非线性网络故障可诊断性评估

弱传输下仍可量化

基于TS模糊模型与KL散度，突破高斯分布假设，适用于混合分布，实现非线性网络控制系统故障可诊断性的精确量化。

Wenqing, Xu · Wang, Dayi · Linlin, Li · Wu Z. · Fu, Fangzhuo Zhou

IEEE Transactions on Fuzzy Systems 2026

技术优势

不再依赖高斯假设

由于该度量同时适用于高斯分布和伯努利-高斯混合分布，因此无需假设系统动态遵循纯高斯分布。

理论指标有保障

提出的度量与定性可诊断性评估结果之间存在充分必要条件，为实际应用提供了坚实的理论基础。

应用场景

• 具身智能系统诊断：为具身智能系统提供可量化故障诊断能力，即使传输弱化也能评估。
• 机器人故障诊断：在机器人控制通信丢包情况下仍能评估故障可诊断性。
• 网络控制系统监测：在通信约束下量化监测能力，指导故障诊断系统设计。
• 工业物联网诊断：针对物联网设备通信受限场景提供可诊断性的定量评估。
• 工业设备健康管理：为设备健康管理提供故障可诊断性明确指标，支持维护决策。