CN104965506B - 一种基于可调参数分布式飞行控制系统实时故障诊断方法 - Google Patents
一种基于可调参数分布式飞行控制系统实时故障诊断方法 Download PDFInfo
- Publication number
- CN104965506B CN104965506B CN201510314381.5A CN201510314381A CN104965506B CN 104965506 B CN104965506 B CN 104965506B CN 201510314381 A CN201510314381 A CN 201510314381A CN 104965506 B CN104965506 B CN 104965506B
- Authority
- CN
- China
- Prior art keywords
- matrix
- intelligent body
- vector
- control system
- flight control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 49
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 114
- 239000013598 vector Substances 0.000 claims abstract description 66
- 230000003416 augmentation Effects 0.000 claims abstract description 18
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 16
- 230000003190 augmentative effect Effects 0.000 claims description 33
- 238000013461 design Methods 0.000 claims description 19
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- -1 which expand Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于可调参数分布式飞行控制系统实时故障诊断方法,属于多智能体系统技术领域。该方法包括如下步骤:第一步:构建具有回路的多智能体系统连接图并以有向图表示,得出拉普拉斯矩阵L和自回路矩阵G;第二步:建立每个智能体飞行控制系统的状态方程和输出方程,并将状态向量和故障向量扩为一个增广向量;第三步:针对每个智能体,构造基于有向图的可调参数分布式误差方程与全局误差方程;第四步:根据构建的有向图,采集到的飞行控制系统的状态方程和输出方程,得到一种可调参数分布式飞行控制系统故障诊断观测器。本发明可通过调节观测器中参数,提升故障估计的性能。
Description
技术领域
本发明涉及一种基于可调参数分布式飞行控制系统实时故障诊断方法,属于多智能体系统技术领域。
背景技术
基于多智能体系统(Multi-Agent Systems,MAS)技术的故障诊断理论与方法的研究,不仅可以实现异构诊断系统的集成和互操作,还可以实现诊断信息的交换和共享,其将对网络化系统故障诊断技术的发展与应用起到重要的推动作用。其优势在于:分布式的多智能体相互协作进行诊断使得故障诊断系统的问题求解能力大大提高;分布式的诊断系统结构使得针对新对象的诊断系统的构建十分便利,缩短了系统开发周期;多智能体技术在故障诊断系统中的应用使得系统功能的扩展只需通过新诊断方法智能体的加入即可实现,系统的可扩展性得到了提高;系统分布式诊断结构以及多智能体技术在故障诊断中的应用使得分布于网络中的诊断资源得到充分利用,减少了系统的重复开发,提高了诊断知识的利用率,降低了系统诊断的费用;另外,对于诊断系统的用户而言,基于多智能体技术的故障诊断理论与方法的研究不仅可以提高系统诊断的及时性,还可以获得更好的诊断服务。综上所述,基于多智能体技术的故障诊断理论与应用研究对于提高故障诊断的技术水平,提高已有诊断系统的利用率、改善诊断精度、减少重复开发、降低诊断费用具有十分重要的理论和现实意义。
中国专利申请201410470343.4提出了“一种基于多智能体技术的分布式飞行控制系统故障诊断设计方法”,该方法构建具有领导者的多智能体系统连接图并以无向图表示,得出拉普拉斯矩阵;建立每个节点飞行控制系统的状态方程和输出方程;然后针对每个节点,构造基于无向图的分布式误差方程与全局误差方程;根据构建的无向图,采集到的飞行控制系统的状态方程和输出方程以及构造的全局误差方程,得到一种飞行控制系统的分布式故障诊断观测器增益矩阵。但该方法还存在以下不足:一是该方法是基于无向图的多智能体技术,多智能体之间是通过无向图连接的,无向图作为有向图的一种特例,不适用于多智能体之间是通过有向图连接的情况;二是该方法基于传统的多目标的设计方法,没有考虑具有可调参数的技术,该方法的设计具有较大的保守性;三是该方法在线实时的故障估计器是一个积分项,对于时变故障的性能欠佳,所以应用范围受到很大的限制。
发明内容
为了克服现有技术的不足,本发明提出了一种基于可调参数分布式飞行控制系统实时故障诊断方法,通过设计多目标的分布式故障诊断观测器、调节观测器中参数,提升故障估计的性能并实现分布式飞行控制系统中任意一个节点出现的故障或多个节点同时出现故障时的在线诊断。本发明还可对飞行控制系统进行在线故障诊断和实时的故障估计。
本发明为解决其技术问题采用如下技术方案:
一种基于可调参数分布式飞行控制系统实时故障诊断方法,包括如下步骤:
第一步:构建具有回路的多智能体系统连接图并以有向图表示,得出拉普拉斯矩阵L和自回路矩阵G:
第二步:建立每个智能体飞行控制系统的状态方程和输出方程,并将状态向量和故障向量扩为一个增广向量:
第三步:针对每个智能体,构造基于有向图的可调参数分布式误差方程与全局误差方程:
第四步:根据构建的有向图,采集到的飞行控制系统的状态方程和输出方程,得到一种可调参数分布式飞行控制系统故障诊断观测器增益矩阵,具体如下:
其中:aij为拉普拉斯矩阵L的第i行第j列的元素;gi为自回路矩阵G的对角线元素,代表第i个智能体是否有回路;yi(t)为第i个智能体的输出向量;yj(t)为第j个智能体的输出向量;为第j个智能体的观测器输出向量;和分别是第i个智能体故障诊断观测器的增广状态向量和测量输出向量,ui(t)是第i个智能体的输入向量;和分别为所述飞行控制系统的增广矩阵,θ是待调节的设计参数,适维矩阵和是所述的故障诊断观测器增益矩阵,H1和H2为故障诊断观测器矩阵中的适维矩阵。
第二步所述的每个智能体行控制系统的状态方程和输出方程,其实现方法是通过对非线性飞行控制系统在线工作点进行线性化所得到;状态向量和故障向量扩为一个增广向量的实现方法是:
对于线性化后的飞行控制系统模型,将第i个智能体系统可以表示为:
式中,xi(t)为系统故障的状态向量,fi(t)为系统故障值,ωi(t)为外界扰动向量,为系统故障值的微分,D为所述飞行控制系统的扰动分布矩阵,A为系统矩阵;B为控制输入矩阵;C为测量输出矩阵;ui(t)为第i个智能体的输入向量;yi(t)为第i个智能体的输出向量;为系统状态向量的微分;H为故障分布矩阵;
定义:增广向量和增广矩阵 以及可得:
第三步所述分布式误差方程的实现方法是:
对于第i个智能体,令:增广状态估计误差输出估计误差则第i个智能体的状态误差方程表示:
其中:分别为所述飞行控制系统的增广矩阵;和是故障诊断观测器增益矩阵;θ是待调节的设计参数;aij为拉普拉斯矩阵L的第i行第j列的元素;gi为自回路矩阵G的对角线元素,代表第i个智能体是否有回路,为第i个相对测量输出;为第j个智能体增广误差向量;为第i个智能体增广误差向量的导数;为第j个智能体增广误差向量的导数。
第三步所述全局误差方程的实现方法是:
定义全局变量:
其中:为全局增广误差矩阵,为第1个智能体增广误差向量,为第N个智能体增广误差向量,ν(t)为全局不确定性增广向量,ν1(t)为第1个智能体不确定性增广向量,νN(t)为第N个智能体不确定性增广向量,全局误差方程的表示:
其中,表示克罗内克积;分别为所述飞行控制系统的增广矩阵;L是拉普拉斯矩阵和G是自回路矩阵;和是故障诊断观测器增益矩阵;θ是待调节的设计参数;IN为N×N维的单位矩阵。可得:
对于等式左边的矩阵通过将该矩阵展开知道的所有特征根都为1,故是可逆矩阵;由此可得
对于第i个智能体,定义:故障估计误差其中为第i个智能体故障估计值;增广矩阵可得
定义全局变量:
其中:ef1(t)为第1个智能体故障估计误差;efN(t)为第N个智能体故障估计误差;
同时也可以得到
从观测器设计中可知:θ和均为未知,其中θ和是连乘的形式;这里先选取F是行满秩矩阵,然后通过选取不同的θ,在线计算最优的观测器增益矩阵
第四步所述故障诊断观测器增益矩阵,通过求解如下的线性矩阵不等式获取:对于给定的范数H∞性能指标γ和圆盘区域D(α,τ),全局误差方程的传递函数满足H∞性能和的特征根位于D(α,τ),如果存在对称正定矩阵和矩阵满足:
式中
误差动态系统满足H∞性能和
的特征根位于D(α,τ),则分布式观测器矩阵根据得到所述故障诊断观测器的增益矩阵H1和H2,再由可以求出分布式故障估计观测器;上述矩阵都满足矩阵的运算法则。
本发明的有益效果如下:
一是本发明是基于有向图通讯拓扑结构,拓宽了基于多智能体系统分布式故障诊断观测器的适用范围。
二是本发明是设计了可调参数的分布式故障诊断观测器的设计方法,可降低传统设计的保守性,这是本领域预料不到的一种突破性的技术创新。
三是本发明设计的具有参数可调的分布式故障估计器具有比例和积分形式,可以提升在线故障估计的性能。本发明对于飞行控制系统的编队飞行控制系统的实时故障诊断与准确监测具有重要的实用参考价值。
附图说明
图1为本发明实施例建立的具有4个智能体的分布式飞行控制系统有向图。
图2(a)表示第1个飞行器的仿真曲线;图2(b)表示第2个飞行器的仿真曲线;图2(c)表示第3个飞行器的仿真曲线;图2(d)表示第4个飞行器的仿真曲线。
图3为本发明实施例所测的当第1、3个飞行器同时出现故障时,第1个飞行器故障诊断观测器的故障曲线示意图,其中:(a)曲线代表估计值;(b)曲线代表真实值。
图4为本发明实施例所测的当第1、3个飞行器同时出现故障时,第3个飞行器故障诊断观测器的故障曲线示意图,其中:(a)曲线代表估计值;(b)曲线代表真实值。
具体实施方式
下面结合附图对本发明创造做进一步的详细说明。
本发明以某垂直起降的直升机模型控制系统纵向通道为实施对象,针对直升机编队飞行中出现的执行器故障,提出一种分布式故障诊断观测器设计方法,该故障诊断方法不仅可以准确地完成对单一跟随者节点的故障估计,而能够满足对多个跟随者节点同时出现故障情况的诊断;
以某垂直起降的飞行器纵向通道系统为例,如下所示:
其中,A是系统矩阵,B是输入矩阵,C是输出矩阵。
xi(t)=[Vh,Vv,q,θ]为每个智能体状态向量,其中Vh为直升机飞行速度沿机体轴水平分量;Vv为直升机飞行速度沿机体轴垂直分量;q为俯仰角速率;θ为俯仰角;ui(t)=[δc,δl]是每个智能体输入向量,其中δc为总距变量;δl为纵向周期性变距;yi(t)=[Vh,Vv,θ]是每个智能体输出向量,其中Vh为直升机飞行速度沿机体轴水平分量;Vv为直升机飞行速度沿机体轴垂直分量;θ为俯仰角。各个矩阵表示如下:
假设该系统发生执行器故障:由于执行器故障发生在控制输入通道,故令故障分布矩阵H=B;假定系统扰动的分布矩阵分别是D=0.1[1,1,1,1]T;对于第i个智能体,建立具有故障的系统模型如下:
其中,fi(t)为第i个智能体的故障向量;ωi(t)为第i个智能体的扰动向量。
如图1所示,1-4代表该有向图具有4个智能体节点,有向图是指多智能体系统连接图中的每条边都是有连接方向的;无向图是有向图的一种特例,无向图更具一般性。其中第1个智能体具有1个自回路;从图1中可以得出拉普拉斯矩阵L和自回路矩阵G:
状态向量xi(t)和故障向量fi(t)扩为一个增广向量:
定义:增广向量增广矩阵状态矩阵输入增广矩阵输出增广矩阵以及扰动增广矩阵
可得:
为了估计故障,本发明设计了如下飞行控制系统的可调参数分布式故障诊断观测器:
其中:
,aij为拉普拉斯矩阵L的第i行第j列的元素;gi为自回路矩阵G的对角线元素,代表第i个智能体是否有回路;yi(t)为第i个智能体的输出向量;yj(t)为第j个智能体的输出向量;为第j个智能体的观测器输出向量。和分别是第i个智能体故障诊断观测器的增广状态向量和测量输出向量,ui(t)是第i个智能体的输入向量; 和分别为所述飞行控制系统的增广矩阵,θ是待调节的设计参数,适维矩阵和是所述的故障诊断观测器增益矩阵,H1和H2为故障诊断观测器矩阵中的适维矩阵。
对于第i个智能体,令:增广状态估计误差输出估计误差则第i个智能体的状态误差方程表示:
定义全局变量:
其中:为全局增广误差向量,为第1个智能体增广误差向量,为第N个智能体增广误差向量,ν(t)为全局不确定性增广向量,ν1(t)为第1个智能体不确定性增广向量,νN(t)为第N个智能体不确定性增广向量,全局误差方程的表示:
其中,表示克罗内克积;
可得:
对于等式左边的矩阵通过将该矩阵展开可知的所有特征根都为1,故是可逆矩阵。由此可得
对于第i个智能体,定义:故障估计误差其中为第i个智能体观测器故障估计向量,增广矩阵可得
定义全局变量:
同时也可以得到
从观测器设计中可知:θ和均为未知,其中θ和是连乘的形式。这里先选取F是行满秩矩阵,然后通过选取不同的θ,在线计算最优的观测器增益矩阵。
对于给定的范数H∞性能指标γ和圆盘区域D(α,τ)。全局误差方程的传递函数满足H∞性能(为从ν(t)到ef(t)的传递函数,γ为H∞性能指标)和的特征根位于D(α,τ),如果存在对称正定矩阵(R(n+r)×(n+r)为(n+r)×(n+r)维的实数矩阵)和矩阵(R(n +r)×p为为(n+r)×p维的实数矩阵)满足:
式中
则分布式观测器矩阵根据得到所述故障诊断观测器的增益矩阵H1和H2,再由可以求出分布式故障估计观测器,利用该故障估计观测器即可求出故障估计值
其中:tf为故障发生的时间;该故障估计器具有比例积分形式,本发明所设计的项可以在线提升故障估计性能。
通过调试,选取F矩阵为
应用Matlab软件中的线性矩阵不等式工具箱求解上述中的两个条件可得:选取θ=1.8和圆盘区域D(-7,7),求本发明的方法可以计算出最小的H∞性能指标γ=2.3319,以及分布式观测器矩阵
然而如果令θ=0,现有方法计算出最小的H∞性能指标γ=2.4203。很明显,本发明所提出的可调参数的设计方法计算出的H∞性能指标小于已有方法的,可发明具有更小的设计保守性。
为验证本发明飞行控制系统故障诊断方法的效果,采用以下仿真实施例来进行验证。
仿真实施例:假设第1、3个飞行器同时出现故障,分别如下:
第1个飞行器出现的故障
第3个飞行器出现的故障
即第1个飞行器在20s时在总距变量中加入了执行器故障,第3个飞行器在30s时在总距变量中加入了执行器故障。
对于仿真,当第1、3个飞行器同时出现执行器故障时,如图2所示,为跟随者节点3的执行器故障估计曲线,其中:图2中的(a)曲线表示第1个飞行器的仿真曲线;(b)曲线表示第2个飞行器的仿真曲线;(c)曲线表示第3个飞行器的仿真曲线;(d)曲线表示第4个飞行器的仿真曲线。第1、3个飞行器故障诊断观测器的故障曲线示意图如图3所示,其中:图3中的(a)曲线代表估计值;图3中的(b)曲线代表真实值;第1、3个飞行器同时出现故障时,第3个飞行器故障诊断观测器的故障曲线示意图,其中:图4中的(a)曲线代表估计值;图4中的(b)曲线代表真实值。
从仿真结果可以得出,当多智能体系统中一个或多个跟随者节点的系统出现故障时,本发明设计的分布式故障诊断观测器可以诊断出发生故障的节点系统,并能够在线估计出现的故障,且具有较好的故障估计性能。本发明对于飞行控制系统的编队飞行控制系统的实时故障诊断与准确监测具有重要的实用参考价值。
本发明的具体实施方式中凡未涉到的说明属于本领域的公知技术,可参考公知技术加以实施。
以上具体实施方式是对本发明提出的一种基于有向图的可调参数分布式飞行控制系统在线实时故障诊断方法技术思想的具体支持,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在本发明技术方案基础上所做的任何等同变化或等效的改动,均仍属于本发明技术方案保护的范围。
Claims (5)
1.一种基于可调参数分布式飞行控制系统实时故障诊断方法,其特征在于,包括如下步骤:
第一步:构建具有回路的多智能体系统连接图并以有向图表示,得出拉普拉斯矩阵L和自回路矩阵G:
第二步:建立每个智能体飞行控制系统的状态方程和输出方程,并将状态向量和故障向量扩为一个增广向量:
第三步:针对每个智能体,构造基于有向图的可调参数分布式误差方程与全局误差方程:
第四步:根据构建的有向图,采集到的飞行控制系统的状态方程和输出方程,得到一种可调参数分布式飞行控制系统故障诊断观测器增益矩阵,具体如下:
,
其中:,为拉普拉斯矩阵的第i行第j列的元素;为自回路矩阵的对角线元素,代表第i个智能体是否有回路;为第i个智能体的输出向量;为第j个智能体的输出向量;为第j个智能体的观测器输出向量;和分别是第i个智能体故障诊断观测器的增广状态向量和测量输出向量,是第i个智能体的输入向量;、和分别为所述飞行控制系统的增广矩阵,是待调节的设计参数,适维矩阵和是所述的故障诊断观测器增益矩阵,,和为故障诊断观测器矩阵中的适维矩阵。
2.根据权利要求1所述的一种基于可调参数分布式飞行控制系统实时故障诊断方法,其特征在于第二步所述的每个智能体行控制系统的状态方程和输出方程,其实现方法是通过对非线性飞行控制系统在线工作点进行线性化所得到;状态向量和故障向量扩为一个增广向量的实现方法是:
对于线性化后的飞行控制系统模型,将第i个智能体系统表示为:
式中,为系统故障的状态向量,为系统故障值,为外界扰动向量,为系统故障值的微分,为所述飞行控制系统的扰动分布矩阵,为系统矩阵;为控制输入矩阵;为测量输出矩阵;为第i个智能体的输入向量;为第i个智能体的输出向量;为系统状态向量的微分; 为故障分布矩阵;
定义:增广向量,,和增广矩阵,,以及,其中是适维的单位矩阵,可得:
。
3.根据权利要求1所述的一种基于可调参数分布式飞行控制系统实时故障诊断方法,其特征在于第三步所述分布式误差方程的实现方法是:
对于第i个智能体,令:增广状态估计误差,输出估计误差,则第i个智能体的状态误差方程表示:
其中:、、分别为所述飞行控制系统的增广矩阵;和是故障诊断观测器增益矩阵;是待调节的设计参数;为拉普拉斯矩阵的第i行第j列的元素;为自回路矩阵的对角线元素,代表第i个智能体是否有回路,为第i个相对测量输出;为第j个智能体增广误差向量;为第i个智能体增广误差向量的导数;为第j个智能体增广误差向量的导数。
4.根据权利要求1所述的一种基于可调参数分布式飞行控制系统实时故障诊断方法,其特征在于第三步所述全局误差方程的实现方法是:
定义全局变量:
,
其中:为全局增广误差矩阵,为第1个智能体增广误差向量,为第N个智能体增广误差向量,为全局不确定性增广向量,为第1个智能体不确定性增广向量,为第N个智能体不确定性增广向量,全局误差方程的表示:
,
其中,表示克罗内克积;、、分别为所述飞行控制系统的增广矩阵;是拉普拉斯矩阵和是自回路矩阵;和是故障诊断观测器增益矩阵;是待调节的设计参数;为N×N维的单位矩阵;
得:
对于等式左边的矩阵,通过将该矩阵展开知道的所有特征根都为1,故是可逆矩阵;由此得
对于第i个智能体,定义:故障估计误差,其中为第i个智能体故障估计值;增广矩阵,其中是的单位矩阵,可得
定义全局变量:
其中: 为第1个智能体故障估计误差;为第N个智能体故障估计误差;
同时也得到
从观测器设计中可知:,和均为未知,其中和是连乘的形式;这里先选取是行满秩矩阵,然后通过选取不同的,在线计算最优的观测器增益矩阵。
5.根据权利要求1所述一种基于可调参数分布式飞行控制系统实时故障诊断方法,其特征在于第四步所述故障诊断观测器增益矩阵,通过求解如下的线性矩阵不等式获取:对于给定的范数性能指标和圆盘区域D ,全局误差方程的传递函数满足性能和的特征根位于D ,如果存在对称正定矩阵和矩阵满足:
式中
,
误差动态系统满足性能和的特征根位于D ,则分布式观测器矩阵;根据得到所述故障诊断观测器的增益矩阵和,再由求出分布式故障估计观测器;上述矩阵都满足矩阵的运算法则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510314381.5A CN104965506B (zh) | 2015-06-09 | 2015-06-09 | 一种基于可调参数分布式飞行控制系统实时故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510314381.5A CN104965506B (zh) | 2015-06-09 | 2015-06-09 | 一种基于可调参数分布式飞行控制系统实时故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104965506A CN104965506A (zh) | 2015-10-07 |
CN104965506B true CN104965506B (zh) | 2017-12-05 |
Family
ID=54219544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510314381.5A Active CN104965506B (zh) | 2015-06-09 | 2015-06-09 | 一种基于可调参数分布式飞行控制系统实时故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104965506B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106444719B (zh) * | 2016-10-28 | 2018-09-25 | 南京航空航天大学 | 一种切换拓扑下的多机协同故障诊断方法 |
CN107272653B (zh) * | 2017-07-20 | 2020-03-17 | 南京航空航天大学 | 一种飞行控制系统故障诊断方法 |
CN108681320A (zh) * | 2018-05-11 | 2018-10-19 | 北京理工大学 | 一种基于局部合作的分布式多智能体实时故障检测方法 |
CN110161847B (zh) * | 2018-09-18 | 2020-12-08 | 南京航空航天大学 | 一种基于分布式奇异观测器的无人机编队系统传感器故障估计方法 |
CN110058519B (zh) * | 2019-04-02 | 2020-07-07 | 南京航空航天大学 | 一种基于快速自适应技术的主动编队容错控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006217772A (ja) * | 2005-02-07 | 2006-08-17 | Yaskawa Electric Corp | マトリックスコンバータ装置の故障診断方法および故障診断装置 |
CN102682187A (zh) * | 2011-03-14 | 2012-09-19 | 卡斯柯信号有限公司 | 一种用于轨道交通设备的智能故障诊断方法 |
CN102945311A (zh) * | 2012-10-08 | 2013-02-27 | 南京航空航天大学 | 一种功能故障有向图进行故障诊断的方法 |
CN103197177A (zh) * | 2013-03-20 | 2013-07-10 | 山东电力集团公司济宁供电公司 | 一种基于贝叶斯网络的变压器故障诊断分析方法 |
CN103529830A (zh) * | 2013-11-05 | 2014-01-22 | 南京航空航天大学 | 一种基于有限频域飞行控制系统渐变故障的诊断设计方法 |
CN103713628A (zh) * | 2013-12-31 | 2014-04-09 | 上海交通大学 | 基于符号有向图和数据重构的故障诊断方法 |
CN103745261A (zh) * | 2013-12-24 | 2014-04-23 | 张湛 | 一种构造立体ducg智能系统用于动态故障诊断的方法 |
CN104267716A (zh) * | 2014-09-15 | 2015-01-07 | 南京航空航天大学 | 一种基于多智能体技术的分布式飞行控制系统故障诊断设计方法 |
-
2015
- 2015-06-09 CN CN201510314381.5A patent/CN104965506B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006217772A (ja) * | 2005-02-07 | 2006-08-17 | Yaskawa Electric Corp | マトリックスコンバータ装置の故障診断方法および故障診断装置 |
CN102682187A (zh) * | 2011-03-14 | 2012-09-19 | 卡斯柯信号有限公司 | 一种用于轨道交通设备的智能故障诊断方法 |
CN102945311A (zh) * | 2012-10-08 | 2013-02-27 | 南京航空航天大学 | 一种功能故障有向图进行故障诊断的方法 |
CN103197177A (zh) * | 2013-03-20 | 2013-07-10 | 山东电力集团公司济宁供电公司 | 一种基于贝叶斯网络的变压器故障诊断分析方法 |
CN103529830A (zh) * | 2013-11-05 | 2014-01-22 | 南京航空航天大学 | 一种基于有限频域飞行控制系统渐变故障的诊断设计方法 |
CN103745261A (zh) * | 2013-12-24 | 2014-04-23 | 张湛 | 一种构造立体ducg智能系统用于动态故障诊断的方法 |
CN103713628A (zh) * | 2013-12-31 | 2014-04-09 | 上海交通大学 | 基于符号有向图和数据重构的故障诊断方法 |
CN104267716A (zh) * | 2014-09-15 | 2015-01-07 | 南京航空航天大学 | 一种基于多智能体技术的分布式飞行控制系统故障诊断设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104965506A (zh) | 2015-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104965506B (zh) | 一种基于可调参数分布式飞行控制系统实时故障诊断方法 | |
CN106444701B (zh) | 领导-跟随型多智能体系统的有限时间鲁棒故障诊断设计方法 | |
CN104267716B (zh) | 一种基于多智能体技术的分布式飞行控制系统故障诊断设计方法 | |
CN106444719B (zh) | 一种切换拓扑下的多机协同故障诊断方法 | |
CN105204499A (zh) | 基于未知输入观测器的直升机协同编队故障诊断方法 | |
CN104850889B (zh) | 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法 | |
CN108681320A (zh) | 一种基于局部合作的分布式多智能体实时故障检测方法 | |
CN107168281B (zh) | 基于有限时间观测器的多智能体系统故障诊断方法 | |
CN107329083A (zh) | 针对高速列车牵引电机非线性系统传感器的故障诊断方法 | |
CN109829468B (zh) | 基于贝叶斯网络的民机复杂系统故障诊断方法 | |
CN109918999A (zh) | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 | |
CN109799803A (zh) | 一种基于lft的航空发动机传感器及执行机构故障诊断方法 | |
CN108803316A (zh) | 针对多智能体系统执行器故障的主动容错控制方法 | |
EP2553263B1 (de) | Kontrolleinrichtung für eine windkraftanlage | |
CN107272653B (zh) | 一种飞行控制系统故障诊断方法 | |
CN109657789A (zh) | 基于小波神经网络的风机齿轮箱故障趋势预测方法 | |
CN110161847B (zh) | 一种基于分布式奇异观测器的无人机编队系统传感器故障估计方法 | |
DE102006016311B4 (de) | Verfahren und Vorrichtung zum Erhalten einer verbesserten Genauigkeit und eines verbesserten Bereichs für Luftdatenparameter, die von unabhängigen Messungen voneinander abhängiger Drücke abgeleitet werden | |
CN111678696A (zh) | 基于联邦学习的机械智能故障诊断方法 | |
Dorfler et al. | Continuous-time distributed observers with discrete communication | |
WO2018162706A1 (de) | Verfahren zum bestimmen einer verfügbaren leistung eines windparks und zugehöriger windpark | |
CN107797454A (zh) | 基于有限时间控制的多智能体系统协同容错控制方法 | |
CN107315421A (zh) | 一种时延无人机编队的分布式速度传感器故障诊断方法 | |
CN112527016B (zh) | 一种智能集群一体化容错时变编队控制方法及系统 | |
CN106372330A (zh) | 动态型贝叶斯网络在机械设备故障智能诊断中的应用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |