Active fault detection for neural network based control of non-linear stochastic systems
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F09%3A43898283" target="_blank" >RIV/49777513:23520/09:43898283 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.3182/20090630-4-ES-2003.00021" target="_blank" >http://dx.doi.org/10.3182/20090630-4-ES-2003.00021</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.3182/20090630-4-ES-2003.00021" target="_blank" >10.3182/20090630-4-ES-2003.00021</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Active fault detection for neural network based control of non-linear stochastic systems
Popis výsledku v původním jazyce
This paper deals with design of active fault detection of non-linear stochastic systems. As general solution of the problem is extremely difficult, a special case of active detector design for a given set of controllers for jump Markov non-linear Gaussian models is considered. The optimal active detector for a given set of controllers is intractable and therefore, the rolling horizon technique will be used to reduce computational costs. The system is modelled using a multi-layer perceptron neural network where structure and unknown parameters are obtained by means of an off-line training process based on the extended Kalman filter estimation method and structure optimization using pruning of the insignificant connections. The proposed active detector is compared with a passive one based on open-loop feedback strategy and the performance is illustrated in an example by simulation and Monte Carlo analysis.
Název v anglickém jazyce
Active fault detection for neural network based control of non-linear stochastic systems
Popis výsledku anglicky
This paper deals with design of active fault detection of non-linear stochastic systems. As general solution of the problem is extremely difficult, a special case of active detector design for a given set of controllers for jump Markov non-linear Gaussian models is considered. The optimal active detector for a given set of controllers is intractable and therefore, the rolling horizon technique will be used to reduce computational costs. The system is modelled using a multi-layer perceptron neural network where structure and unknown parameters are obtained by means of an off-line training process based on the extended Kalman filter estimation method and structure optimization using pruning of the insignificant connections. The proposed active detector is compared with a passive one based on open-loop feedback strategy and the performance is illustrated in an example by simulation and Monte Carlo analysis.
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
BC - Teorie a systémy řízení
OECD FORD obor
—
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2009
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
IFAC-PapersOnline
ISSN
1474-6670
e-ISSN
—
Svazek periodika
Neuveden
Číslo periodika v rámci svazku
1
Stát vydavatele periodika
ES - Španělské království
Počet stran výsledku
6
Strana od-do
125-130
Kód UT WoS článku
—
EID výsledku v databázi Scopus
—