CN105763396A - 基于邻居相关状态的分布式多智能体实时故障检测方法 - Google Patents
基于邻居相关状态的分布式多智能体实时故障检测方法 Download PDFInfo
- Publication number
- CN105763396A CN105763396A CN201610224080.8A CN201610224080A CN105763396A CN 105763396 A CN105763396 A CN 105763396A CN 201610224080 A CN201610224080 A CN 201610224080A CN 105763396 A CN105763396 A CN 105763396A
- Authority
- CN
- China
- Prior art keywords
- node
- fault detection
- model
- fault
- error signal
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明公开一种基于邻居相关状态的分布式多智能体实时故障检测方法,通过对带故障的节点模型进行变换,构造出一种全新的故障检测模型,完成了对故障信号与系统状态变量的解耦,降低了故障检测的难度,节点只能获得邻居相关状态信息,本发明通过设定故障检测子网络,并对子网络模型进行相应的线性变换,将节点相关状态信息转化为上述故障检测模型中的状态变量,进而借助该模型进行故障检测任务;其次,本发明给出了一种全新的故障检测方案,借此观测故障是否存在;最后,本发明给出了一种针对故障检测结果的邻居相关状态方案。该方案充分利用多智能体系统的群体性优势,在不提高系统硬件性能的条件下增加了检测结果的可靠性,具有很高的应用价值。
Description
技术领域
本发明属于多智能体控制技术领域,具体涉及一种基于邻居相关状态的分布式多智能体实时故障检测方法。
背景技术
近年来,受生物学、人类社会学研究的启发,面向多智能体系统的协调控制研究已在无线传感器网络、多机械臂协同装配、无人机编队、卫星编队、集群航天器深空探测等领域广泛应用,成为当下控制领域的研究热点之一。类似于鱼群捕食、鸟群迁徙等生物与人类社会中的群体性优势,多个体之间的协调与合作将大大提高个体行为的智能化程度,更好地完成很多单个个体无法完成的工作,并具有效率高,可扩展性强和内在并行性等优点。然而,由于多智能体系统的复杂性与分布式特性,系统中缺少一个中心节点来对系统的整体行为进行统筹规划,控制任务的完成依靠系统自身演化实现,这使得系统中一旦某个节点出现故障,其不良影响将通过通信拓扑逐步扩散至整个网络,破坏系统的正常工作。因此,面向多智能体系统的故障诊断与可靠性研究成为当前一个亟待解决的科研问题,同时也具有很大的实际意义与应用价值。
在故障诊断的研究中,基于观测器的方法已取得了长足的发展,如基于卡尔曼滤波器、龙伯格观测器的故障诊断方法等。这类方法针对集中式控制系统,属于基于模型的故障检测方法,其核心思想是通过设计状态观测器估计系统的某一特征参数,同时借助参考输入观测误差信号,并以此为依据诊断系统故障。当前,针对多智能体系统的故障诊断研究,绝大部分已有成果都是对传统基于观测器方法的改进,使之适应多智能体系统分布式的特点。
基于观测器的多智能体故障诊断方法主要可分为以下几类:
(1)基于未知输入观测器(UnknownInputObserver)的故障诊断方法
未知输入观测器是龙伯格观测器的一种改进形式,它可以在系统存在未知输入的情况下估计出系统的预期状态,并通过将实际状态作为反馈引入观测器中来得到未知输入的具体形式。利用未知输入观测器可以在故障信号还未对输出产生影响时将其观测出来,且计算量相对较小,时效性好,因此得到了广泛的研究和应用。
(2)基于残差生成器的故障诊断方法
基于观测器的残差生成器是一种比较常见的故障诊断方法,其在本质上仍是状态观测器,但输出并不是系统状态的观测值,而是观测误差。因此,借助残差生成器可以方便地获得系统中状态的误差信号,进而检测出故障发生的地点及其具体形式。由于残差生成器与系统模型紧密相关,因此并没有一个固定的形式,而是针对具体问题灵活设计。
(3)基于滑模观测器(SlidingModeObserver)的故障诊断方法
滑模观测器是一种非线性的变结构观测器,通过使用非线性高增益反馈迫使估计状态逼近超平面,使估计输出趋近于测量输出。由于滑模观测器对于系统中的建模误差,噪声干扰等不确定因素有很强的鲁棒性,且利用滑模观测器进行故障诊断,不仅可以检测、隔离任何类型的有界故障,还可以重构故障信息,因而受到了广泛的研究和关注。近年来,针对多智能体和网络化控制系统的故障诊断问题,基于滑模观测器的故障诊断方法也产生了不少研究成果。
以上的观测器均具有计算量大,实时性差,不易分布化实现等不足。并不适合在大型网络化控制系统中应用。
发明内容
有鉴于此,本发明提供了一种基于邻居相关状态的分布式多智能体实时故障检测方法,能够借助输出估计来预测节点运动状态,只需求解线性方程组即可,计算量小,便于应用;此外本发明可完成实时故障检测,且本身就具有分布式的特性,非常适合在大型网络化控制系统中应用。
实现本发明的技术方案如下:
一种基于邻居相关状态的分布式多智能体实时故障检测方法,包括以下步骤:
步骤一、针对多智能体系统建立基于邻居相关状态的多智能体系统数学模型;数学模型中的单个节点只能获得邻居节点的相关状态信息,多智能体系统数学模型包括以下两部分:多智能体系统拓扑模型和带有故障的节点动力学模型;
步骤二、利用多智能体系统拓扑模型确定每个节点的邻居节点,进而获得邻居节点的相关状态信息,通过模型变换将带有故障的节点动力学模型转换成基于相关状态信息的故障检测模型;
步骤三、利用所述故障检测模型,每个节点求解自身邻居节点的理论运动状态,并将其与节点自身观测器测得的邻居实际运动状态作差比较,从而获得误差信号;
步骤四、根据多智能体系统性能要求设置误差信号的警戒值,若有某个节点检测到邻居节点误差信号超过警戒值,则触发信息交互,并将该邻居节点视为目标节点;在目标节点的邻居节点构成的通信子网络中传输各邻居节点检测到的目标节点的误差信号,同时通信子网络中的所有节点按一致性协议更新各自的误差信号,直至达成一致;
步骤五、针对更新后的误差信号设置门限函数,若误差信号幅值超过门限函数的限幅值,即可断定该目标节点发生故障。
进一步地,步骤二中所述基于相关状态信息的故障检测模型为
其中,A∈Rn×n、B∈Rn×m、C∈Rp×n为系统矩阵,为节点i与节点j状态信息之差的理论值,uji(t)=uj(t)-ui(t)为节点i与节点j控制量的差值,zji(t)为实际相关状态信息,为误差信号,t为时间变量。
进一步地,步骤四中的一致性协议具体为:
节点j将其检测的故障节点i的误差信号传输给所有节点集Nji=Nj∩Ni中的节点,i∈Nj,节点j的邻居节点构成的集合为Nj,并通过下述离散时间算法更新自身的检测信息;
其中,k为时间步长,dji代表节点j在通信子网络Gi中的度,dji=|Nji|=|Nj∩Ni|,wlj,i∈R是权重系数。
有益效果:
(1)本发明构造了一种基于邻居相关状态的故障检测模型,使得故障信号与节点状态信息互相解耦,减少了故障检测的难度。另外,该模型只用到节点的控制输入和邻居的相关状态信息,这些在节点控制过程中就可以获得,不需增加额外的通信。
(2)本发明所提的故障检测方案占用计算资源少,非常适合多智能体系统单节点性能有限的情况。而且该方案是一种实时算法,能在故障发生的同时将其检测出,避免故障节点进一步对系统产生不良影响。另外,该方案本身就具有分布式特性,且结构灵活,便于系统的扩展。
(3)本发明借助一致性通信协议提出了一种检测信息交互方案。该方案可以在不提高系统硬件性能的条件下增加检测结果的可靠性,节省了系统搭建的成本,减少了因误操作而给系统带来的不必要损失,具有很高的经济效益与应用价值。
本发明的上述优点保证了其能够方便地应用于多智能体系统中,实时检测出系统中的故障节点,同时消除该故障对系统的影响,使系统能够最大限度地实现预期目标,降低损失。同时,该发明还可以使多智能体系统具备较强的抗干扰能力,减少对系统的维护及维修成本,具有较高的经济价值。
附图说明
图1为本发明系统初始状态及拓扑结构图。
图2为本发明故障检测方案示意图。
图3为本发明检测信息交互方案流程图。
图4为本发明故障检测及信息交互时序图。
图5为本发明节点初始状态及邻居信息统计表。
图6为本发明不同时刻系统运动状态示意图。
图7为本发明节点速度变化图。
图8为本发明故障节点邻居的检测信息图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种基于邻居相关状态的分布式多智能体实时故障检测方法,包括以下步骤:
步骤一:
针对多智能体系统的实际物理意义及节点间的信息交互方式建立数学模型。规定单个节点只能获得邻居节点的相关状态信息,由此建立基于邻居相关状态的多智能体系统模型。多智能体系统模型主要包括以下两部分:多智能体系统拓扑模型和带有故障的节点动力学模型。图1为本发明系统初始状态及拓扑模型图。
考虑一个由N个节点构成的多智能体系统,用无向图G={VN,EN}描述,其中VN={1,…,N}为节点集,为边集。每个节点可与其周围邻居节点进行信息交互,邻居节点构成集合Ni,用ni=|Ni|表示集合的势,这里假定所有的邻居集均为非空集合,ni≠0。如果节点j是节点i的邻居,j∈Ni,则存在边(i,j)∈EN。由于系统拓扑采用无向图描述,成立。定义L∈RN×N为图的拉普拉斯矩阵,Lij是L第i行第j列元素。若节点i与节点j互为邻居,则Lij=-1,否则Lij=0,特别地,Lii=|Ni|。
最为常见的带有故障信号的节点动力学模型为:
其标准形式为:
其中xi∈Rn是节点状态信息,ui∈Rm是节点控制输入,yi∈Rp是节点的输出,为节点状态信息与输出信号的理论值。fi∈Rq代表故障信号,对于正常节点来说,fi=0。矩阵A∈Rn×n、B∈Rn×m、C∈Rp×n和Bf∈Rn×q是齐次的,也就是说,所有节点都拥有相同的上述矩阵。假定(A,Bf,C)是节点的最小实现,满足Bf列满秩,C行满秩,p≥q且rank(CBf)=rank(Bf)=q。
步骤二:
利用多智能体系统拓扑模型确定每个节点的邻居节点,进而获得邻居节点的相关状态信息,通过模型变换将带有故障的节点动力学模型转换成基于相关状态信息的故障检测模型;
对于多智能体系统而言,对节点进行故障检测的是节点的邻居而非节点本身,即使邻居检测到节点发生故障,也只能将故障节点隔离,无法针对具体故障对其进行修复。因此,对于如(6)式所述的故障节点模型,邻居只需检测故障信号fi是否存在,用以判断节点是否发生故障即可,无需观测其具体的形式。
定理1:对于如式(6)所述的节点模型,若要检测故障信号fi是否存在,则(6)存在如下等价模型:
其中是残差信号,表示故障信号fi在输出中的体现。
证明:首先,对于式(8)所述的节点动力学方程,其解为:
式(9)表明,在节点的输出方程中,由节点输入ui和故障信号fi所产生的影响互相解耦,因此只需规定残差信号则模型(8)即可在形式上与(6)等价。
此外,若想要模型(8)与(6)在实际故障检测算法中等价,还需证明残差信号的值只与故障信号fi相关,即证明经观察可知明显成立,但并不一定成立。若fi(t)≠0,利用傅里叶变换将fi(t)分解:
其中ck∈Cq,λk∈C。此时残差信号可分解为:
式(11)说明残差信号具有累加和的形式,且故障信号fi(t)不同模态在残差信号中产生的影响互相解耦。由于(A,Bf,C)是节点的最小实现且满足条件rank(CBf)=rank(Bf)=q,因此关于故障信号fi(t)的传递函数矩阵Gf(s)=C(sI-A)-1Bf列满秩。通过利用零点传输定理,可以证明当且仅当故障信号具有如下形式:
其中z0是Gf(s)的传输零点,mα是与初始状态fi(t0)有关的向量,用以抵消初始状态在系统中产生的激励,δ(t)为单位阶跃信号。若Gf(s)有n0个不同的传输零点,由式(11)可知,fi(t)可以是多个如式(12)所示信号的线性组合,即满足在实际的控制系统中,故障信号fi(t)是一个随机信号,不可能时刻符合上述(12)式的形式,因此在绝大多数情况下均成立,即(8)式可以作为节点的故障检测模型。
考虑到邻居的相关状态信息,(8)式可写为:
zij∈Rp代表节点i与节点j的相关状态信息,j∈Ni,节点i的邻居节点集合Ni由系统拓扑模型确定。
假定节点i具有如下控制规则:
ui(t)=P(Ii(t))(14)
其中Ii(t)={zij(t)|j∈Ni}是节点i的相关状态信息集合。上述控制规则满足如下假设:
假设1:控制协议P是齐次的。
假设2:通过通信网络或车载传感器,每个节点均可获得邻居的所有邻居相关状态信息。
通过利用假设1和假设2,每个节点均可以利用现有信息重构邻居的控制输入。需要说明的是,对于不同的系统,上述假设并非是必须要满足的。若系统允许节点直接交换控制输入信息,则上述假设就无存在的必要,但大多数情况下,控制输入作为节点的内部控制信息是不会向邻居公开的,这就需要上述假设来保证每个节点都可以有足够的信息重构邻居的控制输入,进而完成后续的故障检测任务。
下面给出分布式实时故障检测算法:
对于如式(13)所示的基于邻居相关状态的故障检测模型,规定:
则模型(13)可以写成如下形式:
步骤三:
利用步骤二中的故障检测模型,每个节点求解自身邻居节点的理论运动状态,并将其与节点自身观测器测得的邻居实际运动状态作差比较,从而获得误差信号。
对于如式(16)所述的故障检测模型,故障检测算法所要解决的主要问题是:如何从相关状态zji(t)中分离出残差信号进而检测出故障节点。
模型(16)的标称模型为:
残差信号可以表示为:
其中zji(t)为实际的相关状态信息,可由节点自带的传感器测量得到,可通过求解线性方程组(17)得到,由此残差信号即可从相关状态中分离出来。线性方程组(17)的解为:
从式(19)、(20)可以看出,只需知道初始状态就可求出线性方程组的解,而后续的状态信息可利用(19)式循环迭代求得。对于连续的故障检测算法而言,xji(t0)=0可直接应用,但若故障检测算法是周期性的,或是事件触发的,则需要一个状态观测器来观测模型的初始状态。目前这一问题已得到了广泛的研究,利用未知输入观测器(UnknownInputObserver)即可在存在故障信号的条件下检测出所需要的状态信息。此算法是一种通用的算法,不包含在本发明的创新之内,此处不做详细讨论。用于进行初始状态观测的模型为:
其中fji(t)=fj(t)-fi(t)视作未知输入信号。
由此,本发明所提出的故障检测算法可总结为:对式(21)设计未知输入观测器,观测出初始状态信息xji(t0)。进而将初始状态信息带入式(19)、(20)中求得并通过式(18)求出残差信号完成故障检测任务。
需要说明的是,通过上述故障检测方案得到的残差信号同时包含和也就是说节点无法判断究竟是自身还是邻居发生了故障,但这并不影响随后的故障隔离任务,因为无论是自己还是邻居发生了故障,节点的处理方案都是切断与邻居的联系,即从边集中移除(j,i)。当故障节点的所有邻居都切断与故障节点的联系之后,故障节点将自动从系统中隔离,不再对系统产生影响。
故障检测方案示意图如附图2所示。每个节点都具有nk个独立的如图所示的故障检测框架,用以观测其nk个邻居的运行状态。与传统的基于观测器的方案相比,本方案占用计算资源大大减少,非常适合在多智能体单节点性能通常不高的情况应用。
步骤四:
根据多智能体系统性能要求设置误差信号的警戒值,若有某个节点检测到邻居节点误差信号超过警戒值,则触发信息交互,并将该邻居节点视为目标节点。在目标节点的邻居节点构成的通信子网络中传输各邻居节点检测到的目标节点的误差信号,同时通信子网络中的所有节点按一致性协议更新各自的误差信号,直至达成一致。
为了充分利用多智能体系统的群体性优势,本发明提出了一种基于一致性协议的信息交互方案,上文所述故障检测方案检测到的残差信号将作为交互内容在通信网络中传输。首先在系统拓扑模型的基础上给出信息交互模型,定义以节点i为目标节点的通信子网络为:
在上述子网络中,每个节点均可检测目标节点i的运行状态,并在网络中传输该检测结果。整个系统共分为N个通信子网络,G=G1∪…∪GN,每个子网络中均存在一个事件触发的通信协议,用以完成对目标节点检测结果的信息交互。通信协议的触发事件定义为:
其中μ为误差信号的警戒值,可依据具体的控制任务及对节点的性能要求分析选取,也可直接设置为故障检测中的门限函数,即令μ=ε。门限函数ε的选取将在后文中具体论述。
上述触发事件意味着当节点检测到其邻居只有一个发生故障时,该节点会变为活跃节点,并触发以故障节点为目标节点的通信子网络的信息交互。设计该触发事件的原因主要是节点无法具体区分究竟是自身还是邻居发生故障,这就意味着故障节点本身也会检测到邻居发生故障,进而触发信息交互。为了避免这一现象发生,我们规定只有当单个邻居发生故障时才会产生触发事件,对故障节点而言,其所有邻居都会被检测为故障,不满足上述触发事件的要求,因而不会触发信息交互。另外我们规定,与活跃节点进行信息交互的节点也会变成活跃节点。
通信协议1:活跃节点(以节点j为例)将其对故障节点(以节点i为例,i∈Nj)的检测结果传输给所有节点集Nji=Nj∩Ni中的节点,并通过下述离散时间算法更新自身的检测信息。
其中dji代表节点j在通信子网络Gi中的度,dji=|Nji|=|Nj∩Ni|,wlj,i∈R是权重系数。
对于通信子网络Gi,定义:
其中j,l,…∈Ni。由于式(24)可写为:
利用Kronecker积将上式扩展至整个网络:
由于Wi可以被看作是带有权重的系统邻接矩阵,因此存在转换矩阵T=T1T2…Ts满足:
其中m=2,3,…是图Gi每个子连通分量Gim带权重的邻接矩阵。Ts是只含有一次行/列交换变换的初等矩阵,满足因此T是一个正交矩阵满足TT=T-1。对式(28)进行线性变换得:
其中
由于矩阵Wi行和与列和均为1,则对于其中的每个连通分量Wim均满足由此可得式(30)最终将收敛于:
其中
式(31)说明了在信息交互子网络Gi中,每个连通分量中的节点均可就节点的检测结果达成一致意见,该意见为连通分量中所有节点检测结果的平均值。
上述通信协议在满足如下条件时停止:
其中γ为足够小的实数,用以限定最终一致性的精度。定义
为通信结束后各节点对故障节点的检测结果。
附图3给出了基于一致性协议的信息交互方案流程图,附图4给出了该事件触发信息交互工作时序与节点正常控制和故障检测时序之间的关系。可以看出当信息交互工作时,节点的对目标节点的检测与隔离将会暂停,而节点其余的控制工作不受影响。
步骤五:
针对误差信号设置门限函数,若误差信号幅值超过门限函数的限幅值,即可断定该目标节点发生故障。
在利用故障检测算法得到残差信号后,还需对做进一步分析,从而断定节点是否发生故障。最为常见的方法是设置门限函数,若残差信号超过门限函数,即断定节点发生故障。
上式中F为故障节点的集合。故障确认算法的核心是门限函数的选取,在实际环境中,残差信号不光取决于故障信号,还有可能受到环境噪声和测量误差的影响,门限函数须同时兼顾对干扰信号鲁棒性与对故障信号的灵敏度。本发明给出一种基于概率论的门限函数选取方法:假定ξji(t)=ξj(t)-ξi(t)代表无穷范数有界的环境噪声,满足||ξji(t)||∞<2δ;ζji(t)~H(0,σ2)代表测量误差,其中H是均值为0,方差为σ2的先验分布。门限函数ε的构造方式为:
ε=kσ+2δ(35)
系数k通过利用切比雪夫不等式来设置:
式(36)说明,若成立,则目标节点为故障节点的概率大于1-1/k2,例如选取k=10,这一概率为99%。但另一方面,k的值也不是越大越好,因为k的值越大,故障判定就越趋向于保守,漏检率将会提升。因此k的值应根据实际情况及对检测精度的要求灵活选取。
用代替进行故障判定,可以证明其可靠性要比单纯用自身检测结果的可靠性高,即下述不等式成立:
下面给出实验仿真结果,用以验证本发明所提出的故障检测隔离方案和信息交互方案的可行性。
考虑一个由12个小车组成的编队,小车采用双积分器模型:
其中i=1…12,pi、vi分别代表小车i的位置和速度信息。编队采用Leader-follower控制方式,其中leader拥有固定的控制输入,不受其他节点影响,follower采用如下控制协议:
其中pij、vij分别代表相关位置和相关速度信息,λ,μ,α,β,κ∈R为待定系数。这里我们选取λ=3.3,μ=2.6,α=3.8,β=2.1,κ=3.2。编队控制的目标是follower节点在速度上与leader实现一致,同时各个节点之间在位置上保持适当的距离。各个节点的初始状态及邻居信息附图5所示。系统控制周期选为0.1秒,故障检测与隔离算法每5秒工作2秒,也就是说算法起效的时间段为t=0-2,5-7,10-12…s。环境噪声满足||ξji(t)||∞<0.1;测量误差满足ζji(t)~H(0,0.042),选取门限函数ε=0.5。
附图6给出了系统在不同时刻的运行状态,附图7给出了小车的速度变化图,附图8给出了故障节点(节点7)的邻居对故障节点的检测结果。在t=8s时,节点7发生故障失去运动能力,v7=0,由于此时故障检测与隔离算法未处于工作状态,因此系统的运动状态将受到故障节点的影响(如附图6(c)和附图7所示)。在t=10s时,故障检测与隔离算法开始工作,故障节点的邻居检测到故障节点并触发信息交互(如附图8所示)。在t=10.3s时,节点4和节点9检测信息达成一致;在t=11.2s时,节点3,节点6和节点8检测信息达成一致。之后故障节点的邻居将故障节点隔离,剩余节点重新跟踪上leader的速度,并最终达到速度一致(如附图6(d)和附图7所示)。由此可以证明本发明所提出的故障检测方案能有及时有效地检测出故障节点,保证系统控制目标最大程度地实现。
此外,为了验证基于一致性协议的信息交互方案相较于传统方案的优势,我们还设计了如下对比实验:假定ζji(t)~H(0,0.22),门限函数保持不变,以此来模拟节点硬件性能较差的情况。每个节点只执行故障检测任务,不对故障节点进行隔离操作。令系统运行40秒,在0-20秒时信息交互方案不工作,在20-40秒时信息交互方案正常工作。重复上述实验100次,统计节点检测到故障的次数。实验结果如下表所示:
由于在本实验中并未设置故障节点,因此上表中最后一项“比率”即可认为是系统总体的误检率。从统计结果中明显可以看出,采用信息交互模型后,系统误检率明显下降,进而证明了该信息交互模型的有效性。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.基于邻居相关状态的分布式多智能体实时故障检测方法,其特征在于,包括以下步骤:
步骤一、针对多智能体系统建立基于邻居相关状态的多智能体系统数学模型;数学模型中的单个节点只能获得邻居节点的相关状态信息,多智能体系统数学模型包括以下两部分:多智能体系统拓扑模型和带有故障的节点动力学模型;
步骤二、利用多智能体系统拓扑模型确定每个节点的邻居节点,进而获得邻居节点的相关状态信息,通过模型变换将带有故障的节点动力学模型转换成基于相关状态信息的故障检测模型;
步骤三、利用所述故障检测模型,每个节点求解自身邻居节点的理论运动状态,并将其与节点自身观测器测得的邻居实际运动状态作差比较,从而获得误差信号;
步骤四、根据多智能体系统性能要求设置误差信号的警戒值,若有某个节点检测到邻居节点误差信号超过警戒值,则触发信息交互,并将该邻居节点视为目标节点;在目标节点的邻居节点构成的通信子网络中传输各邻居节点检测到的目标节点的误差信号,同时通信子网络中的所有节点按一致性协议更新各自的误差信号,直至达成一致;
步骤五、针对更新后的误差信号设置门限函数,若误差信号幅值超过门限函数的限幅值,即可断定该目标节点发生故障。
2.如权利要求1所述的基于邻居相关状态的分布式多智能体实时故障检测方法,其特征在于,步骤二中所述基于相关状态信息的故障检测模型为
其中,A∈Rn×n、B∈Rn×m、C∈Rp×n为系统矩阵,为节点i与节点j状态信息之差的理论值,uji(t)=uj(t)-ui(t)为节点i与节点j控制量的差值,zji(t)为实际相关状态信息,为误差信号,t为时间变量。
3.如权利要求1所述的基于邻居相关状态的分布式多智能体实时故障检测方法,其特征在于,一致性协议具体为:
节点j将其检测的故障节点i的误差信号传输给所有节点集Nji=Nj∩Ni中的节点,i∈Nj,节点j的邻居节点构成的集合为Nj,并通过下述离散时间算法更新自身的检测信息;
其中,k为时间步长,dji代表节点j在通信子网络Gi中的度,wlj,i∈R是权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610224080.8A CN105763396B (zh) | 2016-04-12 | 2016-04-12 | 基于邻居相关状态的分布式多智能体实时故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610224080.8A CN105763396B (zh) | 2016-04-12 | 2016-04-12 | 基于邻居相关状态的分布式多智能体实时故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105763396A true CN105763396A (zh) | 2016-07-13 |
CN105763396B CN105763396B (zh) | 2018-02-06 |
Family
ID=56334704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610224080.8A Active CN105763396B (zh) | 2016-04-12 | 2016-04-12 | 基于邻居相关状态的分布式多智能体实时故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105763396B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106357794A (zh) * | 2016-10-11 | 2017-01-25 | 苏州继企机电科技有限公司 | 一种基于分布式网络的机械臂系统故障检测方法 |
CN107544468A (zh) * | 2017-09-22 | 2018-01-05 | 北京空间飞行器总体设计部 | 一种卫星控制系统测试故障的处理方法 |
CN107678280A (zh) * | 2017-10-11 | 2018-02-09 | 北京理工大学 | 一种基于事件触发机制的多智能体系统的预测控制方法 |
CN108092833A (zh) * | 2018-02-28 | 2018-05-29 | 哈尔滨理工大学 | 一种多智能体一致性故障诊断方法 |
CN108259608A (zh) * | 2018-01-19 | 2018-07-06 | 中国科学院生态环境研究中心 | 一种多智能体集群运算方法 |
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 |
CN108958032A (zh) * | 2018-07-24 | 2018-12-07 | 湖南工业大学 | 一种非线性多智能体系统的总量协同一致控制方法 |
CN109254532A (zh) * | 2018-04-19 | 2019-01-22 | 北京理工大学 | 一种面向通信时滞的多智能体分布式合作故障检测方法 |
CN109491244A (zh) * | 2017-09-13 | 2019-03-19 | 南京航空航天大学 | 一种基于滑模观测器的无人机编队系统故障诊断方法 |
CN109634798A (zh) * | 2019-02-25 | 2019-04-16 | 北京理工大学 | 一种领航-跟随多智能体分布式系统的故障估计器设计方法 |
CN110161847A (zh) * | 2018-09-18 | 2019-08-23 | 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 |
CN110757882A (zh) * | 2019-10-31 | 2020-02-07 | 济宁科力光电产业有限责任公司 | 一种基于无传感器伺服压力机全闭环控制系统及方法 |
CN112288103A (zh) * | 2020-10-21 | 2021-01-29 | 电子科技大学 | 石油钻井系统中设备检测的启动方法 |
CN112583633A (zh) * | 2020-10-26 | 2021-03-30 | 东北大学秦皇岛分校 | 一种基于粗糙信息的有向多智能体网络的分布式优化方法 |
CN112578804A (zh) * | 2020-12-16 | 2021-03-30 | 南京理工大学 | 一种基于事件触发机制的四旋翼飞行器编队滑模控制方法 |
CN112799898A (zh) * | 2021-01-08 | 2021-05-14 | 北京科技大学 | 基于分布式故障检测的互联系统故障节点定位方法及系统 |
CN113032905A (zh) * | 2021-03-22 | 2021-06-25 | 中国人民解放军63920部队 | 深空航天器的综合状态评估方法及装置 |
CN113534664A (zh) * | 2021-07-20 | 2021-10-22 | 北京理工大学 | 一种基于闭环状态估计的多智能体系统事件触发控制方法 |
CN114237207A (zh) * | 2021-12-21 | 2022-03-25 | 西北工业大学 | 通信噪声影响下多智能体分布式故障诊断方法 |
CN114935931A (zh) * | 2022-05-07 | 2022-08-23 | 苏州科技大学 | 一种时变异构多智能体一致性控制方法及系统 |
CN115077594A (zh) * | 2022-08-09 | 2022-09-20 | 南京航空航天大学 | 基于lstm和近邻信任机制的蜂群无人机故障检测方法 |
CN115550144A (zh) * | 2022-11-30 | 2022-12-30 | 季华实验室 | 分布式故障节点预测方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477581A (zh) * | 2008-12-19 | 2009-07-08 | 上海理工大学 | 多智能体区域道路交叉口信号集成控制仿真系统 |
CN102904343A (zh) * | 2012-10-16 | 2013-01-30 | 贵州电力试验研究院 | 基于分布式多智能体的状态监测系统及方法 |
CN104181813A (zh) * | 2014-06-11 | 2014-12-03 | 北京理工大学 | 具有连通性保持的拉格朗日系统自适应控制方法 |
CN104698839A (zh) * | 2014-12-26 | 2015-06-10 | 北京理工大学 | 一种基于信息交互的多智能体故障检测与补偿控制方法 |
-
2016
- 2016-04-12 CN CN201610224080.8A patent/CN105763396B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477581A (zh) * | 2008-12-19 | 2009-07-08 | 上海理工大学 | 多智能体区域道路交叉口信号集成控制仿真系统 |
CN102904343A (zh) * | 2012-10-16 | 2013-01-30 | 贵州电力试验研究院 | 基于分布式多智能体的状态监测系统及方法 |
CN104181813A (zh) * | 2014-06-11 | 2014-12-03 | 北京理工大学 | 具有连通性保持的拉格朗日系统自适应控制方法 |
CN104698839A (zh) * | 2014-12-26 | 2015-06-10 | 北京理工大学 | 一种基于信息交互的多智能体故障检测与补偿控制方法 |
Non-Patent Citations (2)
Title |
---|
DANIEL SILVESTRE 等: "Distributed Fault Detection Using Relative Information in Linear Multi-Agent Networks", 《IFAC-PAPERSONLINE》 * |
JIANTAO SHI 等: "Distributed fault detection for a class of second-order multi-agent systems: an optimal robust observer approach", 《THE INSTITUTION OF ENGINEERING AND TECHNOLOGY》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106357794A (zh) * | 2016-10-11 | 2017-01-25 | 苏州继企机电科技有限公司 | 一种基于分布式网络的机械臂系统故障检测方法 |
CN109491244A (zh) * | 2017-09-13 | 2019-03-19 | 南京航空航天大学 | 一种基于滑模观测器的无人机编队系统故障诊断方法 |
CN109491244B (zh) * | 2017-09-13 | 2021-10-22 | 南京航空航天大学 | 一种基于滑模观测器的无人机编队系统故障诊断方法 |
CN107544468A (zh) * | 2017-09-22 | 2018-01-05 | 北京空间飞行器总体设计部 | 一种卫星控制系统测试故障的处理方法 |
CN107678280A (zh) * | 2017-10-11 | 2018-02-09 | 北京理工大学 | 一种基于事件触发机制的多智能体系统的预测控制方法 |
CN108259608A (zh) * | 2018-01-19 | 2018-07-06 | 中国科学院生态环境研究中心 | 一种多智能体集群运算方法 |
CN108259608B (zh) * | 2018-01-19 | 2020-07-07 | 中国科学院生态环境研究中心 | 一种多智能体集群运算方法 |
CN108092833A (zh) * | 2018-02-28 | 2018-05-29 | 哈尔滨理工大学 | 一种多智能体一致性故障诊断方法 |
CN109254532A (zh) * | 2018-04-19 | 2019-01-22 | 北京理工大学 | 一种面向通信时滞的多智能体分布式合作故障检测方法 |
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 |
CN108958032A (zh) * | 2018-07-24 | 2018-12-07 | 湖南工业大学 | 一种非线性多智能体系统的总量协同一致控制方法 |
CN110161847A (zh) * | 2018-09-18 | 2019-08-23 | 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 |
CN109634798A (zh) * | 2019-02-25 | 2019-04-16 | 北京理工大学 | 一种领航-跟随多智能体分布式系统的故障估计器设计方法 |
CN110757882A (zh) * | 2019-10-31 | 2020-02-07 | 济宁科力光电产业有限责任公司 | 一种基于无传感器伺服压力机全闭环控制系统及方法 |
CN112288103A (zh) * | 2020-10-21 | 2021-01-29 | 电子科技大学 | 石油钻井系统中设备检测的启动方法 |
CN112288103B (zh) * | 2020-10-21 | 2023-04-07 | 电子科技大学 | 石油钻井系统中设备检测的启动方法 |
CN112583633A (zh) * | 2020-10-26 | 2021-03-30 | 东北大学秦皇岛分校 | 一种基于粗糙信息的有向多智能体网络的分布式优化方法 |
CN112583633B (zh) * | 2020-10-26 | 2022-04-22 | 东北大学秦皇岛分校 | 一种基于粗糙信息的有向多智能体网络的分布式优化方法 |
CN112578804A (zh) * | 2020-12-16 | 2021-03-30 | 南京理工大学 | 一种基于事件触发机制的四旋翼飞行器编队滑模控制方法 |
CN112799898B (zh) * | 2021-01-08 | 2023-03-24 | 北京科技大学 | 基于分布式故障检测的互联系统故障节点定位方法及系统 |
CN112799898A (zh) * | 2021-01-08 | 2021-05-14 | 北京科技大学 | 基于分布式故障检测的互联系统故障节点定位方法及系统 |
CN113032905A (zh) * | 2021-03-22 | 2021-06-25 | 中国人民解放军63920部队 | 深空航天器的综合状态评估方法及装置 |
CN113534664A (zh) * | 2021-07-20 | 2021-10-22 | 北京理工大学 | 一种基于闭环状态估计的多智能体系统事件触发控制方法 |
CN113534664B (zh) * | 2021-07-20 | 2024-04-16 | 北京理工大学 | 一种基于闭环状态估计的多智能体系统事件触发控制方法 |
CN114237207A (zh) * | 2021-12-21 | 2022-03-25 | 西北工业大学 | 通信噪声影响下多智能体分布式故障诊断方法 |
CN114237207B (zh) * | 2021-12-21 | 2024-02-02 | 西北工业大学 | 通信噪声影响下多智能体分布式故障诊断方法 |
CN114935931B (zh) * | 2022-05-07 | 2023-09-15 | 苏州科技大学 | 一种时变异构多智能体一致性控制方法及系统 |
CN114935931A (zh) * | 2022-05-07 | 2022-08-23 | 苏州科技大学 | 一种时变异构多智能体一致性控制方法及系统 |
CN115077594A (zh) * | 2022-08-09 | 2022-09-20 | 南京航空航天大学 | 基于lstm和近邻信任机制的蜂群无人机故障检测方法 |
CN115550144A (zh) * | 2022-11-30 | 2022-12-30 | 季华实验室 | 分布式故障节点预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105763396B (zh) | 2018-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105763396A (zh) | 基于邻居相关状态的分布式多智能体实时故障检测方法 | |
Gu et al. | Spatial Gaussian process regression with mobile sensor networks | |
Park et al. | Cooperative information-driven source search and estimation for multiple agents | |
Evsukoff et al. | Recurrent neuro-fuzzy system for fault detection and isolation in nuclear reactors | |
JP2008537262A (ja) | 意思決定支援方法およびシステム | |
Vachtsevanos et al. | Resilient design and operation of cyber physical systems with emphasis on unmanned autonomous systems | |
CN110216680B (zh) | 一种服务机器人云地协同故障诊断系统和方法 | |
Yang et al. | Fault tolerant control using Gaussian processes and model predictive control | |
Castañeda et al. | Decentralized neural identifier and control for nonlinear systems based on extended Kalman filter | |
CN114265913A (zh) | 工业物联网边缘设备上基于联邦学习的空时预测算法 | |
Zhu et al. | Chaotic neural network model for SMISs reliability prediction based on interdependent network SMISs reliability prediction by chaotic neural network | |
Yuan et al. | Communication-aware distributed Gaussian process regression algorithms for real-time machine learning | |
Deshmukh et al. | Distributed state estimation for a stochastic linear hybrid system over a sensor network | |
KR101632986B1 (ko) | Mr-댐퍼가 있는 콘크리트 구조물의 비선형 움직임을 예측하기 위한 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템 | |
Groen et al. | Real world multi-agent systems: information sharing, coordination and planning | |
CN111539457B (zh) | 一种基于贝叶斯网络的故障融合诊断方法 | |
Baras et al. | Integrated, distributed fault management for communication networks | |
CN106789262A (zh) | 一种复杂网络社团异常检测方法 | |
Yin et al. | Embedding koopman optimal control in robot policy learning | |
Wu et al. | Cost-bounded active classification using partially observable Markov decision processes | |
Zamani et al. | Seismic response prediction of open-and closed-loop structural control systems using a multi-state-dependent parameter estimation approach | |
Zhang et al. | Adaptive particle routing in parallel/distributed particle filters. | |
Hustiu et al. | Multi-robot Motion Planning under MITL Specifications based on Time Petri Nets | |
Mohammadi | Distributed implementations of the particle filter with performance bounds | |
Zabiri et al. | Integrated OBF-NN models with enhanced extrapolation capability for nonlinear systems |
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 |