湖北堆焊彎頭人工神經網絡建模方法則根據對象的輸人輸出數據直接建模

　　堆焊彎頭人工神經網絡建模方法則根據對象的輸人輸出數據直接建模，將過程中易測的輔助變量作為神經網絡的輸人，將變量作為神經網絡的輸出，通過網絡學習來解決變量的間接傳感建模問題。該方法無需具備對象的先驗知識，廣泛應用于機理尚不清楚且非線性嚴重的系統建模中。模糊建模是人們處理復雜系統建模的另一個工具，在間接傳感建模中也得到應用，但用得多的還是將模糊技術與神經網絡相結合的模糊神經網絡模型?；旌辖７椒ɑ跈C理建模和基于數據驅動建模這兩種方法的局限性引發了混合建模思想，對于存在簡化機理模型的過程，可以將簡化機理模型和基于數據驅動的模型結合起來，互為補充。簡化機理模型提供的先驗知識，可以為基于數據驅動的模型節省訓練樣本；基于數據驅動的模型又能補償簡化機理模型的特性。

　　雖然混合建模方法具有很好的應用前景，但其前提條件是存在簡化機理模型。堆焊彎頭需要說明的是，間接傳感模型性能的好壞受輔助變量的選擇傳感數據變換傳感數據的預處理主輔變量之間的時序匹配等多種因素制約。查表法查表法是一種分段線性插值方法。根據準確度要求對非線性曲線進行分段，用若干折線通近非線性曲線將折點坐標值存人數據表中，測量時首先查找出被測量對應的輸出量處在哪一段，再根據斜率進行線性插值，求得輸出值二。插值表達式的通式為自診斷智能傳感器自診斷技術俗稱“自檢”，要求對智能傳感器自身各部分，包括軟件資源和硬件資源進行檢測，以驗證傳感器能否正常工作，并提示相關信息。傳感器故障診斷是智能傳感器自檢的核心內容之一，自診斷程序應判斷傳感器是否有故障，并實現故障定位判別故障類型，以便后續操作中采取相應的對策。對傳感器進行故障診斷主要以傳感器的輸出為基礎，一般有硬件冗余診斷法基于數學模型的診斷法和基于信硬件冗余診斷法對容易失效的傳感器進行冗余備份，一般采用兩個三個或者四個相同傳感器來測量同一個被測量見圖，通過冗余傳感器的輸出量進行相互比較以驗證整個系統輸出的一致性。

　　一般情況下，該方法采用兩個冗余傳感器可以診斷有無傳感器故障，堆焊彎頭采用三個或者三個以上冗余傳感器可以分離發生故障的傳感器?；跀祵W模型的診斷法通過各測量結果之間或者測量結果序列內部的某種關聯，建立適當的數學模型來表征測量系統的特性，通過比較模型輸出與實際輸出之間的差異來判斷是否有傳感器故障。參數估計診斷法故障致使模型參數發生變化，通過參數的估計值與正常值之間的偏差情況來判斷傳感器是否發生故障?；静襟E如下：通過標定建立被測量對象的輸人基于信號處理的診斷法直接對檢測到的各種信號進行加工交換以提取故障特征，回避了基于模型方法需要抽取對象數學模型的難點。