CN105974796A - 一种多驱动网络设备的故障诊断与容错控制方法 - Google Patents

Abstract

一种多驱动网络设备的故障诊断与容错控制方法，包括:建立多驱动网络设备的数学模型，初始化系统状态及控制参数；设计扩张状态观测器来观测网络设备的失效因子，并根据反步自适应积分滑模设计了系统的控制器；同时结合被动容错方法设计了设备的容错控制器。本发明提供了一种基于反步自适应滑模结合被动容错控制设计的多驱动容错控制器，同时，设计了扩张状态观测器来估计网络设备的失效因子，使得设备在出现故障的情况下依然可以正常运行。

Description

一种多驱动网络设备的故障诊断与容错控制方法

技术领域

本发明属于网络设备控制领域，基于一种主动容错控制和自适应滑模的多驱动网络设备控制方法，特别是对于故障情况下的多驱动网络设备的故障诊断与容错控制。

背景技术

网络的出现极大的推动了现代科技的发展，互联网在提高社会信息化方面，资源共享的实现，以及日常生活的便利化都有着无可替代的重要作用。

相对于网络的广泛普及和应用，网络设备的使用和维护还处在一个较为低端的水平。对于网络设备日常使用中可能出现的种种故障，我们不仅无法准确地检测到故障发生的原因，而且故障处理的手段往往很单一，仅仅只有停机修理或者停机更换元器件这些措施。不仅造成了极大的资源浪费，同时也使企业的正常生产活动受到了很大的影响。

对于网络设备的检测，主要包括故障检测和性能检测两个方面。其中：故障检测主要涵盖接口功能测试协议一致性测试和网管故障检测等，相关研究主要集中在各大高校以及研究所等科研单位；性能测试主要包括各项可量化的性能指标的测试，相关研究工作主要集中在第三方设备生产公司。

在过去的几十年间，针对网络设备出现的故障问题，已经有多种方法被提出并获得了成功的应用。主要的解决方法有主动容错控制和被动容错控制两种。主动容错控制就是为网络设备设计一种鲁棒性强不易受到故障影响的控制律，使得网络设备在在出现故障的情况下仍然可以保持原先的性能，但是主动容错控制仅仅只能够保证故障发生初期的时候有明显的效果，一旦故障变得严重，那么系统将会变得不可控制，最终导致设备严重损坏；被动容错控制指的是在网络设备出现故障的情况下，重构原先的控制律，将未知非线性项或故障因子考虑进网络设备的控制器设计当中，实现其由正常运行状态到故障状态下运行的平稳过渡，并且保证系统的运行性能不会发生明显的下降，被动容错即使在发生较大故障的情况下依然可以保证设备的平稳运行。

同时，网络设备当中的非线性干扰项也是影响其性能的一个关键因素，由于是远程操控设备，一旦系统出现较大的外力干扰或者摩擦，参数变化等等问题，那么整个系统会迅速偏离正常运行状态，仅仅依靠远程的网络调节很难及时的使系统回到正常的运行状态。这时候，就需要依靠系统自身的控制器设计来抑制扰动项的影响。许多先进的控制理论，例如滑模理论，自抗扰理论，鲁棒控制…都对干扰项的抑制有着良好的效果，这其中，滑模理论是一种容易设计，且易于证明稳定性的控制方法。

发明内容

为了解决网络设备的故障检测和容错性能问题，使每一个网络设备都能够在参考信号下良好的运行，本发明提供了一种基于反步自适应滑模结合被动容错控制设计的多驱动容错控制器，同时，设计了扩张状态观测器来估计网络设备的失效因子，使得设备在出现故障的情况下依然可以正常运行。

为了解决上述技术问题提出的技术方案如下：

一种多数据驱动设备的故障诊断与容错控制方法，包括以下步骤：

步骤1,建立多驱动网络设备的系统数学模型，初始化系统状态及控制参数，过程如下：

1.1,考虑故障情况下的多驱动网络设备的理想模型为：

其中，θ_L(t)代表负载的位置，w_L(t)代表负载的转速，θ_j(t)代表设备1或者设备2的转子的位置，w_j(t)代表设备1或设备2的转子的速度，D_L代表传动机构的刚度系数，D_Tj代表电磁力矩系数；

1.2,对网络设备模型进行简化，式中，此外，令得到简化后的网络设备模型为：

步骤2，设计多驱动网络设备的容错控制器，过程如下：

2.1,设计过程：

由系统的状态方程和式(4)有：

为了要使e₁收敛到0，设计η₂为：

将(6)式带入(5)式得到：

选取Liyaounov函数并对V₁进行求导，得到：

2.2,为了使V₁小于0，设状态变量z₁跟踪x₂，z₂跟踪不确定扰动ω₁

利用扩张状态观测器对ω₁进行补偿，存在补偿误差，定义补偿误差为e_ω＝ω₁-z₂，通过自适应的方法消除该误差，定义 是对e_ω的估计，是估计误差；

由系统的状态方程和式(4)得：

为了使e₂指数收敛，设计η₃：

定义的自适应律为：

设计Lyapunov函数：

对式(13)进行求导，并且将V₁、均代入式(13)中，得：

定义一个关于e₃的滑膜面：

其中，k₃为滑模面的增益，驱动1完全失效和部分失效需要分开来设计控制器如下：

1)当驱动1部分失效时：

2)当驱动1完全失效时：

2.3,选取Lyapunov函数：

对式(20)求导，得：

2.4,基于观测器的故障诊断，过程如下：

设计以下的观测器来估计失效因子：

其中，是x_4j的观测值，l为观测器增益系数，是对失效因子的估计，S₂为滑膜面，为了保证系统稳定，设计失效因子的自适应律为：

其中，r_j为增益系数，r_j大于零。

本发明提供了一种基于反步自适应滑模结合被动容错控制设计的多驱动容错控制器，同时，设计了扩张状态观测器来估计网络设备的失效因子，使得设备在出现故障的情况下依然可以正常运行；

本发明的技术构思为：针对可能出现故障的多驱动网络设备系统，本发明设计扩张状态观测器来观测网络设备的失效因子，并根据反步自适应积分滑模设计了系统的控制器；同时结合被动容错方法设计了设备的容错控制器。本发明提供了一种能够有效提高网络设备容错性能的方法，确保多驱动网络设备能够实现较好的控制效果；

本发明的有益效果为：实现网络设备的故障诊断和容错控制，有效解决系统在扰动下的误差增大问题，提高系统的容错性能和控制性能。

附图说明

图1为本发明的控制流程图；

图2为跟踪性能效果图；

图3为没有补偿项时位置信号跟踪性能图；

图4为没有补偿项时网络设备跟踪误差图；

图5为有补偿项时网络设备跟踪误差图；

图6为部分失效无容错控制下的位置误差；

图7为部分失效容错控制下的位置误差；

图8为完全失效无容错控制下的位置误差；

图9为完全失效容错控制下的位置误差。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1-图8，一种多数据驱动设备的故障诊断与容错控制方法，包括以下步骤：

步骤1,建立多驱动网络设备的系统数学模型，初始化系统状态及控制参数，过程如下：

1.1,考虑故障情况下的多驱动网络设备的理想模型为：

其中，θ_L(t)代表负载的位置，w_L(t)代表负载的转速，θ_j(t)代表设备1或者设备2的转子的位置，w_j(t)代表设备1或设备2的转子的速度，D_L代表传动机构的刚度系数，D_Tj代表电磁力矩系数；

1.2,对网络设备模型进行简化，式中，此外，令得到简化后的网络设备模型为：

步骤2，设计多驱动网络设备的容错控制器，过程如下：

2.1,设计过程：

由系统的状态方程和式(4)有：

为了要使e₁收敛到0，设计η₂为：

将(6)式带入(5)式得到：

选取Liyaounov函数并对V₁进行求导，得到：

2.2,为了使V₁小于0，设状态变量z₁跟踪x₂，z₂跟踪不确定扰动ω₁

利用扩张状态观测器对ω₁进行补偿，存在补偿误差，定义补偿误差为e_ω＝ω₁-z₂，通过自适应的方法消除该误差，定义 是对e_ω的估计，是估计误差；

由系统的状态方程和式(4)得：

为了使e₂指数收敛，设计η₃：

定义的自适应律为：

设计Lyapunov函数：

对式(13)进行求导，并且将V₁、均代入式(13)中，得：

定义一个关于e₃的滑膜面：

其中，k₃为滑模面的增益，驱动1完全失效和部分失效需要分开来设计控制器如下：

1)当驱动1部分失效时：

2)当驱动1完全失效时：

2.3,选取Lyapunov函数：

对式(20)求导，得：

2.4,基于观测器的故障诊断，过程如下：

设计以下的观测器来估计失效因子：

其中，是x_4j的观测值，l为观测器增益系数，是对失效因子的估计，S₂为滑膜面，为了保证系统稳定，设计失效因子的自适应律为：

其中，r_j为增益系数，r_j大于零。

为了验证所提容错控制方法以及干扰量补偿方法的有效性，我们在MATLAB2013a环境下进行了仿真，首先，系统参数设置为：

J_m1＝0.004kg.m²,K_T1＝1.1N.m/A,J_L＝0.016kg.m²

J_m2＝0.008kg.m²,K_T1＝0.9N.m/A,K_L＝1000N.m/rad

经过反复调试，得到的控制器相对较好的参数整定为：

k₁＝50,k₂＝30,k₃＝k₄₁＝k₄₂＝30,

k₄＝50,r₀＝10,r₁＝r₂＝5,

l＝90,ρ₁＝ρ₂＝0.5,β₂＝5000

系统跟踪幅值为1，周期为2s的正弦信号，如图3所示；图4所示的是在没有增加补偿项的时候电机的跟踪误差，图5所示的是在增加补偿项时候网络设备的跟踪误差，比较这两幅图，可以很明显的看到，在增加补偿项以后，网络设备的跟踪误差降低了很多；图6所示的是对于失效因子的估计，我们将失效因子的初值均设置为1，在5s时，令驱动器1的失效因子变为0，即驱动器1完全失效，从图中可以看到失效因子估计律可以很好的观察失效因子的变化情况。为了验证本文所设计的容错控制策略的准确性，在5s时，令驱动器1的失效因子突变到0.5，即驱动器1部分失效，比较在容错控制下的位置误差和不在容错控制下的位置误差，可以看出在突变开始的时候，不用容错控制时，系统误差有明显的增大，而且稳态误差也比才用容错控制要大将近0.0032rad，如图7、图8所示。接着我们令驱动1的失效因子在5s时为0，即驱动器1在5s时完全失效，此时比较容错控制和不在容错控制下的位置误差，结果如图9所示。从仿真实验的结果来看，基于反步自适应滑模和被动容错控制的多驱动网络设备的故障诊断和容错控制方法能够有效提高网络设备的运行性能，保证其在发生故障时性能不会发生明显的下降。

以上阐述的是本发明给出的仿真对比实验用以表明所设计方法的优越性，显然本发明不只是局限于上述实例，在不偏离本发明基本精神及不超出本发明实质内容所涉及范围的前提下对其可作种种变形加以实施。本发明所设计的控制方案对含有故障问题的网络设备具有良好的容错效果，能有效提高系统的检测性能和容错性能，使网络设备能够实现较好的控制效果。

Claims (1)

1.一种多数据驱动设备的故障诊断与容错控制方法，其特征在于：所述控制方法包括以下步骤：

步骤1,建立多驱动网络设备的系统数学模型，初始化系统状态及控制参数，过程如下：

1.1,考虑故障情况下的多驱动网络设备的理想模型为：

$\left\{\begin{array}{c}{\stackrel{\·}{\mathrm{\θ}}}_L\left(t\right)=w_L\left(t\right),{\stackrel{\·}{\mathrm{\θ}}}_j\left(t\right)=w_j\left(t\right),\\ {\stackrel{\·}{w}}_L\left(t\right)=\frac{D_L{\mathrm{\θ}}_1\left(t\right)-{\mathrm{\θ}}_L\left(t\right)+D_L\[{\mathrm{\θ}}_2\left(t\right)-{\mathrm{\θ}}_1\left(t\right)\]}{J_L}+{\mathrm{\ω}}_1\left(t\right)\\ {\stackrel{\·}{w}}_j\left(t\right)=\frac{D_{Tj}{f}_j\left(t\right)u_j\left(t\right)-D_L\[{\mathrm{\θ}}_j\left(t\right)-{\mathrm{\θ}}_L\left(t\right)\]}{J_{mj}}+{\mathrm{\ω}}_{2j}\left(t\right)\end{array}\right.---\left(1\right)$

其中，θ_L(t)代表负载的位置，w_L(t)代表负载的转速，θ_j(t)代表设备1或者设备2的转子的位置，w_j(t)代表设备1或设备2的转子的速度，D_L代表传动机构的刚度系数，D_Tj代表电磁力矩系数；

1.2,对网络设备模型进行简化，式中，此外，令得到简化后的网络设备模型为：

$h1:\left\{\begin{array}{c}{\stackrel{\·}{y}}_1=y_2,\\ {\stackrel{\·}{y}}_2=a(y_2-2y_1)+y_1,\end{array}\right.---\left(2\right)$

$h2:\left\{\begin{array}{c}{y}_3=y_{31}+y_{32},\\ {\stackrel{\·}{y}}_{3j}=y_{4j},\\ {\stackrel{\·}{y}}_{4j}={\mathrm{\α}}_{2j}(x_1-x_{3i})+{\mathrm{\α}}_{1j}{f}_j{u}_j+w_{2j},\end{array}\right.---\left(3\right)$

步骤2，设计多驱动网络设备的容错控制器，过程如下：

2.1,设计过程：

$\left\{\begin{array}{c}{e}_1=y_d-y_1\\ e_2={\mathrm{\η}}_2-y_2\\ e_3={\mathrm{\η}}_3-{\mathrm{ay}}_3\end{array}\right.---\left(4\right)$

由系统的状态方程和式(4)有：

${\stackrel{\·}{e}}_1={\stackrel{\·}{y}}_d-{\stackrel{\·}{y}}_1={\stackrel{\·}{y}}_d-{\mathrm{\η}}_2+e_2---\left(5\right)$

为了要使e₁收敛到0，设计η₂为：

${\mathrm{\η}}_2={\stackrel{\·}{y}}_d+k_1{e}_1---\left(6\right)$

将(6)式带入(5)式得到：

${\stackrel{\·}{e}}_1=-k_1{e}_1+e_2---\left(7\right)$

选取Liyaounov函数并对V₁进行求导，得到：

${\stackrel{\·}{V}}_1=-k_1{e}_1^2+e_1{e}_2---\left(8\right)$

2.2,为了使V₁小于0，设状态变量z₁跟踪x₂，z₂跟踪不确定扰动ω₁

$\left\{\begin{array}{c}{e}_0=z_1-y_2\\ {\stackrel{\·}{z}}_1=a(y_3-2y_1)+z_2-{\mathrm{\β}}_1{e}_0\\ {\stackrel{\·}{z}}_2=-{\mathrm{\β}}_{2}fal(e_0,a_0,{\mathrm{\δ}}_0)\end{array}\right.---\left(9\right)$

利用扩张状态观测器对ω₁进行补偿，存在补偿误差，定义补偿误差为e_ω＝ω₁-z₂，通过自适应的方法消除该误差，定义 是对e_ω的估计，是估计误差；

由系统的状态方程和式(4)得：

${\stackrel{\·}{e}}_2={\stackrel{\·}{\mathrm{\η}}}_2+2{\mathrm{ax}}_1-{\mathrm{\η}}_3+e_3-{\mathrm{\ω}}_1---\left(10\right)$

为了使e₂指数收敛，设计η₃：

${\mathrm{\η}}_3=e_1+{\stackrel{\·}{\mathrm{\η}}}_2+2{\mathrm{ay}}_1+k_2{e}_2-z_2-{\hat{e}}_{\mathrm{\ω}}---\left(11\right)$

定义的自适应律为：

$\stackrel{\·}{\hat{e}}=-r_0{e}_2---\left(12\right)$

设计Lyapunov函数：

$V_2=V_1+\frac{e_2^2}{2}+\frac{{\tilde{e}}_{\mathrm{\ω}}^2}{2r_0}---\left(13\right)$

对式(13)进行求导，并且将V₁、均代入式(13)中，得：

${\stackrel{\·}{V}}_2=-k_1{e}_1^2-k_2{e}_2^2+e_2{e}_3---\left(14\right)$

定义一个关于e₃的滑膜面：

$S_1={\stackrel{\·}{e}}_3+k_3{e}_3---\left(15\right)$

其中，k₃为滑模面的增益，驱动1完全失效和部分失效需要分开来设计控制器如下：

1)当驱动1部分失效时：

$u_j=\frac{F_j+k_{4j}{S}_1+{\mathrm{a\ρ}}_j\mathrm{sgn}{S}_1}{{\mathrm{a\α}}_{1j}{\hat{f}}_j}---\left(16\right)$

$F_j=k_3(\frac{{\stackrel{\·}{\mathrm{\η}}}_3}{2}-{\mathrm{ay}}_{4j})+\frac{{\stackrel{\·\·}{\mathrm{\η}}}_3}{2}-{\mathrm{a\α}}_{2j}(y_1-y_{3j})---\left(17\right)$

2)当驱动1完全失效时：

$\left\{\begin{array}{c}{u}_1=0\\ u_2=\frac{F_f+k_4{S}_1+a({\mathrm{\ρ}}_1+{\mathrm{\ρ}}_2)\mathrm{sgn}{S}_1}{{\mathrm{a\α}}_{12}{\hat{f}}_2}\end{array}\right.---\left(18\right)$

$\begin{array}{c}{F}_f=k_3\[{\stackrel{\·}{\mathrm{\η}}}_3-a(y_{41}+y_{42})\]+{\stackrel{\·\·}{\mathrm{\η}}}_3+a\[{\mathrm{\α}}_{21}{y}_{31}\\ +{\mathrm{\α}}_{22}{y}_{32}-({\mathrm{\α}}_{21}+{\mathrm{\α}}_{22})y_1\]\end{array}---\left(19\right)$

2.3,选取Lyapunov函数：

$V_S=S_1^2+\frac{{\tilde{f}}_1^2}{2r_1}+\frac{{\tilde{f}}_2}{2r_2}---\left(20\right)$

对式(20)求导，得：

$\begin{array}{c}{\stackrel{\&CenterDot;}{V}}_S=-(k_{41}+k_{42})S_1^2-a\left({\mathrm{\&rho;}}_1\right|S_1|+\\ {\mathrm{\&omega;}}_{21}{S}_1+{\mathrm{\&rho;}}_2\left|S_1\right|+{\mathrm{\&omega;}}_{22}{S}_1)<\\ -(k_{41}+k_{42})S_1^2\&le;0\end{array}---\left(21\right)$

2.4,基于观测器的故障诊断，过程如下：

设计以下的观测器来估计失效因子：

$\begin{array}{c}{\stackrel{\&CenterDot;}{\hat{x}}}_{4j}={\mathrm{\&alpha;}}_{2j}(y_1-y_{3j})+{\mathrm{\&alpha;}}_{1j}{\hat{f}}_j{u}_j+{\mathrm{lS}}_2\\ +{\mathrm{\&rho;}}_j\sin S_2\end{array}---\left(22\right)$

其中，是x_4j的观测值，l为观测器增益系数，是对失效因子的估计，S₂为滑膜面，为了保证系统稳定，设计失效因子的自适应律为：

$\stackrel{\&CenterDot;}{\hat{f}}=r_j{\mathrm{\&alpha;}}_{1j}{u}_j{S}_2---\left(23\right)$

其中，r_j为增益系数，r_j大于零。