />从对应神经网络采样连续样本<img file="FSA0000098639290000026.GIF" wi="256" he="61" /><img file="FSA0000098639290000027.GIF" wi="906" he="76" />其中R<sup>learned</sup>表示新学习模型方差；(8c)根据测量模型计算非规格化权重<img file="DEST_PATH_FSB00001238321200000210.GIF" wi="200" he="69" />(8d)计算非规格化因子<img file="DEST_PATH_FSB00001238321200000211.GIF" wi="664" he="145" />(8e)计算边缘分布<img file="DEST_PATH_FSB00001238321200000212.GIF" wi="920" he="130" />(8f)未知模式检测及离散状态估计：如果W<sub>t</sub><α<sup>learned</sup>发现新的未知模式，否则进行离散状态估计<img file="FSA00000986392900000211.GIF" wi="825" he="104" />同时利用新的样本对该离散模式进行学习；(9)模型学习：如果连续两次检测到未知模式，则产生一个新的模式s<sub>u</sub>并对该模式进行学习，具体步骤为： (9a)构造训练样本<img file="FSA00000986392900000212.GIF" wi="371" he="62" />(9b)训练神经网络<img file="FSA00000986392900000213.GIF" wi="181" he="60" />(9c)将新的未知模式s<sub>u</sub>加入到新学习模式集合S<sub>learned</sub>中，S<sub>learned</sub>=S<sub>learned</sub>∪s<sub>u</sub>。 |
