在自动控制领域中,传感器是获取系统输出的重要工具,随着自动化研究程度的不断加深,越来越多的大型自动化实际生产项目开始投入建设,那么用于获取系统输出的不同种类传感器也在工程项目中变得越来越重要。一旦传感器发生了故障,将导致传感器无法获取正确的系统输出。传感器是获取系统信息重要的“眼睛”,当传感器失效后,我们无法获得正确的系统输出,如果在系统发生故障后仍按正常模式进行工作很有可能酿成惨剧。因此对传感器故障诊断的研究是一门十分重要工作。本文提出了一种基于确定学习的非线性传感器故障诊断方法,使用该方法进行非线性传感器故障诊断,包括以下内容:首先,对系统建立单输出一致能观标准模型。然后,对正常模式进行学习训练与状态观测,学习训练方法采用基于李雅普诺夫的学习法,并根据确定学习的理论实现RBF神经网络的收敛。其次,用收敛的RBF神经网络对故障模式下的系统动态进行有效地逼近。采用带有神经网络的高增益观测器对系统进行状态观测。采用带有神经网络的自适应观测器对系统进行第二次学习训练与状态观测。对故障模式进行学习训练与状态估计。建立正常模式与故障模式的模式库,然后建立故障诊断估计器与故障分离估计器。将估计器中的估计输出与被测系统的实际输出进行对比,构建残差。对残差分析,从而实现故障分离。该方法适用于一类含有系统未知动态的非线性系统故障诊断,其中包含状态未知量、建模不确定性和噪声干扰等,可以对未知的系统模式进行学习,从而进行故障的发现与分离。