基于递增稳定循环神经网络的数据驱动传感器故障诊断
系统与控制
2025-04-29 v1 系统与控制
摘要
鲁棒循环神经网络（R-RENs）是一类内置系统理论鲁棒性和递增稳定性特性的神经网络。本文利用这些特性构建一种数据驱动的故障检测与隔离（FDI）方法，用于传感器故障，能够提供性能保证。其核心思想是构建多个R-RENs的模型库（充当故障隔离滤波器），每个模型对不同传感器的故障具有不同的灵敏度（增大或减小）。即，每个R-REN被设计为对特定传感器的故障高度敏感，而对其他所有传感器的故障则保持鲁棒性。这一特性通过R-RENs内置的递增稳定性得到保证。该方法是无监督的（不需要来自故障传感器的标记数据），也是数据驱动的（因为它利用可用故障自由的输入-输出系统轨迹，不依赖于受研究对象的动态模型）。在车辆的滚动平面模型上的数值仿真结果表明，所提出方法的有效性和实际适用性。
引用
@article{arxiv.2504.19688,
title = {Data-Driven Sensor Fault Diagnosis with Proven Guarantees using Incrementally Stable Recurrent Neural Networks},
author = {Farhad Ghanipoor and Carlos Murguia and Giancarlo Ferrari Trecate and Nathan van de Wouw},
journal= {arXiv preprint arXiv:2504.19688},
year = {2025}
}