A fault detection method in dynamic systems, based on a Euclidean measure, between the weight vector of the model neural networks

In this paper, we present a certain method of fault detection in dynamic systems by assuming some boundary conditions. The proposed method relies primarily, on preparing a neural database of the model neural networks, which are supposed to represent the dynamic system on its different operating points. There after, we assume a certain fault state of the system composed of two or more of the faults in the database and we point out to which of the faults the assumed system belongs. The core of the method is computing the Euclidean distance between the output layer weight vectors of the model neural networks in the database, and the neural network model representing the new assumed state of the system. Based on the computed Euclidean measure, we conclude that, the fault model, which has the minimum Euclidean distance to the new assumed system state model, is the most probable to happen. The neural network models used are of the RMLP (recurrent multilayer perceptron) types, each of which are assumed to possess only one output layer neuron.

---

W artykule przedstawiamy pewne metody wykrywania uszkodzeń w układach dynamicznych przy pewnych założeniach. Przedstawiona metoda opiera się na budowaniu neuronowego banku modeli układu reprezentujacego układ w różnych punktach pracy. Po takim przygotowaniu, założymy nowe wadliwe stany układu składające się z różnych stanów uszkodzeń z bazy, i na podstawie zaproponowanej metody wnioskujemy do których stanów można zakwalifikować te nowe założonego układu. Ważnym elementem metody jest obliczona odległość Euklidesowa między wektorami wag wyjściowych modeli neuronowych w bazie danych i modeli sieci reprezentujących nowy stan układu. Na podstawie tej odległości wnioskujemy, że model uszkodzenia, który ma minimalną odległość Euklidesową w nowym modelu systemu, jest tym w którym to nastapiło. Wykorzystywane sieci są typu RMLP (recurrent Multilayer Perceptron) i przyjęliśmy założenia, że każdy model sieci neuronowej zawiera tylko jeden neuron wyjściowy.