To solve such a challenging problem

To solve such a challenging problem, a framework of a novel fault detection method robust against uncertainty
has to be developed. In the proposed method the model of the nominal product can be obtained with the application
of the non-linear product identification method e.g. the Extended Kalman Filter, Artificial Neural Networks (ANNs)
or Fuzzy model [33]. It should be underlined that for such kind of models the uncertainty description can be
obtained, however, it is not a trivial task. For example, in the case of application of the ANNs the parameters of
neural model obtained during training procedure are not uniquely obtained but they are approximated by a so-called
feasible parameter set which represent the neural model uncertainty. The size of such parameters set depends on the
inaccuracy of parameters estimates resulting from the values of noise contained in the training data and neural
architecture inaccuracy. The mathematical description of the model uncertainty enables to calculate the output
adaptive thresholds [33] which allow performing the robust fault detection according to the scheme presented in Fig.
8. The adaptive threshold, contrary to the constant one, bounds the residual at a level that is dependent on the model
uncertainty, and hence it provides a more reliable fault detection.

ผลลัพธ์ (ไทย) 1:

การแก้ปัญหาท้าทาย กรอบเรื่องข้อบกพร่องวิธีตรวจหาที่แข็งแกร่งกับความไม่แน่นอนมีการพัฒนา ในวิธีการนำเสนอ รูปแบบของผลิตภัณฑ์ระบุได้ ด้วยการประยุกต์ใช้ผลิตภัณฑ์ที่ไม่ใช่เชิงเส้นระบุวิธีเช่นแบบขยาย Kalman ตัว เครือข่ายประสาทเทียม (ANNs)หรือรุ่น Fuzzy [33] มันควรจะขีดเส้นใต้ว่า เช่นชนิดของแบบจำลอง ที่อธิบายความไม่แน่นอนสามารถได้ อย่างไรก็ตาม มันไม่ใช่งานเล็กน้อย ตัวอย่าง กรณีของ ANNs พารามิเตอร์ของรูปประสาทที่ได้รับในระหว่างกระบวนการฝึกอบรมจะไม่ได้รับเฉพาะ แต่พวกเขาจะเลียนแบบตามเรียกว่าตั้งค่าพารามิเตอร์เป็นไปได้ซึ่งแสดงถึงความไม่แน่นอนแบบประสาท ขนาดของชุดพารามิเตอร์ดังกล่าวขึ้นอยู่กับการinaccuracy ของพารามิเตอร์ประเมินผลจากค่าของเสียงที่มีอยู่ ในข้อมูลการฝึกอบรม และประสาทสถาปัตยกรรม inaccuracy ช่วยให้คำอธิบายทางคณิตศาสตร์ของความไม่แน่นอนแบบจำลองเพื่อคำนวณผลลัพธ์ปรับขีดจำกัด [33] ซึ่งอนุญาตให้ทำการตรวจพบข้อบกพร่องที่มีประสิทธิภาพตามโครงร่างที่นำเสนอในฟิก8. ปรับขีดจำกัด ขัดต่อหนึ่งคง bounds ส่วนที่เหลือจากระดับที่ขึ้นอยู่กับรูปแบบความไม่แน่นอน และดังนั้นจึง ให้มีการตรวจหาข้อบกพร่องที่เชื่อถือได้มากขึ้น

ผลลัพธ์ (ไทย) 2:

เพื่อแก้ปัญหาดังกล่าวเป็นปัญหาที่ท้าทายกรอบของวิธีการตรวจสอบความผิดนวนิยายที่แข็งแกร่งกับความไม่แน่นอนจะต้องมีการพัฒนา ในวิธีการที่นำเสนอรูปแบบของผลิตภัณฑ์ที่ระบุสามารถรับได้กับการประยุกต์ใช้วิธีการตัวผลิตภัณฑ์ที่ไม่ใช่เชิงเส้นเช่นการขยายตัวกรองคาลมาน, โครงข่ายประสาทเทียม (ANNs) หรือรูปแบบฟัซ [33] มันควรจะขีดเส้นใต้ว่าสำหรับชนิดเช่นรูปแบบคำอธิบายความไม่แน่นอนที่สามารถรับได้ แต่มันไม่ได้เป็นงานที่น่ารำคาญ ยกตัวอย่างเช่นในกรณีของการประยุกต์ใช้ ANNs พารามิเตอร์ของรูปแบบของระบบประสาทที่ได้รับในระหว่างขั้นตอนการฝึกอบรมจะได้ไม่ซ้ำกันแต่พวกเขาจะห้วงที่เรียกว่าชุดพารามิเตอร์ที่เป็นไปได้ซึ่งเป็นตัวแทนของความไม่แน่นอนรูปแบบของระบบประสาท ขนาดของพารามิเตอร์เช่นตั้งขึ้นอยู่กับความไม่ถูกต้องของประมาณการค่าพารามิเตอร์ที่เป็นผลมาจากค่าของเสียงที่มีอยู่ในข้อมูลการฝึกอบรมและประสาทไม่ถูกต้องสถาปัตยกรรม คำอธิบายของความไม่แน่นอนทางคณิตศาสตร์รูปแบบช่วยให้การคำนวณการส่งออกเกณฑ์การปรับตัว [33] ซึ่งอนุญาตให้ดำเนินการตรวจสอบความผิดที่มีประสิทธิภาพตามโครงการที่นำเสนอในรูปที่. 8 เกณฑ์การปรับตัวขัดต่อหนึ่งคงขอบเขตที่เหลืออยู่ในระดับที่จะขึ้นอยู่กับรูปแบบความไม่แน่นอนและด้วยเหตุนี้มันให้ตรวจสอบความผิดน่าเชื่อถือมากขึ้น

ผลลัพธ์ (ไทย) 3:

เพื่อแก้ปัญหา เช่น ปัญหาที่ท้าทาย กรอบของนวนิยายผิดวิธีตรวจจับที่แข็งแกร่งกับความไม่แน่นอน
ได้มีการพัฒนา ในวิธีที่เสนอรูปแบบผลิตภัณฑ์ตราสารที่สามารถรับได้กับการประยุกต์ใช้
ของตัวผลิตภัณฑ์ เช่น ใช้วิธีตัวกรองคาลมานขยาย โครงข่ายประสาทเทียม ( แอนน์ ) หรือแบบจำลองฟัซซี่
[ 33 ]ควรขีดเส้นใต้ให้เช่นชนิดของแบบจำลองความไม่แน่นอนรายละเอียดสามารถ
ได้ อย่างไรก็ตาม ไม่ใช่งานเล็กๆ ตัวอย่างเช่น ในกรณีของการประยุกต์ใช้ทางพารามิเตอร์ของแบบจำลองที่ได้ในขั้นตอนการฝึกอบรม
ไม่เฉพาะได้ แต่พวกเขาจะโดยประมาณ โดยสามารถตั้งค่าพารามิเตอร์ที่เรียกว่า
ซึ่งแสดงถึงความไม่แน่นอนของแบบจำลอง .ขนาดของชุดพารามิเตอร์ดังกล่าวขึ้นอยู่กับ
ไม่ประมาณการค่าของพารามิเตอร์ที่เกิดจากเสียงที่มีอยู่ในการฝึกอบรมและข้อมูลสถาปัตยกรรมประสาทไม่

คำอธิบายทางคณิตศาสตร์ของแบบจำลองความไม่แน่นอน ช่วยให้การคำนวณผลผลิต
ปรับเกณฑ์ [ 33 ] ซึ่งอนุญาตให้ทำการตรวจจับความผิดที่แข็งแกร่งตามโครงการที่นำเสนอในรูป
8เกณฑ์ปรับ ตรงกันข้ามค่าคงที่หนึ่ง ขอบเขตที่ตกค้างในระดับที่ขึ้นอยู่กับรูปแบบ
ความไม่แน่นอน จึงมีการตรวจสอบความผิดเชื่อถือได้มากขึ้น