CN107153414B - 一种基于动静混合策略的故障检测与重构系统及方法 - Google Patents
一种基于动静混合策略的故障检测与重构系统及方法 Download PDFInfo
- Publication number
- CN107153414B CN107153414B CN201710579467.XA CN201710579467A CN107153414B CN 107153414 B CN107153414 B CN 107153414B CN 201710579467 A CN201710579467 A CN 201710579467A CN 107153414 B CN107153414 B CN 107153414B
- Authority
- CN
- China
- Prior art keywords
- msub
- fault
- mrow
- fault detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000003068 static effect Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000013461 design Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000005265 energy consumption Methods 0.000 claims description 12
- 238000007476 Maximum Likelihood Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 230000005662 electromechanics Effects 0.000 abstract description 6
- 230000015556 catabolic process Effects 0.000 abstract 1
- 230000035699 permeability Effects 0.000 abstract 1
- 239000000700 radioactive tracer Substances 0.000 abstract 1
- 230000009467 reduction Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 238000003889 chemical engineering Methods 0.000 description 5
- 230000006641 stabilisation Effects 0.000 description 5
- 238000011105 stabilization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- WLRMANUAADYWEA-NWASOUNVSA-N (S)-timolol maleate Chemical compound OC(=O)\C=C/C(O)=O.CC(C)(C)NC[C@H](O)COC1=NSN=C1N1CCOCC1 WLRMANUAADYWEA-NWASOUNVSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012360 testing method Methods 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
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于动静混合策略的故障检测与重构系统及方法，首先，根据控制系统当前工作模式，对故障检测器和传感器配置方案进行联合优化，在保证故障检测性能的前提下，使系统的能量消耗尽量减小；其次，当有故障被检测出时，通过求解多模型选择问题，实现故障类型的实时准确辨识；最后，根据所辨识的故障类型，通过设计合理的切换控制方案，完成控制分配和系统镇定，实现多类可能故障情形下控制系统的自主故障检测与重构。本发明方案结合了静态的故障监视与动态的故障类型辨识与控制系统重构，相对于传统的故障检测与容错控制方案，能有效处理多类潜在故障，实时性提高，能耗减低，可应用于航天器、机电、化工等控制对象的高可靠性控制问题。
Description
技术领域
本发明涉及一种基于动静混合策略的故障检测与重构系统及方法，应用于航天器、机电、化工等控制对象的高可靠性控制领域。
背景技术
近年来，随着工业技术的发展，航天器、机电、化工等领域所涉及的控制任务日益复杂，控制系统的规模也日益庞大，系统中可能发生故障的因素大幅增加，故障类型也日趋多样，上述趋势对控制系统的可靠性提出了更高的要求，传统的故障检测与容错控制方法遇到了新的挑战。以航天器姿态控制系统为例，系统中可能出现的故障因素包括执行机构故障(如飞轮失效或卡死)、传感器故障(如陀螺仪失效)、通讯故障(如信号中断或传输丢包)、控制芯片故障、电源故障等，以上故障来源不一、类型多样，轻则会导致航天器姿态控制性能下降，严重时则会导致控制系统崩溃，造成难以估量的损失。
传统的故障检测方法主要分为两类，一类是基于假设检验的故障检测方法；另一类是基于观测器的故障检测方法。前者通过构造与系统状态相关的某一统计量，将统计量与某一事先给定的阈值进行比较，若超出该阈值时即判断故障发生；后者根据系统模型构造状态观测器，通过状态估计的残差序列判断是否有故障发生。值得注意的是，现有的故障检测方法大都未考虑传感器的运行成本，事实上，控制系统在多数时间里都是出于正常工作的状态，此时若开启大量的传感器将导致一定程度的资源浪费。因此，在尚未检测出故障时，仅需开启部分传感器监视系统行为，当发现疑似故障行为时再开启更多的传感器，对故障类型进行准确辨识，并据此进行控制分配和系统重构。
当系统发生故障时，现有的容错控制方法包括基于鲁棒控制的方法和基于自适应控制的方法。其中，基于鲁棒控制的方法通过设计鲁棒控制器，使得系统无论处于何种故障状态下都能够稳定，基于鲁棒控制的方法由于采用固定的控制器来应对所有的故障情形，所以不可避免地具有很大的保守性；基于自适应控制的方法通过系统运行状态的实时辨识，不断更新控制器参数，该方法可有效降低保守性，但控制器的时变特性给闭环稳定性分析造成了很大的困难。为克服现有容错控制方法的以上不足，本发明提出了基于模型选择的故障类型辨识方法，并基于故障类型设计控制分配方案和反馈控制律镇定闭环系统。
发明内容
本发明的技术解决问题是：针对现有故障检测与容错控制方法在故障监视过程中未考虑传感器配置，导致传感器资源浪费；且对故障模型信息利用不充分，系统重构方案存在保守性的问题，克服现有技术的不足，提供一种基于动静混合策略的故障检测与重构系统及方法，解决在多类可能故障的情形下控制系统的故障监视、检测、辨识、重构以及闭环系统镇定问题，在降低传感器能耗的同时，保证控制系统的可靠性和适应性。
本发明的技术解决方案为：一种基于动静混合策略的故障检测与重构系统，如图2所示，由传感器调度单元、故障检测单元、故障类型辨识单元、系统重构单元组成，用于实现控制系统的实时故障检测与重构，所述控制系统由被控对象、传感器和反馈控制器组成；控制系统的工作模式包括正常模式和多种故障应对模式；
传感器调度单元根据控制系统当前的工作模式，对传感器配置方案进行优化，在保证故障检测性能的同时，减小能量消耗；故障检测单元根据传感器的当前量测信息，判断控制系统是否出现故障；如果判断出现故障，则由故障类型辨识单元根据传感器量测信息进一步辨识故障类型；系统重构单元根据故障类型辨识单元输出的故障类型对控制系统进行重构；反馈控制器则用于镇定重构后的控制系统。
本发明的一种基于动静混合策略的故障检测与重构方法，包括以下步骤：
第一步，根据控制系统当前工作模式，对传感器调度单元和故障检测单元进行联合优化，确定传感器配置方案，即哪些传感器需要开启，并构造相应的故障检测方案，使得故障检测系统能够满足所给定故障检测性能，同时尽量降低传感器的能量消耗；
第二步，根据第一步所确定的传感器配置方案和故障检测方案，故障检测单元接收传感器的实时量测信息，判断当前时刻是否有故障发生，当故障检测单元判断有故障发生后，将更新故障标识信号，从而激活故障类型辨识单元，故障类型辨识单元接收到故障标识信号后，将故障检测系统转入故障应对模式，即开启更多传感器，或以更高频率采样，从而获得更多的关于控制系统运行状态的信息；故障类型辨识单元根据所获得的量测信息，通过求解多模型选择问题，实现故障类型的实时准确辨识；
第三步，系统重构单元根据第二步所辨识得到的故障类型，构造相应的控制分配方案，即利用被控对象的控制冗余度，完成基于控制分配的系统重构，实现多类可能故障情形下控制系统的实时故障检测与自主重构。
所述第一步中的传感器调度单元和故障检测单元联合优化，其具体实现如下：
(1)首先，建立控制系统的状态空间模型：
其中，xk为k时刻系统∑的状态变量；uk为k时刻的控制输入；ωk为高斯噪声，用来描述k时刻模型误差和外部干扰的综合作用；为k时刻第s个传感器输出的量测值；为高斯噪声，表示k时刻第s个传感器的量测噪声，通常情况下各个传感器的量测噪声相互独立；A(ηk,rk),B(ηk,rk),Cs为参数矩阵，其中rk∈{0,1,...,M}表示k时刻系统∑的工作模式，序列{rk}k≥1为马尔科夫链，其转移概率满足P(rk+1＝j|rk＝i)＝{Πr}i,j，Πr表为已知的状态转移阵，{Πr}i,j表示Πr的第i行、第j列元素；ηk∈{0,1,...,M}表示k时刻系统∑的控制分配状态，当ηk和rk已知时，相应的A(ηk,rk),B(ηk,rk)也是已知的；
(2)其次，定义故障检测延时和虚警率两个故障检测性能指标，其中，T为故障发生时刻，Td为故障发现时刻，事件H0表示当前时刻控制系统处于正常状态，事件D1表示当前时刻检测出故障；
(3)最后，定义传感器配置矩阵其中，为传感器选择变量，中表示第s个传感器在第k时刻处于开启状态；表示第s个传感器在第k时刻处于关闭状态，求解如下带约束的优化问题：
其中，trace(Υk)表示矩阵Υk的迹，即处于开启状态的传感器的数目，β0和μd0分别为预先给定的虚警率和故障检测延时的上界，用于表征故障检测性能，优化问题(1)的最优解为其中，给出最优的传感器配置方案，给出最优故障检测方案，即故障检测单元何时判断故障发生，并输出故障标识信号。
第二步中所述的多模型选择问题，其具体实现如下：
将第时刻到第k时刻(此处假设)故障类型辨识单元所获得的量测信息记为故障类型辨识单元通过求解如下的极大似然估计问题实现多模型选择：
优化问题(2)的最优解为i*，则故障类型辨识单元将输出故障类型i*，即判断系统当前运行于第i*种故障状态。
所述第三步中的控制分配方案设计和系统重构，包括以下步骤：
(1)控制分配方案设计：对于每一种故障状态rk，选择相应的控制分配方案ηk对控制系统进行重构；
(2)控制系统镇定：根据所确定的故障类型和控制分配方案，建立重构后控制系统的状态空间模型
此时A(ηk,rk),B(ηk,rk)均为已知，系统∑为线性定常系统，根据该状态空间模型，设计反馈控制律uk＝K(yk)，保证闭环控制系统稳定。
本发明与现有技术相比的优点在于：
(1)本发明的控制系统故障检测与重构方案采用了动静混合策略，在未检测出故障时，仅开启一部分传感器用于故障监视；在检测出故障时，开启更多传感器或切换到更高的采样频率，以获得更丰富的量测信息，实现基于故障模型的极大似然估计；相对于现有的故障检测和容错控制方法，本发明提出的方案在传感器能耗和故障分辨能力方面均有较大改善；且本发明方案结合了静态的故障监视与动态的故障类型辨识与控制系统重构，相对于传统的故障检测与容错控制方案，能有效处理多类潜在故障，实时性提高，能耗减低。
(2)本发明不仅能够实现实时故障监测，还能够在故障发生时，采用基于极大似然估计的模型选择算法准确地辨识出故障的类型，并根据故障类型设计控制分配方案，实现故障情形下的系统重构，最后，通过合理设计反馈控制律保证闭环控制系统稳定；相对于现有的基于鲁棒或自适应方法的容错控制方案，本发明提出的方案能够更充分地利用故障模型的信息，有效改善系统的稳定性和可靠性。
总之，本发明涉及一种基于动静混合策略的故障检测与重构系统及方法，针对具有控制系统面临的多种可能故障，采用动静混合的故障检测与控制分配方案，与传统的故障检测与容错控制方法相比，能够在降低传感器能耗的同时，保证故障发生时的实时检测、辨识、重构与闭环系统镇定，扩展了传统故障检测和重构方案适用范围，可应用于航天器、机电、化工等控制对象的高可靠性控制问题。
附图说明
图1为发明基于动静混合策略的控制系统故障检测与重构方法的流程图；
图2为发明基于动静混合策略的控制系统故障检测与重构系统结构示意图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
本发明针对一类含多种可能故障的控制系统，目标是通过对传感器的高效配置和对控制方案的合理设计，实现在没有故障发生时，对系统进行实时监测；在有故障发生时，准确辨识故障类型并及时隔离故障。首先，根据控制系统当前工作模式，对故障检测器和传感器配置方案进行联合优化，在保证故障检测性能的前提下，使系统的能量消耗尽量减小；其次，当有故障被检测出时，通过求解多模型选择问题，实现故障类型的实时准确辨识；最后，根据所辨识的故障类型，通过设计合理的切换控制方案，完成控制分配和系统镇定，实现多类可能故障情形下控制系统的自主故障检测与重构。本发明方案结合了静态的故障监视与动态的故障类型辨识与控制系统重构，相对于传统的故障检测与容错控制方案，能有效处理多类潜在故障，实时性提高，能耗减低，可应用于航天器、机电、化工等控制对象的高可靠性控制问题。
如图1所示，本发明具体步骤如下：
第一步，传感器配置方案和故障检测器联合优化
考虑由如下状态空间模型描述的离散被控对象：
其中，xk为k时刻系统∑的状态变量；uk为k时刻的控制输入；ωk为高斯噪声，用来描述k时刻模型误差和外部干扰的综合作用；为k时刻第s个传感器输出的量测值；为高斯噪声，表示k时刻第s个传感器的量测噪声，通常情况下各个传感器的量测噪声相互独立；A(ηk,rk),B(ηk,rk),Cs为参数矩阵，其中 rk∈{0,1,...,M}表示k时刻系统∑的工作模式，序列{rk}k≥1为马尔科夫链，其转移概率满足P(rk+1＝j|rk＝i)＝{Πr}i,j，Πr表为已知的状态转移阵，{Πr}i,j表示Πr的第i行、第j列元素；ηk∈{0,1,...,M}表示k时刻系统∑的控制分配状态，当ηk和rk已知时，相应的A(ηk,rk),B(ηk,rk)也是已知的。
系统∑有M+1种可能的工作模式，其中状态0(即rk＝0)为正常状态，状态1至状态M(即rk∈{1,...,M})为故障状态。当系统∑处于状态0时，输出服从均值为m0，方差为S0的高斯分布，记为为了判断系统是否处于故障状态，只需判断输出yk是否服从均值为m0，方差为S0的高斯分布。为了表征故障检测的性能，引入故障检测延时μd和虚警率β两个指标。令T为故障发生时刻，Td为故障发现时刻，则故障检测延时令事件H0表示当前时刻系统∑处于正常状态，事件H1表示当前时刻系统∑处于故障状态，事件D0表示当前时刻未检测出故障；事件D1表示当前时刻检测出故障，则虚警率即未发生故障时，检测出故障的概率。在实际应用中，通常要求故障检测延时和虚警率分别不大于某两个预先给定的值。
此外，由于系统绝大多数情况下是处于正常工作模式的，为了节省传感器资源，仅开启一部分传感器对系统∑进行监视。此时，故障检测器实际接收到的量测量为：
其中，为传感器配置矩阵，为传感器选择变量，中表示第s个传感器在第k时刻处于开启状态；表示第s个传感器在第k时刻处于关闭状态。为了降低传感器能耗，在故障监视过程中通常希望在能够快速检测出故障的前提下，令处于开启状态的传感器数目尽量少。此时，传感器配置方案和故障检测器的联合优化方案可通过求解如下带约束的优化问题得到：
其中，trace(Υk)为矩阵Υk的迹，表示处于开启状态的传感器的数目。β0和μd0分别为预先给定的虚警率和故障检测延时的上界。记问题(3)的最优解，即最优的传感器配置方案和故障检测器为其中为求解首先，根据k时刻之前的所有量测信息，按照下式对k时刻故障已出现的先验概率进行更新：
其中，Y1:k-1为第1时刻到第k-1时刻所有的量测信息，p0为某一时刻系统发生故障的概率，pk-1为k-1时刻故障已出现的概率；然后，结合k时刻的量测信息，按照下式更新k时刻故障已出现的后验概率pk：
其中，Yk表示k时刻的量测信息。接下来，根据虚警率上界β0，计算故障检测阈值Thr2＝1-β0；每个传感器取并判别是否成立，若成立，则关闭传感器，即令若不成立，则保持传感器处于开启状态，即令最后，故障检测器判别pk≤Thr2是否成立，若成立，则故障检测器判断故障发生，即此时，系统将开启更多传感器或以更高频率采样，从而完成进一步的故障类型辨识；若不成立，则故障检测器判断故障未发生，即此时，系统令k←k+1并重复以上步骤。
第二步，基于多模型选择的故障类型辨识
当故障检测器判断有故障发生后，控制系统将进入故障应对模式，即开启更多传感器，或以更高频率采样，从而获得更多的系统运行状态信息；故障辨识器根据所获得的系统运行状态信息，通过求解多模型选择问题，辨识出故障类型。具体地，将第时刻到第k时刻(此处假设)所获得的系统运行状态信息记为故障类型辨识问题可转化为如下的极大似然估计问题：
记极大似然估计问题(4)的最优解为i*，则故障辨识器将输出故障类型i*，即判断系统当前运行于第i*种故障状态。
第三步，控制分配方案设计与闭环系统镇定
根据第二步所辨识得到的故障类型，构造相应的控制分配方案，实现闭环系统的重构。假设对于每一种故障状态rk，都存在一种控制分配方案ηk与之对应。此时，需根据重构之后的系统模型，设计控制律uk＝K(yk)镇定闭环系统。由于此时A(ηk,rk),B(ηk,rk)是已知的，闭环系统的镇定问题即为线性定常系统的输出反馈镇定问题，具体的控制器设计方法已被广泛研究，此处不再详述。
以下以航天器姿态控制系统为例再详细说明本发明的具体实现：
1.传感器配置方案和故障检测器联合优化：
考虑以星敏感器作为姿态敏感器，以飞轮和磁力矩器作为执行机构的航天器姿态控制系统，为简便起见，这里考虑如下的航天器线性化姿态动力学与运动学模型：
其中，Ji(i＝1,2,3)分别为航天器三轴转动惯量；n为轨道角速度；φ,θ,ψ为本体与轨道坐标系间的三轴欧拉角；u1,u2,u3分别为三轴控制力矩；f1,f2,f3为三轴执行机构故障。将以上模型写成紧凑形式，有：
其中，M＝diag{J1,J2,J3}；C＝diag{n(J1-J2+J3),0,-n(J1-J2+J3)}； K＝diag{4n2(J2-J3),3n2(J1-J3),n2(J2-J1)}为系数矩阵；p(t)＝[φ θ ψ]T为三轴欧拉角；u(t)＝[u1 u2u3]T为三轴控制输入；f(t)＝[f1 f2 f3]T为三轴执行机构故障。
进一步，(6)式可写成如下的标准状态空间模型：
其中，为系统状态变量；为系统矩阵；为输入矩阵。
考虑陀螺仪和星敏感器作为姿态敏感器，此时姿态量测方程为：
ys＝Csx+vs (8)
其中，ys＝p为传感器s的量测输出；Cs＝[I 0]为传感器s的输出矩阵；vs为传感器s的量测噪声，假设其服从高斯分布。将(7)、(8)式离散化，有：
基于上述模型和实时量测信息，故障检测器(见图2)根据下式迭代更新故障发生的概率pk：
接下来，根据虚警率上界β0，计算故障检测阈值Thr2＝1-β0；每个传感器取 Thr1 s∈[0,Thr2)，并判别pk≤Thr1 s是否成立，若成立，则关闭传感器，即令若不成立，则保持传感器处于开启状态，即令最后，故障检测器判别pk≤Thr2是否成立，若成立，则故障检测器判断故障发生，即此时，系统将开启更多传感器或以更高频率采样，从而完成进一步的故障类型辨识；若不成立，则故障检测器判断故障未发生，即此时，系统令k←k+1并重复以上步骤。
2.基于多模型选择的故障类型辨识：
当故障检测器判断故障发生后，将有更多传感器开启，采样频率也相应提高，从而收集更多的量测信息。根据所收集的量测信息，故障类型辨识单元(见图2)采用极大似然估计方法，对故障类型进行辨识。具体地，首先将系统可能出现的M种故障类型，如飞轮卡死、传感器失效、电源故障等，分别表示为rk＝1,2,...,M，在每种故障情形下，系统对应有不同的状态空间模型，例如，当提供第一维量测的传感器失效时，系统的状态空间从(9)变为：
其中，因此，考虑各类故障情形后，可将系统的状态空间模型(9)改写为：
将第时刻到第k时刻(此处假设)所获得的系统运行状态信息记为故障类型辨识问题可转化为如下的极大似然估计问题：
记极大似然估计问题(12)的最优解为i*，则故障辨识器将输出故障类型i*，即判断系统当前运行于第i*种故障状态。
3.控制分配方案设计与闭环系统镇定：
根据第二步所辨识得到的故障类型i*，系统重构单元(见图2)构造相应的控制分配方案，实现闭环系统的重构。假设对于每一种故障状态rk，都存在一种控制分配方案ηk与之对应。此时，需根据重构之后的系统模型，设计控制律uk＝K(yk)镇定闭环系统。由于此时A(ηk,rk),B(ηk,rk)是已知的，闭环系统的镇定问题即为线性定常系统的输出反馈镇定问题，具体的控制器设计方法已被广泛研究，此处不再详述。
总之，本发明结合了静态的故障监视与动态的故障类型辨识与控制系统重构，相对于传统的故障检测与容错控制方案，能有效处理多类潜在故障，实时性提高，能耗减低，可应用于航天器、机电、化工等控制对象的高可靠性控制问题。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (5)
1.一种基于动静混合策略的故障检测与重构系统，其特征在于：所述故障检测与重构系统由传感器调度单元、故障检测单元、故障类型辨识单元、系统重构单元组成，用于实现控制系统的实时故障检测与重构，所述控制系统由被控对象、传感器和反馈控制器组成；控制系统的工作模式包括正常模式和多种故障应对模式；
第一步，根据控制系统当前工作模式，对传感器调度单元和故障检测单元进行联合优化，确定传感器配置方案，即哪些传感器需要开启，并构造相应的故障检测方案，使得故障检测系统能够满足所给定故障检测性能，同时尽量降低传感器的能量消耗；
第二步，根据第一步所确定的传感器配置方案和故障检测方案，故障检测单元接收传感器的实时量测信息，判断当前时刻是否有故障发生，当故障检测单元判断有故障发生后，将更新故障标识信号，从而激活故障类型辨识单元，故障类型辨识单元接收到故障标识信号后，将故障检测系统转入故障应对模式，即开启更多传感器，或以更高频率采样，从而获得更多的关于控制系统运行状态的信息；故障类型辨识单元根据所获得的量测信息，通过求解多模型选择问题，实现故障类型的实时准确辨识；
第三步，系统重构单元根据第二步所辨识得到的故障类型，构造相应的控制分配方案，即利用被控对象的控制冗余度，完成基于控制分配的系统重构，实现多类可能故障情形下控制系统的实时故障检测与自主重构；
所述第一步中的传感器调度单元和故障检测单元联合优化，其具体实现如下：
(11)首先，建立控制系统的状态空间模型：
<mrow>
<mi>&Sigma;</mi>
<mo>:</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mi>A</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&eta;</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<mi>B</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&eta;</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>y</mi>
<mi>k</mi>
<mi>s</mi>
</msubsup>
<mo>=</mo>
<msup>
<mi>C</mi>
<mi>s</mi>
</msup>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msubsup>
<mi>&upsi;</mi>
<mi>k</mi>
<mi>s</mi>
</msubsup>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，xk为k时刻系统∑的状态变量；uk为k时刻的控制输入；ωk为高斯噪声，用来描述k时刻模型误差和外部干扰的综合作用；为k时刻第s个传感器输出的量测值；为高斯噪声，表示k时刻第s个传感器的量测噪声，通常情况下各个传感器的量测噪声相互独立；A(ηk,rk),B(ηk,rk),Cs为参数矩阵，其中rk∈{0,1,...,M}表示k时刻系统∑的工作模式，序列{rk}k≥1为马尔科夫链，其转移概率满足P(rk+1＝j|rk＝i)＝{Πr}i,j，Πr表为已知的状态转移阵，{Πr}i,j表示Πr的第i行、第j列元素；ηk∈{0,1,...,M}表示k时刻系统∑的控制分配状态，当ηk和rk已知时，相应的A(ηk,rk),B(ηk,rk)也是已知的；
(12)其次，定义故障检测延时和虚警率两个故障检测性能指标，其中，T为故障发生时刻，Td为故障发现时刻，事件H0表示当前时刻控制系统处于正常状态，事件D1表示当前时刻检测出故障；
(13)最后，定义传感器配置矩阵其中，为传感器选择变量，中表示第s个传感器在第k时刻处于开启状态；表示第s个传感器在第k时刻处于关闭状态，求解如下带约束的优化问题：
其中，trace(Υk)表示矩阵Υk的迹，即处于开启状态的传感器的数目，β0和μd0分别为预先给定的虚警率和故障检测延时的上界，用于表征故障检测性能，优化问题(1)的最优解为其中，给出最优的传感器配置方案，给出最优故障检测方案，即故障检测单元何时判断故障发生，并输出故障标识信号；
第二步中所述的多模型选择问题，其具体实现如下：
将第时刻到第k时刻故障类型辨识单元所获得的量测信息记为此处假设故障类型辨识单元通过求解如下的极大似然估计问题实现多模型选择：
优化问题(2)的最优解为i*，则故障类型辨识单元将输出故障类型i*，即判断系统当前运行于第i*种故障状态；
所述第三步中的控制分配方案设计和系统重构，包括以下步骤：
(31)控制分配方案设计：对于每一种故障状态rk，选择相应的控制分配方案ηk对控制系统进行重构；
(32)控制系统镇定：根据所确定的故障类型和控制分配方案，建立重构后控制系统的状态空间模型：
<mrow>
<mi>&Sigma;</mi>
<mo>:</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mi>A</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&eta;</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<mi>B</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&eta;</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>y</mi>
<mi>k</mi>
<mi>s</mi>
</msubsup>
<mo>=</mo>
<msup>
<mi>C</mi>
<mi>s</mi>
</msup>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msubsup>
<mi>&upsi;</mi>
<mi>k</mi>
<mi>s</mi>
</msubsup>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
此时A(ηk,rk),B(ηk,rk)均为已知，系统∑为线性定常系统，根据该状态空间模型，设计反馈控制律uk＝K(yk)，保证闭环控制系统稳定。
2.一种基于动静混合策略的故障检测与重构方法，其特征在于包括以下步骤：
第一步，根据控制系统当前工作模式，对传感器调度单元和故障检测单元进行联合优化，确定传感器配置方案，即哪些传感器需要开启，并构造相应的故障检测方案，使得故障检测系统能够满足所给定故障检测性能，同时尽量降低传感器的能量消耗；
第二步，根据第一步所确定的传感器配置方案和故障检测方案，故障检测单元接收传感器的实时量测信息，判断当前时刻是否有故障发生，当故障检测单元判断有故障发生后，将更新故障标识信号，从而激活故障类型辨识单元，故障类型辨识单元接收到故障标识信号后，将故障检测系统转入故障应对模式，即开启更多传感器，或以更高频率采样，从而获得更多的关于控制系统运行状态的信息；故障类型辨识单元根据所获得的量测信息，通过求解多模型选择问题，实现故障类型的实时准确辨识；
第三步，系统重构单元根据第二步所辨识得到的故障类型，构造相应的控制分配方案，即利用被控对象的控制冗余度，完成基于控制分配的系统重构，实现多类可能故障情形下控制系统的实时故障检测与自主重构。
3.根据权利要求2所述的基于动静混合策略的故障检测与重构方法，其特征在于：所述第一步中的传感器调度单元和故障检测单元联合优化，其具体实现如下：
(1)首先，建立控制系统的状态空间模型：
<mrow>
<mi>&Sigma;</mi>
<mo>:</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mi>A</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&eta;</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<mi>B</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&eta;</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>y</mi>
<mi>k</mi>
<mi>s</mi>
</msubsup>
<mo>=</mo>
<msup>
<mi>C</mi>
<mi>s</mi>
</msup>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msubsup>
<mi>&upsi;</mi>
<mi>k</mi>
<mi>s</mi>
</msubsup>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，xk为k时刻系统∑的状态变量；uk为k时刻的控制输入；ωk为高斯噪声，用来描述k时刻模型误差和外部干扰的综合作用；为k时刻第s个传感器输出的量测值；为高斯噪声，表示k时刻第s个传感器的量测噪声，通常情况下各个传感器的量测噪声相互独立；A(ηk,rk),B(ηk,rk),Cs为参数矩阵，其中rk∈{0,1,...,M}表示k时刻系统∑的工作模式，序列{rk}k≥1为马尔科夫链，其转移概率满足P(rk+1＝j|rk＝i)＝{Πr}i,j，Πr表为已知的状态转移阵，{Πr}i,j表示Πr的第i行、第j列元素；ηk∈{0,1,...,M}表示k时刻系统∑的控制分配状态，当ηk和rk已知时，相应的A(ηk,rk),B(ηk,rk)也是已知的；
(2)其次，定义故障检测延时和虚警率两个故障检测性能指标，其中，T为故障发生时刻，Td为故障发现时刻，事件H0表示当前时刻控制系统处于正常状态，事件D1表示当前时刻检测出故障；
(3)最后，定义传感器配置矩阵其中，为传感器选择变量，中表示第s个传感器在第k时刻处于开启状态；表示第s个传感器在第k时刻处于关闭状态，求解如下带约束的优化问题：
其中，trace(Υk)表示矩阵Υk的迹，即处于开启状态的传感器的数目，β0和μd0分别为预先给定的虚警率和故障检测延时的上界，用于表征故障检测性能，优化问题(1)的最优解为其中，给出最优的传感器配置方案，给出最优故障检测方案，即故障检测单元何时判断故障发生，并输出故障标识信号。
4.根据权利要求2所述的基于动静混合策略的故障检测与重构方法，其特征在于：第二步中所述的多模型选择问题，其具体实现如下：
将第时刻到第k时刻(此处假设)故障类型辨识单元所获得的量测信息记为故障类型辨识单元通过求解如下的极大似然估计问题实现多模型选择：
优化问题(2)的最优解为i*，则故障类型辨识单元将输出故障类型i*，即判断系统当前运行于第i*种故障状态。
5.根据权利要求1所述的基于动静混合策略的故障检测与重构方法，其特征在于：所述第三步中的控制分配方案设计和系统重构，包括以下步骤：
(1)控制分配方案设计：对于每一种故障状态rk，选择相应的控制分配方案ηk对控制系统进行重构；
(2)控制系统镇定：根据所确定的故障类型和控制分配方案，建立重构后控制系统的状态空间模型：
<mrow>
<mi>&Sigma;</mi>
<mo>:</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mi>A</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&eta;</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<mi>B</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&eta;</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>y</mi>
<mi>k</mi>
<mi>s</mi>
</msubsup>
<mo>=</mo>
<msup>
<mi>C</mi>
<mi>s</mi>
</msup>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msubsup>
<mi>&upsi;</mi>
<mi>k</mi>
<mi>s</mi>
</msubsup>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
此时A(ηk,rk),B(ηk,rk)均为已知，系统∑为线性定常系统，根据该状态空间模型，设计反馈控制律uk＝K(yk)，保证闭环控制系统稳定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710579467.XA CN107153414B (zh) | 2017-07-17 | 2017-07-17 | 一种基于动静混合策略的故障检测与重构系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710579467.XA CN107153414B (zh) | 2017-07-17 | 2017-07-17 | 一种基于动静混合策略的故障检测与重构系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107153414A CN107153414A (zh) | 2017-09-12 |
| CN107153414B true CN107153414B (zh) | 2018-03-27 |
Family
ID=59797151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710579467.XA Active CN107153414B (zh) | 2017-07-17 | 2017-07-17 | 一种基于动静混合策略的故障检测与重构系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107153414B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109885022B (zh) * | 2019-02-21 | 2021-07-09 | 山东科技大学 | 一种基于潜故障敏感子空间的故障检测方法 |
| DE102019204342A1 (de) * | 2019-03-28 | 2020-10-01 | Siemens Aktiengesellschaft | Datenverarbeitungsanordnung und Datenverarbeitungsverfahren |
| CN111965978B (zh) * | 2020-08-11 | 2022-08-23 | 北京航空航天大学 | 一种基于执行器可靠性的四旋翼控制器实时重构方法 |
| CN114264940A (zh) * | 2020-09-16 | 2022-04-01 | 深圳绿米联创科技有限公司 | 异常防护方法、装置、控制设备以及防护系统 |
| CN113949067B (zh) * | 2021-08-26 | 2024-03-15 | 北京空间飞行器总体设计部 | 一种大功率航天器分布式电源系统重构系统 |
| CN114283956B (zh) * | 2021-11-17 | 2024-07-16 | 中国核电工程有限公司 | 一种传感器智能数据重构方法及系统 |
| CN114675202A (zh) * | 2022-03-11 | 2022-06-28 | 华为数字能源技术有限公司 | 电池故障的诊断方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101995821A (zh) * | 2010-06-25 | 2011-03-30 | 哈尔滨工程大学 | 一种智能分步容错控制方法 |
| CN103499921A (zh) * | 2013-09-11 | 2014-01-08 | 西安交通大学 | 变结构模糊系统传感器故障诊断方法及其在飞控系统的应用 |
| CN104765312A (zh) * | 2015-03-09 | 2015-07-08 | 上海交通大学 | 飞行器可重构控制系统实现方法 |
-
2017
- 2017-07-17 CN CN201710579467.XA patent/CN107153414B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101995821A (zh) * | 2010-06-25 | 2011-03-30 | 哈尔滨工程大学 | 一种智能分步容错控制方法 |
| CN103499921A (zh) * | 2013-09-11 | 2014-01-08 | 西安交通大学 | 变结构模糊系统传感器故障诊断方法及其在飞控系统的应用 |
| CN104765312A (zh) * | 2015-03-09 | 2015-07-08 | 上海交通大学 | 飞行器可重构控制系统实现方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107153414A (zh) | 2017-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107153414B (zh) | 一种基于动静混合策略的故障检测与重构系统及方法 | |
| Wang et al. | Active fault-tolerant control for a quadrotor helicopter against actuator faults and model uncertainties | |
| Wang et al. | Multivariate regression-based fault detection and recovery of UAV flight data | |
| Zhang et al. | Adaptive fault-tolerant control of nonlinear uncertain systems: an information-based diagnostic approach | |
| Zhang et al. | Neural-networks and event-based fault-tolerant control for spacecraft attitude stabilization | |
| CN102175266B (zh) | 一种运动体陀螺惯性组件的故障诊断方法 | |
| Sobhani-Tehrani et al. | Hybrid fault diagnosis of nonlinear systems using neural parameter estimators | |
| EP3703916A1 (en) | System and method for controlling robotic arm | |
| CN109986562B (zh) | 一种平面机械臂系统及其分散式容错控制方法 | |
| US9134713B2 (en) | System and method for fault prognostics enhanced MPC framework | |
| Cimpoesu et al. | Fault detection and diagnosis using parameter estimation with recursive least squares | |
| CN107390529A (zh) | 一种基于带宽节省的模糊自适应执行器失效补偿控制方法 | |
| Chen et al. | A random forest and model-based hybrid method of fault diagnosis for satellite attitude control systems | |
| Ding et al. | Model-based error detection for industrial automation systems using lstm networks | |
| CN109978055A (zh) | 多传感器系统的信息融合方法及系统、计算机设备及介质 | |
| KR20140111396A (ko) | 센서 모니터링 장치, 센서 모니터링 방법, 및 이를 위한 기록매체 | |
| Wang et al. | Fault detection of flywheel system based on clustering and principal component analysis | |
| Ma et al. | Modified leader-following consensus of time-delay multi-agent systems via sampled control and smart leader | |
| CN106526239A (zh) | 一种无人机编队系统的分布式速度传感器故障诊断方法 | |
| Wan et al. | Robust air data sensor fault diagnosis with enhanced fault sensitivity using moving horizon estimation | |
| JP7348103B2 (ja) | 運転状態分類システム、および、運転状態分類方法 | |
| Zolghadri | Early warning and prediction of flight parameter abnormalities for improved system safety assessment | |
| Fravolini et al. | Minimal resource allocating networks for aircraft SFDIA | |
| US11176395B2 (en) | Image recognition processor including functional safety processor core and operation method thereof | |
| Dai et al. | Performance adjustable event-triggered policy to spacecraft attitude tracking |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |