تشخیص خطا با استفاده از شبکه عصبی در روتور تمایل یابنده

خطاهای سیستم که معمولاً منجر به تغییر در پارامترهای حیاتی سیستم یا حتی دینامیک سیستم می‌شوند، ممکن است منجر به کاهش عملکرد و شرایط عملیاتی ناایمن شود. تشخیص خطا نقش مهمی در تضمین ایمنی و قابلیت اطمینان سیستم برای وسایل نقلیه هوایی بدون سرنشین ایفا می‌کند. شبکه‌های عصبی مصنوعی پتانسیل خوبی برای تشخیص و جدا‌سازی خطا در فرایندهای پیچیده را دارند. در این مقاله یک مشاهده‌گر مبتنی بر شبکه عصبی تطبیقی ارائه شده است که در این مطالعه، شبکه عصبی تطبیقی به‌عنوان یک سیستم یادگیری هوشمند برای تشخیص و جداسازی خطای حسگر و عملگر در یک مدل دینامیکی غیرخطی وسیله نقلیه هوایی بدون سرنشین طراحی شده است. به دلیل غیرخطی‌بودن سیستم، پارامترهای وزن شبکه عصبی با استفاده از کالمن فیلتر توسعه‌یافته به‌روز می‌شوند که این کار باعث افزایش نرخ همگرایی شبکه عصبی می‌شود. مجموعه‌ای از خطاهای ناگهانی، متناوب و اولیه برای ارزیابی روش پیشنهادی به یک مدل دینامیکی غیرخطی مالتی روتور تمایل یابنده اعمال می‌شود. به دلیل نرخ بالای بروزرسانی وزن‌های شبکه عصبی، روش پیشنهادی قادر است خطاهای ناگهانی، متناوب و اولیه را بادقت و سرعت مناسب تشخیص دهد. نتایج شبیه‌سازی عددی نیز برای نشان‌دادن عملکرد روش پیشنهادی آورده شده است که نشان از عملکرد مناسب روش پیشنهادی دارد.

fault detection using neural network in tilt rotor

system faults, which usually lead to changes in critical system parameters or even system dynamics, may lead to degraded performance and unsafe operating conditions. fault detection plays an important role in ensuring system safety and reliability for unmanned aerial vehicles. artificial neural networks have an excellent potential to detect and isolate faults in complex processes. in this paper, an observer based on an adaptive neural network is presented. in this study, the adaptive neural network is designed as an intelligent learning system to detect and isolate sensor and actuator faults in a nonlinear dynamic model of an unmanned aerial vehicle. due to the system’s nonlinearity, the neural network’s weighting parameters are updated using the extended kalman filter, which increases the convergence rate of the neural network. a set of abrupt, intermittent and incipient faults are applied to a nonlinear dynamic model of a tilt rotor to evaluate the method. due to the high update rate of neural network weighting, the proposed method can detect abrupt, intermittent and incipient faults accurately and quickly. numerical simulation results are also given to show the performance of the proposed method, which shows the proper performance of this design.