Deterministic Learning-Based Fault Identification for Nonlinear Sampled-Data Systems: Learning Accuracy Analysis

Tianrui Chen

doi:10.1109/tnnls.2026.3671326

Deterministic Learning-Based Fault Identification for Nonlinear Sampled-Data Systems: Learning Accuracy Analysis

2026-03-12

0

PRE

AI

DOI：10.1109/tnnls.2026.3671326

原文链接

原文求助

摘要

En 中文

本文提出了一种基于确定学习方法的采样数据故障识别（SDFI）方案，并对SDFI算法的学习性能进行了分析。首先，设计了一种基于学习的估计器，并采用采样数据（SD）线性时变（LTV）系统来描述学习系统。其次，通过构造特殊的时变对称正定矩阵，推导出SD LTV系统的指数收敛性。第三，建立了学习精度的显式公式，阐明了学习性能、神经网络（NNs）的持续激励（PE）水平以及学习系统参数之间的关系。本文给出的理论结果的主要优点在于，学习精度公式中的参数可由可测量信号导出，从而允许在实际应用中对SDFI方案的学习性能进行有效评估。对机器人操作臂和压缩机系统的仿真研究被包含在内，以展示所提出方法的有效性。

Keyword:

Deterministic learning

fault identification (FI)

persistent excitation (PE) condition

sampled-data (SD) systems

Deterministic Learning-Based Fault Identification for Nonlinear Sampled-Data Systems: Learning Accuracy Analysis

摘要

期刊

机构

引用论文