CN109324591B - 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法 - Google Patents

基于鲁棒估计器的随机混杂系统的故障诊断装置及方法 Download PDF

Info

Publication number
CN109324591B
CN109324591B CN201810971501.2A CN201810971501A CN109324591B CN 109324591 B CN109324591 B CN 109324591B CN 201810971501 A CN201810971501 A CN 201810971501A CN 109324591 B CN109324591 B CN 109324591B
Authority
CN
China
Prior art keywords
robust
fault
estimator
actuator
hybrid
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
Application number
CN201810971501.2A
Other languages
English (en)
Other versions
CN109324591A (zh
Inventor
史运涛
雷振伍
孙德辉
李超
刘大千
项祥
张圆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China University of Technology
Original Assignee
North China University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China University of Technology filed Critical North China University of Technology
Priority to CN201810971501.2A priority Critical patent/CN109324591B/zh
Publication of CN109324591A publication Critical patent/CN109324591A/zh
Application granted granted Critical
Publication of CN109324591B publication Critical patent/CN109324591B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B23/0256—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 injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种基于鲁棒混杂估计器的随机混杂系统的故障诊断装置及方法，包括：故障输入单元，用于输入未知的执行器故障uF(k)至随机混杂系统，确定所述随机混杂系统的故障模型；残差确定单元，用于基于鲁棒混杂估计器和所述故障模型，分别确定随机混杂系统在离散状态下和连续状态下的连续状态估计和离散状态估计并确定残差rC(k)；判断单元，用于根据所述rC(k)判断所述执行器故障是否对所述随机混杂系统产生影响。本发明设计了一种鲁棒混杂估计器，利用复制的思想来估计系统状态；根据鲁棒混杂估计器得到的信息，估计残差来拟合故障；利用FDI算法对风机进行故障检测和隔离，由此，解决了随机混杂系统的未知故障问题。

Description

基于鲁棒估计器的随机混杂系统的故障诊断装置及方法
技术领域
本发明涉及故障诊断领域，尤其涉及一种基于鲁棒混杂估计器的随机混杂系统的故障诊断装置及方法。
背景技术
故障诊断技术是保证风场运行效率并降低风场运营成本的关键。故障诊断技术是一门以近代数学、计算机理论与技术、自动控制理论、信号处理技术、仿真技术、可靠性理论等有关科学为基础的多学科交叉的边缘学科。故障诊断FD(Fault Diagnosis)就是根据状态监测所获得的信息，结合已知的结构特性和参数，以及环境条件结合设备的历史记录，在设备没有发生故障之前，对设备的运行状态进行预测和预报；在设备发生故障后，对故障的原因、部位、类型、程度等做出及时判断，并给出维修决策。故障诊断的任务包括故障检测和预报、故障识别、故障分离与估计、故障评价和决策。
对于一些具有随机信息的系统，对于随机部分的处理，可以使用马尔可夫跳跃模型。马尔可夫跳跃系统是一个非线性系统，它将具有不确定性和干扰的系统描述为马尔可夫链过程。这种基于场景的随机模型预测控制可以很好地应用于随机马尔可夫跳跃线性系统。随机模型预测控制的主要优点是可以充分利用干扰的概率信息进行预测。它已应用于约束网络控制系统，能源管理，股票期权市场，医学等多个领域。
为了实现随机混杂系统的故障检测与隔离，如何构建闭环控制系统是一个先决条件。随机混杂系统是一个复杂的随机切换非线性动态系统，集成了机、电、液一体化。
现有技术中，一般是使用闭环控制系统，风能转换系统的故障检测与隔离需要估计系统状态。更具体地，通过卡尔曼滤波器是最常用的估计状态的方法，其基于特定成本函数的最小化，通过从先前观察到的测量中提取信息，实现协方差矩阵的先验评估，需要模拟系统的真实状态。然而，卡尔曼滤波器不适用于混合系统，因为它需要太多的系统状态滤波器，存在系统结构复杂的技术缺陷。
发明内容
(一)要解决的技术问题
本发明的目的在于提供一种基于鲁棒混杂估计器的随机混杂系统的故障诊断装置及方法，以解决上述至少一项技术问题。
(二)技术方案
本发明实施例的一方面，提供了一种基于鲁棒混杂估计器的随机混杂系统的故障诊断装置，包括：
故障输入单元，用于输入未知的执行器故障uF(k)至随机混杂系统，确定所述随机混杂系统的故障模型；
残差确定单元，用于基于鲁棒混杂估计器和所述故障模型，分别确定随机混杂系统在连续状态下的连续状态估计和在离散状态下的离散状态估计并确定残差rc(k)；
判断单元，用于根据所述残差rc(k)判断所述执行器故障是否对所述随机混杂系统产生影响。
在本发明的一些实施例中，所述鲁棒混杂估计器的数目为多个，鲁棒混杂估计器表达式为：
其中，y(k+1)＝Cx(k+1)，x(k+1)为第k+1时刻所述故障模型的状态变量，C为常数， 为已知的输入变量，y(k)＝[wg Pg]T为输出变量，在k时刻的离散状态，离散状态的有限集合，L(w(k))为解参数矩阵，A(w(k))、B(w(k))、D(w(k))、D1(w(k))、F(w(k))是对应维数的系统矩阵，
在本发明的一些实施例中，所述鲁棒混杂估计器的最小化均方估计误差、以及所述执行器故障与所述故障模型的估计误差，均满足解耦条件，从而确定所述L(w(k))。
在本发明的一些实施例中，所述连续状态估计等于鲁棒混杂估计器在所述随机混杂系统处于连续状态时输出的加权和，连续状态估计的表达式为：nd大于1；
δ为归一化常数，其为常数，αj(k+1|k+1)表示第j个鲁棒混杂估计器在第k+1时刻的离散状态概率，表示第j个鲁棒混杂估计器在第k+1时刻所述故障模型的状态变量估计，nd表示鲁棒混杂估计器的总个数，Pr{·}表示事件的概率，i，j∈W，W为离散状态的集合，Λj(k+1)表示第j个鲁棒混杂估计器在第k+1时刻的似然函数，“：＝”的含义是“定义为”，p[·]表示离散概率密度分布，Cj表示系数， 表示高斯分布，rj(k+1)和Sj(w(k+1))是由第j个鲁棒混杂估计器生成的残差及协方差；
所述连续状态估计等于鲁棒混杂估计器在所述随机混杂系统处于离散状态时的概率最大值，离散状态估计的表达式为：
argmax指概率最大值；Pr{·}表示j个鲁棒混杂估计器的概率中的概率最大值。
在本发明的一些实施例中，所述rc(k)的表达式为：
其中，W(k)表示所有的离散状态，Fj表示第j个鲁棒混杂估计器对应维数的系统矩阵，[]+表示广义逆矩阵，表示输出变量的估计，Aj表示第j个鲁棒混杂估计器对应维数的系统矩阵，Bj表示第j个鲁棒混杂估计器对应维数的系统矩阵，
跳转概率μji＝Pr{w(k+1)＝j|w(k)＝i，y(k)}。
在本发明的一些实施例中，判断单元根据所述残差rc(k)判断所述执行器故障是否对所述随机混杂系统产生影响，具体为：
所述判断单元根据所述残差rc(k)的数学期望E[rc(k)]判断所述执行器故障是否对所述随机混杂系统产生影响，其中，rc(k)的每个状态rc(i)(k)与执行器故障uF(k)的每个状态uF(i)(k-1)满足高斯分布，即：
σi为标准差，σi为整数，w(k)＝i；
当E[rc(i)(k)]为0，则所述执行器故障未对所述随机混杂系统产生影响；若E[rc(i)(k)]不为0，则所述执行器故障已对所述随机混杂系统产生影响。
在本发明的一些实施例中，当所述执行器故障已对所述随机混杂系统产生影响时，所述判断单元还用于：
确定故障分量参数ξi(k)：
其中，为一预定阈值；
对ξi(k)求差分得Δξi(k)，当Δξi(k)接近于0，则该执行器故障未对第i个输入分量产生影响；当则该执行器故障已对第i个输入分量产生影响。
本发明实施例的另一方面，还提供了一种基于鲁棒混杂估计器的随机混杂系统的故障诊断方法，包括：
输入未知的执行器故障uF(k)至随机混杂系统，确定所述随机混杂系统的故障模型；
基于鲁棒混杂估计器和所述故障模型，分别确定随机混杂系统在连续状态下的连续状态估计和在离散状态下的离散状态估计并确定残差rc(k)；
根据所述残差rc(k)判断所述执行器故障是否对所述随机混杂系统产生影响。
在本发明的一些实施例中，所述鲁棒混杂估计器的数目为多个，鲁棒混杂估计器表达式为：
其中，y(k+1)＝Cx(k+1)，x(k+1)为第k+1时刻所述故障模型的状态变量，C为常数， 为已知的输入变量，y(k)＝[wg Pg]T为输出变量，在k时刻的离散状态，离散状态的有限集合，L(w(k))为解参数矩阵，A(w(k))、B(w(k))、D(w(k))、D1(w(k))、
F(w(k))是对应维数的系统矩阵，
在本发明的一些实施例中，使得该鲁棒混杂估计器的最小化均方估计误差、以及所述执行器故障与所述故障模型的估计误差，均满足解耦条件，从而确定所述解参数矩阵L(w(k))。
在本发明的一些实施例中，所述连续状态估计等于鲁棒混杂估计器在所述随机混杂系统处于连续状态时输出的加权和，连续状态估计的表达式为：nd大于1；
δ为归一化常数，其为常数，αj(k+1|k+1)表示第j个鲁棒混杂估计器在第k+1时刻的离散状态概率，表示第j个鲁棒混杂估计器在第k+1时刻所述故障模型的状态变量估计，nd表示鲁棒混杂估计器的总个数，Pr{·}表示事件的概率，i，j∈W，W为离散状态的集合，Λj(k+1)表示第j个鲁棒混杂估计器在第k+1时刻的似然函数，“：＝”的含义是“定义为”，p[·]表示离散概率密度分布，Cj表示系数， 表示高斯分布，rj(k+1)和Sj(w(k+1))是由第j个鲁棒混杂估计器生成的残差及协方差；
所述离散状态估计等于鲁棒混杂估计器在所述随机混杂系统处于离散状态时的概率最大值，离散状态估计的表达式为：
argmax指概率最大值；Pr{·}表示j个鲁棒混杂估计器的概率中的概率最大值。
在本发明的一些实施例中，所述rc(k)的表达式为：
其中，W(k)表示所有的离散状态，Fj表示第j个鲁棒混杂估计器对应维数的系统矩阵，[]+表示广义逆矩阵，表示输出变量的估计，Aj表示第j个鲁棒混杂估计器对应维数的系统矩阵，Bj表示第j个鲁棒混杂估计器对应维数的系统矩阵，
跳转概率μji＝Pr{w(k+1)＝j|w(k)＝i，y(k)}。
在本发明的一些实施例中，根据所述rc(k)判断所述执行器故障是否对所述随机混杂系统产生影响，包括步骤：
根据所述rc(k)的数学期望E[rc(k)]判断所述执行器故障是否对所述随机混杂系统产生影响，其中，rc(k)的每个状态rc(i)(k)与执行器故障uF(k)的每个状态uF(i)(k-1)满足高斯分布，即：
σi为标准差，σi为整数，w(k)＝i；
当E[rc(i)(k)]为0，则所述执行器故障未对所述随机混杂系统产生影响；若E[rc(i)(k)]不为0，则所述执行器故障已对所述随机混杂系统产生影响。
在本发明的一些实施例中，当所述执行器故障已对所述随机混杂系统产生影响时，还包括步骤：
确定故障分量参数ξi(k)：
其中，为一预定阈值；
对ξi(k)求差分得Δξi(k)，当Δξi(k)接近于0，则该执行器故障未对第i个输入分量产生影响；当则该执行器故障已对第i个输入分量产生影响。
(三)有益效果
本发明的基于鲁棒混杂估计器的随机混杂系统的故障诊断装置及方法，相较于现有技术，至少具有以下优点：
1、基于鲁棒混杂估计器将未知的执行器故障与混合系统的估计误差动态分离，从而保证估计误差的收敛，可以准确的估计未知的执行器故障的信息。
2、本发明具有很强的实用价值，不仅可以准确地估计随机混杂系统的离散和连续状态，还能够准确应用于未知的执行器故障的随机混杂系统的故障诊断。与常见的卡尔曼滤波器相比，本发明能够避免随着模型和故障种类增多，问题规模增大的问题。而且卡尔曼滤波器只能描述特定的故障，无法描述如执行器这种连续型的故障。而连续型的故障在实际应用中相当普遍，比如执行器未完全失效。所以发明更适合解决随机混杂系统的未知的执行器故障问题。
3、还利用FDI算法来实现随机混杂系统的执行器的故障检测和隔离，不仅能够判断该系统是否因为未知的执行器故障受到影响，还能判断出该影响是由执行器故障中的哪个输入分量所造成的，能够进行精准地故障诊断。
附图说明
图1为本发明实施例的基于鲁棒混杂估计器的随机混杂系统的故障诊断装置的结构示意图；
图2为图1的工作示意图；
图3为本发明实施例的基于鲁棒混杂估计器的随机混杂系统的故障诊断方法的步骤示意图；
图4为图3的具体流程图。
具体实施方式
现有技术中，常见的卡尔曼滤波器只能描述特定的故障，无法描述如执行器这种连续型的故障，而连续型的故障在实际应用中相当普遍，比如执行器未完全失效。而本发明基于鲁棒混杂估计器，能够避免随着模型和故障种类增多，问题规模增大的问题，由此本发明解决随机混杂系统的未知的执行器故障问题。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明实施例的一方面，提供了一种基于鲁棒估计器的随机混杂系统的故障诊断装置，如图1所示，该装置包括：故障输入单元1、残差确定单元2和判断单元3。
故障输入单元1输入未知的执行器故障uF(k)至随机混杂系统，确定所述随机混杂系统的故障模型；残差确定单元2基于鲁棒混杂估计器和所述故障模型，分别确定随机混杂系统在离散状态下和连续状态下的连续状态估计和离散状态估计并确定残差rc(k)；判断单元3根据所述rc(k)判断所述执行器故障是否对所述随机混杂系统产生影响。由此，本发明基于鲁棒混杂估计器，能够准确的估计未知的执行器故障的信息。
在本发明实施例中，随机混杂系统可以为风能转换系统，以下将以风能转换系统为例，结合图2，对本发明的各个单元进行详细解释。
一般来说，需要先对风能转换系统进行建模，在非线性工作点进行线性化，建立一个风能转换系统的线性装配模型，该线性装配模型的表达式为：
x(k+1)＝A(w(k))x(k)+B(w(k))u(k)+D(w(k))+D1(w(k))e(k)+Iw*yr(k)
y(k)＝Cx(k)
在此之后，故障输入单元将未知的执行器故障uF(k)输入该风能转换系统，所述风能转换系统的故障模型的表达式为：
x(k+1)＝A(w(k))x(k)+B(w(k))u(k)+F(w(k))uF(k)+D(w(k))+D1(w(k))e(k)+Iw*yr(k)
y(k)＝Cx(k)
x(k+1)为状态变量，x(k)是状态变量，u(k)为已知输入变量，uF(k)为未知的执行器故障，y(k)＝[wg Pg]T为输出变量，C为常数，e(k)为白高斯过程噪声的扰动变量，yr(k)＝[wgref Pgref]T为输出参考值，w(k)∈W＝{1，2，3}，w(k)为k时刻的离散状态，W为离散状态的有限集合， A(w(k))、B(w(k))、D(w(k))、D1(w(k))、F(w(k))是对应维数的系统矩阵。
残差确定单元，基于鲁棒混杂估计器和所述故障模型，分别确定风能转换系统在连续状态下的连续状态估计和在离散状态下离散状态估计
其中，所述鲁棒混杂估计器的数目为多个，鲁棒混杂估计器表达式为：
其中，在k时刻的离散状态，离散状态的有限集合，L(w(k))为解参数矩阵，A(w(k))、B(w(k))、D(w(k))、D1(w(k))、F(w(k))是对应维数的系统矩阵，
所述鲁棒混杂估计器的最小化均方估计误差、以及所述执行器故障与所述故障模型的估计误差，均满足解耦条件，从而确定所述解参数矩阵L(w(k))。
接着，便可计算连续状态下的连续状态估计和离散状态下的离散状态估计
连续状态估计等于鲁棒混杂估计器在所述风能转换系统处于连续状态时输出的加权和，连续状态估计的表达式为： nd大于1；
δ为归一化常数，其为常数，αj(k+1|k+1)表示第j个鲁棒混杂估计器在第k+1时刻的离散状态概率，表示第j个鲁棒混杂估计器在第k+1时刻所述故障模型的状态变量估计，nd表示鲁棒混杂估计器的总个数，Pr{·}表示事件的概率，i，j∈W，W为离散状态的集合，Λj(k+1)表示第j个鲁棒混杂估计器在第k+1时刻的似然函数，“：＝”的含义是“定义为”，p[·]表示离散概率密度分布，Cj表示系数， 表示高斯分布，rj(k+1)和Sj(w(k+1))是由第j个鲁棒混杂估计器生成的残差及协方差；
所述离散状态估计等于鲁棒混杂估计器在所述风能转换系统处于离散状态时的概率最大值，离散状态估计的表达式为：
argmax指概率最大值；Pr{·}表示j个鲁棒混杂估计器的概率中的概率最大值。
根据和即可计算得到rc(k)，其表达式为：
其中，W(k)表示所有的离散状态，Fj表示第j个鲁棒混杂估计器对应维数的系统矩阵，[]+表示广义逆矩阵，表示输出变量的估计，Aj表示第j个鲁棒混杂估计器对应维数的系统矩阵，Bj表示第j个鲁棒混杂估计器对应维数的系统矩阵，
跳转概率μji＝Pr{w(k+1)＝j|w(k)＝i，y(k)}。
判断单元根据所述残差rc(k)判断所述执行器故障是否对所述风能转换系统产生影响，其具体操作为：
判断单元根据所述残差rc(k)的数学期望E[rc(k)]判断所述执行器故障是否对所述风能转换系统产生影响，其中，所述rc(i)(k)与uF(i)(k-1)满足高斯分布，即：
σi为标准差，σi为整数；
当E[rc(i)(k)]为0，则所述执行器故障未对所述风能转换系统产生影响；若E[rc(i)(k)]不为0，则所述执行器故障已对所述风能转换系统产生影响。
此外，为了能够确定执行器故障中的哪个输入分量对该风能转换系统产生了影响，所述判断单元还可以基于统计决策进行下述操作：
确定故障分量参数ξi(k)：
其中，为一预定阈值；以及
对ξi(k)求差分得Δξi(k)，当Δξi(k)接近于0，则该执行器故障未对第i个输入分量产生影响；当则该执行器故障已对第i个输入分量产生影响。
本发明实施例的第二方面，还提供了一种基于鲁棒混杂估计器的随机混杂系统的故障诊断方法，如图3和图4所示，该方法包括：
S1、输入未知的执行器故障uF(k)至随机混杂系统，确定所述随机混杂系统的故障模型；
所述鲁棒混杂估计器的数目为多个，鲁棒混杂估计器表达式为：
其中，y(k+1)＝Cx(k+1)，x(k+1)为第k+1时刻所述故障模型的状态变量，C为常数， 为已知的输入变量，y(k)＝[wg Pg]T为输出变量，在k时刻的离散状态，离散状态的有限集合，L(w(k))为解参数矩阵，A(w(k))、B(w(k))、D(w(k))、D1(w(k))、
F(w(k))是对应维数的系统矩阵，
使得该鲁棒混杂估计器的最小化均方估计误差、以及所述执行器故障与所述故障模型的估计误差，均满足解耦条件，从而确定所述解参数矩阵L(w(k))。
S2、基于鲁棒混杂估计器和所述故障模型，分别确定随机混杂系统在连续状态下的连续状态估计和在离散状态下的离散状态估计并确定残差rc(k)；
连续状态估计等于鲁棒混杂估计器在所述随机混杂系统处于连续状态时输出的加权和，连续状态估计的表达式为： nd大于1；
δ为归一化常数，其为常数，αj(k+1|k+1)表示第j个鲁棒混杂估计器在第k+1时刻的离散状态概率，表示第j个鲁棒混杂估计器在第k+1时刻所述故障模型的状态变量估计，nd表示鲁棒混杂估计器的总个数，Pr{·}表示事件的概率，i，j∈W，W为离散状态的集合，Λj(k+1)表示第j个鲁棒混杂估计器在第k+1时刻的似然函数，“：＝”的含义是“定义为”，p[·]表示离散概率密度分布，Cj表示系数， 表示高斯分布，rj(k+1)和Sj(w(k+1))是由第j个鲁棒混杂估计器生成的残差及协方差；
所述离散状态估计等于鲁棒混杂估计器在所述随机混杂系统处于离散状态时的概率最大值，离散状态估计的表达式为：
argmax指概率最大值；Pr{·}表示j个鲁棒混杂估计器的概率中的概率最大值。
在此之后，得到残差，残差rc(k)的表达式为：
其中，跳转概率μji＝Pr{w(k+1)＝j|w(k)＝i，y(k)}。
S3、根据所述残差rc(k)判断所述执行器故障是否对所述随机混杂系统产生影响。
所述rc(k)的表达式为：
其中，W(k)表示所有的离散状态，Fj表示第j个鲁棒混杂估计器对应维数的系统矩阵，[]+表示广义逆矩阵，表示输出变量的估计，Aj表示第j个鲁棒混杂估计器对应维数的系统矩阵，Bj表示第j个鲁棒混杂估计器对应维数的系统矩阵，
跳转概率μji＝Pr{w(k+1)＝j|w(k)＝i，y(k)}。
更进一步地，为了能够确定执行器故障中的哪个输入分量对该随机混杂系统产生了影响，当所述执行器故障已对所述随机混杂系统产生影响时，该方法还可以基于统计决策进行下述步骤：
确定故障分量参数ξi(k)：
其中，为一预定阈值；以及
对ξi(k)求差分得Δξi(k)，当Δξi(k)接近于0，则该执行器故障未对第i个输入分量产生影响；当则该执行器故障已对第i个输入分量产生影响。
综上，本发明的基于鲁棒混杂估计器将未知的执行器故障与混合系统的估计误差动态分离，从而保证估计误差的收敛，可以准确的估计未知的执行器故障的信息。
除非有所知名为相反之意，本说明书及所附权利要求中的数值参数是近似值，能够根据通过本发明的内容所得的所需特性改变。具体而言，所有使用于说明书及权利要求中表示组成的含量、反应条件等等的数字，应理解为在所有情况中是受到“约”的用语所修饰。
再者，“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的“一”或“一个”不排除存在多个这样的元件。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种基于鲁棒混杂估计器的随机混杂系统的故障诊断装置，包括：
故障输入单元，用于输入未知的执行器故障uF(k)至随机混杂系统，确定所述随机混杂系统的故障模型；
残差确定单元，用于基于鲁棒混杂估计器和所述故障模型，分别确定随机混杂系统在连续状态下的连续状态估计和在离散状态下的离散状态估计并确定残差rc(k)；
判断单元，用于根据所述残差rc(k)判断所述执行器故障是否对所述随机混杂系统产生影响；
其中，所述随机混杂系统为风能转换系统，在非线性工作点进行线性化，建立一个风能转换系统的线性装配模型，该线性装配模型的表达式为：
x(k+1)＝A(w(k))x(k)+B(w(k))u(k)+D(w(k))+D1(w(k))e(k)+Iw*yr(k)
y(k)＝Cx(k)
所述随机混杂系统的故障模型的表达式为：
x(k+1)＝A(w(k))x(k)+B(w(k))u(k)+F(w(k))uF(k)+D(w(k))+D1(w(k))e(k)+Iw*yr(k)
y(k)＝Cx(k)
所述鲁棒混杂估计器的数目为多个，鲁棒混杂估计器表达式为：
其中，y(k+1)＝Cx(k+1)，x(k+1)为第k+1时刻所述故障模型的状态变量，C为常数，为已知的输入变量，uF(k)为未知的执行器故障，y(k)＝[wg Pg]T为输出变量，C为常数，e(k)为白高斯过程噪声的扰动变量，yr(k)＝[wgref Pgref]T为输出参考值，在k时刻的离散状态，离散状态的有限集合，L(w(k))为解参数矩阵，A(w(k))、B(w(k))、D(w(k))、D1(w(k))、F(w(k))是对应维数的系统矩阵，
2.根据权利要求1所述的装置，其中，所述鲁棒混杂估计器的最小化均方估计误差、以及所述执行器故障与所述故障模型的估计误差，均满足解耦条件，从而确定所述解参数矩阵L(w(k))。
3.根据权利要求1所述的装置，其中，所述连续状态估计等于鲁棒混杂估计器在所述随机混杂系统处于连续状态时输出的加权和，连续状态估计的表达式为：nd大于1；
δ为归一化常数，其为常数，αj(k+1|k+1)表示第j个鲁棒混杂估计器在第k+1时刻的离散状态概率，表示第j个鲁棒混杂估计器在第k+1时刻所述故障模型的状态变量估计，nd表示鲁棒混杂估计器的总个数，Pr{·}表示事件的概率，i，j∈W，W为离散状态的集合，Λj(k+1)表示第j个鲁棒混杂估计器在第k+1时刻的似然函数，“：＝”的含义是“定义为”，p[·]表示离散概率密度分布，Cj表示系数， 表示高斯分布，rj(k+1)和Sj(w(k+1))是由第j个鲁棒混杂估计器生成的残差及协方差；
所述离散状态估计等于鲁棒混杂估计器在所述随机混杂系统处于离散状态时的概率最大值，离散状态估计的表达式为：
argmax指概率最大值；表示j个鲁棒混杂估计器的概率中的概率最大值。
4.根据权利要求3所述的装置，其中，所述rc(k)的表达式为：
其中，W(k)表示所有的离散状态，Fj表示第j个鲁棒混杂估计器对应维数的系统矩阵，[]+表示广义逆矩阵，表示输出变量的估计，Aj表示第j个鲁棒混杂估计器对应维数的系统矩阵，Bj表示第j个鲁棒混杂估计器对应维数的系统矩阵，
跳转概率μji＝Pr{w(k+1)＝j|w(k)＝i，y(k)}。
5.根据权利要求1所述的装置，其中，判断单元根据所述rc(k)判断所述执行器故障是否对所述随机混杂系统产生影响，具体为：
所述判断单元根据所述rc(k)的数学期望E[rc(k)]判断所述执行器故障是否对所述随机混杂系统产生影响，其中，rc(k)的每个状态rc(i)(k)与执行器故障uF(k)的每个状态uF(i)(k-1)满足高斯分布，即：
σi为标准差，σi为整数，w(k)＝i；
当E[rc(i)(k)]为0，则所述执行器故障未对所述随机混杂系统产生影响；若E[rc(i)(k)]不为0，则所述执行器故障已对所述随机混杂系统产生影响。
6.根据权利要求5所述的装置，其中，当所述执行器故障已对所述随机混杂系统产生影响时，所述判断单元还用于：
确定故障分量参数ξi(k)：
其中，为一预定阈值；
对ξi(k)求差分得Δξi(k)，当Δξi(k)接近于0，则该执行器故障未对第i个输入分量产生影响；当则该执行器故障已对第i个输入分量产生影响。
7.一种基于鲁棒混杂估计器的随机混杂系统的故障诊断方法，包括：
输入未知的执行器故障uF(k)至随机混杂系统，确定所述随机混杂系统的故障模型；
基于鲁棒混杂估计器和所述故障模型，分别确定随机混杂系统在连续状态下的连续状态估计和在离散状态下的离散状态估计并确定残差rc(k)；
根据所述残差rc(k)判断所述执行器故障是否对所述随机混杂系统产生影响；
其中，所述随机混杂系统为风能转换系统，在非线性工作点进行线性化，建立一个风能转换系统的线性装配模型，该线性装配模型的表达式为：
x(k+1)＝A(w(k))x(k)+B(w(k))u(k)+D(w(k))+D1(w(k))e(k)+Iw*yr(k)
y(k)＝Cx(k)
所述随机混杂系统的故障模型的表达式为：
x(k+1)＝A(w(k))x(k)+B(w(k))u(k)+F(w(k))uF(k)+D(w(k))+D1(w(k))e(k)+Iw*yr(k)
y(k)＝Cx(k)
所述鲁棒混杂估计器的数目为多个，鲁棒混杂估计器表达式为：
其中，y(k+1)＝Cx(k+1)，x(k+1)为第k+1时刻所述故障模型的状态变量，C为常数，为已知的输入变量，uF(k)为未知的执行器故障，y(k)＝[wg Pg]T为输出变量，C为常数，e(k)为白高斯过程噪声的扰动变量，yr(k)＝[wgref Pgref]T为输出参考值，在k时刻的离散状态，离散状态的有限集合，L(w(k))为解参数矩阵，A(w(k))、B(w(k))、D(w(k))、D1(w(k))、
F(w(k))是对应维数的系统矩阵，
8.根据权利要求7所述的方法，其中，使得该鲁棒混杂估计器的最小化均方估计误差、以及所述执行器故障与所述故障模型的估计误差，均满足解耦条件，从而确定所述解参数矩阵L(w(k))。
9.根据权利要求7所述的方法，其中，所述连续状态估计等于鲁棒混杂估计器在所述随机混杂系统处于连续状态时输出的加权和，连续状态估计的表达式为：nd大于1；
δ为归一化常数，其为常数，αj(k+1|k+1)表示第j个鲁棒混杂估计器在第k+1时刻的离散状态概率，表示第j个鲁棒混杂估计器在第k+1时刻所述故障模型的状态变量估计，nd表示鲁棒混杂估计的总个数，Pr{·}表示事件的概率，i，j∈W，W为离散状态的集合，Λj(k+1)表示第j个鲁棒混杂估计器在第k+1时刻的似然函数，“：＝”的含义是“定义为”，p[·]表示离散概率密度分布，Cj表示系数， 表示高斯分布，rj(k+1)和Sj(w(k+1))是由第j个鲁棒混杂估计器生成的残差及协方差；
所述离散状态估计等于鲁棒混杂估计器在所述随机混杂系统处于离散状态时的概率最大值，离散状态估计的表达式为：
argmax指概率最大值；表示j个鲁棒混杂估计器的概率中的概率最大值。
10.根据权利要求9所述的方法，其中，所述rc(k)的表达式为：
其中，W(k)表示所有的离散状态，Fj表示第j个鲁棒混杂估计器对应维数的系统矩阵，[]+表示广义逆矩阵，表示输出变量的估计，Aj表示第j个鲁棒混杂估计器对应维数的系统矩阵，Bj表示第j个鲁棒混杂估计器对应维数的系统矩阵，
跳转概率μji＝Pr{w(k+1)＝j|w(k)＝i，y(k)}。
11.根据权利要求7所述的方法，其中，根据所述rc(k)判断所述执行器故障是否对所述随机混杂系统产生影响，包括步骤：
根据所述rc(k)的数学期望E[rc(k)]判断所述执行器故障是否对所述随机混杂系统产生影响，其中，rc(k)的每个状态rc(i)(k)与执行器故障uF(k)的每个状态uF(i)(k-1)满足高斯分布，即：
σi为标准差，σi为整数，w(k)＝i；
当E[rc(i)(k)]为0，则所述执行器故障未对所述随机混杂系统产生影响；若E[rc(i)(k)]不为0，则所述执行器故障已对所述随机混杂系统产生影响。
12.根据权利要求11所述的方法，其中，当所述执行器故障已对所述随机混杂系统产生影响时，还包括步骤：
确定故障分量参数ξi(k)：
其中，为一预定阈值；
对ξi(k)求差分得Δξi(k)，当Δξi(k)接近于0，则该执行器故障未对第i个输入分量产生影响；当则该执行器故障已对第i个输入分量产生影响。
CN201810971501.2A 2018-08-23 2018-08-23 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法 Active CN109324591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810971501.2A CN109324591B (zh) 2018-08-23 2018-08-23 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810971501.2A CN109324591B (zh) 2018-08-23 2018-08-23 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法

Publications (2)

Publication Number Publication Date
CN109324591A CN109324591A (zh) 2019-02-12
CN109324591B true CN109324591B (zh) 2019-12-10

Family

ID=65263694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810971501.2A Active CN109324591B (zh) 2018-08-23 2018-08-23 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法

Country Status (1)

Country Link
CN (1) CN109324591B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111679658B (zh) * 2020-06-29 2021-06-11 哈尔滨工业大学 不确定非线性控制系统的自适应故障检测与隔离方法
CN112434922B (zh) * 2020-11-13 2021-08-24 北方工业大学 一种基于零和博弈的城市电网系统安全性控制方法及装置
CN116307293B (zh) * 2023-05-22 2023-07-28 北京航空航天大学 一种基于混杂感知与因果去偏的城市时空数据预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436179A (zh) * 2011-11-25 2012-05-02 中国电力科学研究院 一种线性不确定性系统鲁棒故障检测滤波器设计方法
CN103853889A (zh) * 2014-03-12 2014-06-11 南京航空航天大学 一种基于键合图的电力电子系统故障诊断方法
CN105204341A (zh) * 2015-09-25 2015-12-30 西安石油大学 一种基于切换控制理论的网络控制系统鲁棒跟踪控制方法
CN105700351A (zh) * 2016-01-21 2016-06-22 北京理工大学 伺服系统的主动容错控制方法
CN108170127A (zh) * 2017-12-28 2018-06-15 山东科技大学 一种无人机飞行控制系统的故障检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10429829B2 (en) * 2015-07-13 2019-10-01 Hitachi, Ltd. Monitoring system, particle beam therapy system, and method of repairing plant

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436179A (zh) * 2011-11-25 2012-05-02 中国电力科学研究院 一种线性不确定性系统鲁棒故障检测滤波器设计方法
CN103853889A (zh) * 2014-03-12 2014-06-11 南京航空航天大学 一种基于键合图的电力电子系统故障诊断方法
CN105204341A (zh) * 2015-09-25 2015-12-30 西安石油大学 一种基于切换控制理论的网络控制系统鲁棒跟踪控制方法
CN105700351A (zh) * 2016-01-21 2016-06-22 北京理工大学 伺服系统的主动容错控制方法
CN108170127A (zh) * 2017-12-28 2018-06-15 山东科技大学 一种无人机飞行控制系统的故障检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"具有未知转移概率的跳变系统鲁棒故障检测";陈芙蓉;《中国优秀硕士学位论文全文数据库 信息科技辑》;20151231(第12期);正文第1页第4段-第24页第2段 *

Also Published As

Publication number Publication date
CN109324591A (zh) 2019-02-12

Similar Documents

Publication Publication Date Title
Niu et al. Intelligent condition monitoring and prognostics system based on data-fusion strategy
CN110909822B (zh) 一种基于改进的高斯过程回归模型的卫星异常检测方法
CN109324591B (zh) 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法
CN106950945B (zh) 一种基于量纲可变型独立元分析模型的故障检测方法
CN109189834A (zh) 基于无偏灰色模糊马尔科夫链模型的电梯可靠性预测方法
CN112116138A (zh) 基于数据驱动的电力系统预测状态估计方法及系统
CN110570544A (zh) 飞机燃油系统故障识别方法、装置、设备和存储介质
Le et al. Multi-branch Hidden semi-Markov modeling for RUL prognosis
CN109766281A (zh) 一种故障检测率下降变化的不完美调试软件可靠性模型
CN116467674A (zh) 一种配电网智能故障处理融合更新系统及其方法
Mao et al. Comparative study on prediction of fuel cell performance using machine learning approaches
Chen et al. Remaining useful life prediction for complex systems with multiple indicators based on particle filter and parameter correlation
CN108459933B (zh) 一种基于深度递归网络的大数据计算机系统故障检测方法
CN108282360B (zh) 一种长短期预测融合的故障检测方法
CN113158448A (zh) 一种船舶系统设备阈值的自适应计算方法
José et al. Improvements in failure detection of DAMADICS control valve using neural networks
KR101137318B1 (ko) 반도체 장치의 고장 진단시스템 및 방법
Do Coutto Filho et al. Revealing gross errors in critical measurements and sets via forecasting-aided state estimators
CN110045716B (zh) 一种闭环控制系统早期故障检测和诊断方法和系统
CN110309472B (zh) 基于离线数据的策略评估方法及装置
El Jamal et al. Combining approaches of brownian motion and similarity principle to improve the remaining useful life prediction
Hovsepyan et al. Kalman Filter for Predictive Maintenance and Anomaly Detection
Hu et al. A fault prediction method based on IAALO-SVM and similarity measure
CN118244049B (zh) 低电阻接地系统的高阻接地故障检测方法及相关装置
Atamanyuk et al. Reliability control of technical systems based on canonical decomposition of random sequences

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