近年来随着人工智能的兴起,基于神经网络等人工智能算法的建模方式在理论和解释性上都已经得到了很大的发展,并且已经通过神经网络解决了一些实际应用中的问题,如:在计算机视觉、自然语言处理、工业检测、时间序列预测等方面的成果正不断涌现。然而,通用的神经网络模型难以在工业实际中大规模部署的一个重要原因是,在工业数据的采集过程中数据不确定性、部分真实性普遍存在,表现为数据中存在随机性、模糊性以及不可预知性,导致模型在复杂工业环境中,尤其是存在多种扰动及不确定因素下模型的鲁棒性不够理想。因此,研究基于智能算法的鲁棒性模型具有重要的理论意义和应用参考价值。Takagi-Sugeno(TS)模糊推理系统因其出色的解释性、局部逼近能力以及相对精细化的网络结构,近年来基于TS模糊逻辑的神经网络是应用最为广泛的模糊神经网络建模方式。本文基于TS模糊逻辑的鲁棒自组织神经网络架构,通过改进模型的结构及计算方式依次为TS型模糊神经网络在工业分类检测与回归预测中的三个热点应用问题提供了鲁棒模型及其算法实现,并通过两个工业实际应用来验证算法的鲁棒性。具体研究内容如下:(1)针对工业分类检测中正常工况下由于离群样本产生的误报以及单一模型难以在分类识别的基础上实现故障检测这一系列问题,基于有监督地识别分类,无监督地检测异常这一思想提出了一种基于TS型模糊神经网络的鲁棒自组织检测模型。在模型前件网络中对模糊规则激活强度的计算方式里增加了一个偏置,使得模型能够有效抑制离群样本点的输出。其次,建立了一套TS型模糊神经网络神经元(模糊规则)的自组织机制,通过增加、合并、删除三种方式优化模型的结构提升模型的鲁棒性及泛化能力。最后,为了解决随机梯度下降算法寻优过程中容易陷入局部最优点的问题,提出了一种自适应学习算法。通过正常工况实验以及异常数据实验验证了所提出模型不仅在精度以及鲁棒性上都有明显的提升,而且能够实现抗误报及对硬件故障、环境强干扰等异常模式的故障检测。(2)针对在分类检测模型实际运行中部分采样信号发生较大损失或存在部分真实性的情况。例如:数据丢失、数据失真或者信号饱和等异常情况,不仅容易使后件网络中模糊规则输出发生较大偏差,而且极易导致前件网络中模糊规则优先次序紊乱进而导致模糊系统失效甚至崩溃的情形。建立了一种基于TS型模糊神经网络的鲁棒容错识别模型。首先,采用新型的加权激活度来计算相应模糊规则的模糊规则激活强度;其次提出一种特征表示系数初值的计算方法,即加权激活度中的加权因子;最后通过设计一种新型的鲁棒模糊规则有效抑制部分异常分量对模糊规则输出的贡献。在实验中验证了所提出的模型不仅在正常工况下有较高的识别精度和泛化能力,而且在三类鲁棒性实验中具有良好的容错识别性能。(3)针对工业回归预测中,部分特征存在不确定性以及非高斯分布的情况,提出了一种基于TS型循环(时间递归)模糊神经网络的鲁棒时间序列预测模型。首先由于时序预测问题的前后相关性,提出递归型加权激活度。其次提出了一种新颖的特征选择策略,充分考虑优秀特征间的组合模式以提供与被预测目标最相关的数据信息,同时该算法保留了相关特征之间信息的非线性关系。最后在GEFCom2012数据集上验证了模型在电力系统数据特征存在不确定性(日历特征非高斯分布、节日期间的特征不确定性、全球变暖导致的温度特征偏移)情况下的长期电力负荷预测中拥有出色的鲁棒预测性能。