CN109657329A - 基于改进自适应粒子滤波的传感器故障和结构损伤识别方法 - Google Patents
基于改进自适应粒子滤波的传感器故障和结构损伤识别方法 Download PDFInfo
- Publication number
- CN109657329A CN109657329A CN201811530740.0A CN201811530740A CN109657329A CN 109657329 A CN109657329 A CN 109657329A CN 201811530740 A CN201811530740 A CN 201811530740A CN 109657329 A CN109657329 A CN 109657329A
- Authority
- CN
- China
- Prior art keywords
- particle
- weight
- sensor
- time step
- model
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
Abstract
本发明提出了一种基于改进自适应粒子滤波的传感器故障和结构损伤识别方法,包括以下步骤:S1,根据土木结构的物理特性、有限元模型或系统辨识的方法形成结构损伤识别模型和传感器故障诊断模型;S2,运用上述两个方程和改进自适应粒子滤波处理传感器收集的数据,得到结构参数与传感器参数;S3,直接通过参数得到传感器故障或结构损伤的具体情况。
Description
技术领域
本发明涉及土木工程领域与计算机领域,是一种基于改进自适应粒子滤波的传感器故障和结构损伤识别方法。
背景技术
近年来,由于工程结构健康监测系统的快速发展,越来越多的大型土木结构中都会安装传感器,我们通过传感器测量的数据对结构的安全性、可靠性进行评估。通常来说,结构的使用寿命多达几十年甚至上百年,然而,传感器的使用寿命时间较短,仅数年。所以,在健康监测系统的运营过程中,将不可避免地存在传感器故障的情况,表1是几种常见的传感器故障模型,其中yk,分别是第k个时间步的实际输出值和真实输出值,wk是第k个时间步的测量噪声,a和b是传感器参数。
表1传感器故障模型
当传感器发生故障时,若我们仍然直接对其测量的信号进行分析,结构很可能被错判为损伤。因此,我们应同时对结构和传感器的健康状况进行评估,这也是故障诊断的目标之一。在健康监测领域中,参数识别这一技术被广泛用于评估结构损伤,结构刚度一般被视为结构损伤的指标。但在以前的工作中,几乎没人考虑过传感器故障给土木结构的损伤识别带来的影响。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种基于改进自适应粒子滤波的传感器故障和结构损伤识别方法。
为了实现本发明的上述目的,本发明提供了一种基于改进自适应粒子滤波的传感器故障和结构损伤识别方法,包括以下步骤:
S1,根据土木结构的物理特性、有限元模型或系统辨识的方法形成结构损伤识别模型和传感器故障诊断模型;
S2,运用上述两个方程和改进自适应粒子滤波处理传感器收集的数据,得到结构参数与传感器参数;
S3,直接通过结构参数与传感器参数得到传感器故障或结构损伤的具体情况。
优选的,所述S1包括以下步骤:
为识别土木结构的特定参数,结构参数mk通常被增加到状态值xk中以形成新状态向量zk;
结构损伤识别模型则为
其中包括状态值xk对应的过程噪声vk和结构参数mk对应的过程噪声θk,uk是第k个时间步的输入值,yk是第k个时间步的输出值,f(·)和h(·)分别是过程函数和观测函数。
在结构损伤识别模型中,传感器始终被认为是健康的,仅用该模型难以实现传感器故障诊断,因此,在状态向量xk中加入第一传感器参数a和第二传感器参数b,首次提出了一种新的传感器模型,即传感器故障识别模型,其中a主要针对增益故障,b则考虑偏差故障和常数故障。
其中,ak和bk第k个时间步的传感器参数,θ1(k)和θ2(k)分别是第一传感器参数ak和第二传感器参数bk的过程噪声,第k+1个时间步的状态值为xk+1、第一传感器参数为ak+1和第二传感器参数bk+1。
优选的,所述S2包括以下步骤:
传统粒子滤波的步骤如下:
生成粒子:根据状态空间方程组(2)中的过程方程,在时间步k随机生成N个粒子
第k-1个时间步的第i个粒子的状态值为第k-1个时间步的第i个粒子的过程噪声为第k-1个时间步的第i个粒子的结构参数为第k-1个时间步的第i个粒子的结构参数过程噪声为
更新权值:通过观测方程,计算该时间步的每一个粒子的权值,粒子离真实值越近,其权值越大,权值计算公式为:
其中似然函数来源于状态空间方程(2)中的观测方程。
重采样:将大权值粒子进行复制、繁殖,同时去除小权值粒子,最后得到后验分布p(zk|y1:k)。
其中后验分布p(zk|y1:k)表示由第1步到第k步的测量值y1:k得到的状态值zk,δ(·)表示狄拉克δ函数。
优选的,还包括:改进自适应粒子滤波为:
S2-1、生成粒子:生成N个粒子每个粒子的新状态向量为:
其中第k-1个时间步的有效粒子数是Neff(k-1)。
S2-2、更新权值:计算权值随后更新有效粒子数Neff(k)。
S2-3、变异算子:根据权值的大小,将之降序排列,形成权值集合以第Neff(k)个有效粒子的权值为基准权值,权值大于该基准权值的粒子是大权值粒子保持不变,权值集合中权值小于该基准权值的粒子是小权值粒子加以改动。
其中为改动前的小权值粒子,为改动后的粒子,是新生成的过程噪声的集合,改动后的粒子和改动前的大权值粒子生成新的粒子集合,用于执行S2-4至S2-5。
S2-4、更新权值:计算权值,并再次计算第k个时间步有效粒子数Neff(k)。
S2-5、重采样:将大权值粒子进行复制、繁殖,同时去除小权值粒子,最后得到后验分布p(zk|y1:k)。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明为了同时实现结构损伤与传感器故障的诊断,在已有的、传统的结构参数识别模型的基础上,考虑了传感器故障,首次提出了传感器故障诊断模型。同时,土木结构大多为非线性结构,而粒子滤波多被应用于非线性系统的参数识别,为了进一步提高粒子滤波的性能,本发明也提出了新的粒子滤波算法,能够更加准确的计算传感器噪声,从而生成有效的结构损伤指标数据,为土木工程结构提供有益的数据参考。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明工作流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
如图1所示,本发明公开一种基于改进自适应粒子滤波的传感器故障和结构损伤识别方法,其特征在于,包括以下步骤:
S1,根据土木结构的物理特性、有限元模型或系统辨识的方法形成结构损伤识别模型和传感器故障诊断模型;
S2,运用上述两个方程和改进自适应粒子滤波处理传感器收集的数据,得到结构参数与传感器参数;
S3,直接通过结构参数与传感器参数得到传感器故障或结构损伤的具体情况。
为识别土木结构的特定参数,结构参数mk通常被增加到状态值xk中以形成新状态向量zk;
结构损伤识别模型则为
其中包括状态值xk对应的过程噪声vk和结构参数mk对应的过程噪声θk,uk是第k个时间步的输入值,yk是第k个时间步的输出值,f(·)和h(·)分别是过程函数和观测函数。
在此模型中,传感器始终被认为是健康的,所以难以通过该模型来区分结构损坏和传感器故障。结合表1中几种常见的传感器故障的表达式,我们在状态向量中加入第一传感器参数a和第二传感器参数b,首次提出了一种新的传感器模型,即传感器故障识别模型,其中a主要针对增益故障,b则考虑偏差故障和常数故障。传感器故障识别模型能有效地诊断传感器的故障情况。
其中,ak和bk第k个时间步的传感器参数,θ1(k)和θ2(k)分别是第一传感器参数ak和第二传感器参数bk的过程噪声,第k+1个时间步的状态值为xk+1、第一传感器参数为ak+1和第二传感器参数bk+1。
同时运用方程(2)(3)和改进自适应滤波进行参数识别,可以得到结构参数与传感器参数,所以可以准确地实现以下故障诊断的目标:
判断系统中是否存在异常状况;
确定该异常是结构损伤还是传感器故障;
如果是结构损伤,确定损伤位置与损伤程度;
如果是传感器故障,则可知是哪一个传感器发生故障,故障的类型及程度。
其中传统的滤波算法的流程是:
生成粒子:根据状态空间方程组(2)中的过程方程,在每一个时间步都随机生成N个粒子
每个粒子第k-1个时间步的状态值为每个粒子第k-1个时间步的过程噪声为每个粒子第k-1个时间步的结构参数过程噪声为每个粒子第k-1个时间步的结构参数为
更新权值:通过观测方程,计算该时间步的每一个粒子的权值,其基本思想为,粒子离真实值越近,其权值越大,权值计算公式为:
其中似然函数来源于状态空间方程(2)中的观测方程。
重采样:将大权值粒子进行复制、繁殖,同时去除小权值粒子,最后得到后验分布p(zk|y1:k)。
其中后验分布p(zk|y1:k)表示由第1步到第k步的测量值y1:k得到的状态值zk,δ(·)表示狄拉克δ函数。
传统的粒子滤波算法一般存在两种问题:
粒子贫化:当大权值粒子不断增多,小权值粒子逐渐减少后,粒子的分布会非常集中,每一步中仅有少数几种类型的粒子,这会导致参数识别的精度大幅度下降。
方差固定的过程噪声会导致辨识的精度降低:若辨识出的参数已经足够接近真实值,此时加入过程噪声,很可能会使其辨识精度降低,这种情况在过程噪声较大时尤为明显。
为了解决传统粒子滤波的问题,改善粒子分布情况,提高辨识精度,本发明引入自适应噪声和变异算子,提出了改进自适应粒子滤波算法,其主要步骤如下:
1、生成粒子:生成N个粒子每个粒子的新状态向量为:
其中第k-1个时间步的有效粒子数是Neff(k-1)。
2、更新权值:计算权值随后更新有效粒子数Neff(k)。
3、变异算子:根据权值的大小,将之降序排列,形成权值集合以第Neff(k)个有效粒子的权值为基准权值,将权值大于该基准权值的粒子是大权值粒子保持不变,权值集合中权值小于该基准权值的粒子是小权值粒子加以改动。
其中为改动前的小权值粒子,为改动后的粒子,可以通过第四步得知后者的权值,是新生成的过程噪声的集合。改动后的粒子和改动前的大权值粒子生成新的粒子集合,用于执行余下步骤。
4、更新权值:计算权值,并再次更新第k个时间步有效粒子数Neff(k)。
5、重采样:将大权值粒子进行复制、繁殖,同时去除小权值粒子,最后得到后验分布p(zk|y1:k)。
改进自适应粒子滤波可以改变小权值粒子,使粒子的分布更加多样,从而在一定程度上减少粒子贫化的发生。同时,有效粒子数越多,表明粒子分布越好,粒子所需要的改变也就越小,即噪声越小,而通过有效粒子数控制噪声的大小,可以显著提高参数识别和故障诊断的精确性。应用在土木工程结构中进行传感器数据识别能够提高工程安全质量,降低事故发生,为土木工程建设过程中提供准确的参考数据,保证安全生产。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (4)
1.一种基于改进自适应粒子滤波的传感器故障和结构损伤识别方法,其特征在于,包括以下步骤:
S1,根据土木结构的物理特性、有限元模型或系统辨识的方法形成结构损伤识别模型和传感器故障诊断模型;
S2,运用上述两个方程和改进自适应粒子滤波处理传感器收集的数据,得到结构参数与传感器参数;
S3,直接通过结构参数与传感器参数得到传感器故障或结构损伤的具体情况。
2.根据权利要求1所述的基于改进自适应粒子滤波的传感器故障和结构损伤识别方法,其特征在于,所述S1包括以下步骤:
为识别土木结构的特定参数,结构参数mk通常被增加到状态值xk中以形成新状态向量zk;
结构损伤识别模型则为
其中包括状态值xk对应的过程噪声vk和结构参数mk对应的过程噪声θk,uk是第k个时间步的输入值,yk是第k个时间步的输出值,f(·)和h(·)分别是过程函数和观测函数;
在结构损伤识别模型中,传感器始终被认为是健康的,仅用这一模型难以实现传感器故障诊断,因此,在状态向量xk中加入第一传感器参数a和第二传感器参数b,首次提出了一种新的传感器模型,即传感器故障识别模型,其中a主要针对增益故障,b则考虑偏差故障和常数故障;
其中,ak和bk是第k个时间步的传感器参数,θ1(k)和θ2(k)分别是第一传感器参数ak和第二传感器参数bk对应的的过程噪声,第k+1个时间步的状态值为xk+1、第一传感器参数为ak+1和第二传感器参数bk+1。
3.根据权利要求1所述的基于改进自适应粒子滤波的传感器故障和结构损伤识别方法,其特征在于,所述S2包括以下步骤:
传统粒子滤波的步骤如下:
生成粒子:根据状态空间方程组(2)中的过程方程,在时间步k随机生成N个粒子
第k-1个时间步的第i个粒子的状态值为第k-1个时间步的第i个粒子的过程噪声为第k-1个时间步的第i个粒子的结构参数为第k-1个时间步的第i个粒子的结构参数过程噪声为
更新权值:通过观测方程,计算该时间步的每一个粒子的权值,粒子离真实值越近,其权值越大,权值计算公式为:
其中似然函数来源于状态空间方程(2)中的观测方程。
重采样:将大权值粒子进行复制、繁殖,同时去除小权值粒子,最后得到后验分布p(zk|y1:k),
其中后验分布p(zk|y1:k)表示由第1步到第k步的测量值y1:k得到的状态值zk,δ(·)表示狄拉克δ函数。
4.根据权利要求1所述的基于改进自适应粒子滤波的传感器故障和结构损伤识别方法,其特征在于,还包括:改进自适应粒子滤波为:
S2-1、生成粒子:生成N个粒子每个粒子的新状态向量为:
其中第k-1个时间步的有效粒子数是Neff(k-1)。
S2-2、更新权值:计算权值随后更新有效粒子数Neff(k)。
S2-3、变异算子:根据权值的大小,将之降序排列,形成权值集合以第Neff(k)个有效粒子的权值为基准权值,权值大于该基准权值的粒子是大权值粒子保持不变,权值集合中权值小于该基准权值的粒子是小权值粒子加以改动。
其中为改动前的小权值粒子,为改动后的粒子;是新生成的过程噪声的集合,改动后的粒子和改动前的大权值粒子生成新的粒子集合,用于执行S2-4至S2-5;
S2-4、更新权值:计算权值,并再次计算第k个时间步有效粒子数Neff(k)。
S2-5、重采样:将大权值粒子进行复制、繁殖,同时去除小权值粒子,最后得到后验分布p(zk|y1:k)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811530740.0A CN109657329B (zh) | 2018-12-14 | 2018-12-14 | 基于改进自适应粒子滤波的传感器故障和结构损伤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811530740.0A CN109657329B (zh) | 2018-12-14 | 2018-12-14 | 基于改进自适应粒子滤波的传感器故障和结构损伤识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657329A true CN109657329A (zh) | 2019-04-19 |
CN109657329B CN109657329B (zh) | 2022-02-22 |
Family
ID=66113194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811530740.0A Active CN109657329B (zh) | 2018-12-14 | 2018-12-14 | 基于改进自适应粒子滤波的传感器故障和结构损伤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657329B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110081923A (zh) * | 2019-05-16 | 2019-08-02 | 中国人民解放军战略支援部队信息工程大学 | 野外基线环境参数自动采集系统故障检测方法与装置 |
CN110188509A (zh) * | 2019-06-20 | 2019-08-30 | 电子科技大学 | 基于多退化模型的连续波速调管发射机实时故障预测方法 |
CN117723782A (zh) * | 2024-02-07 | 2024-03-19 | 山东大学 | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 |
CN117723782B (zh) * | 2024-02-07 | 2024-05-03 | 山东大学 | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101014938A (zh) * | 2003-09-22 | 2007-08-08 | 金炯胤 | 用于监视结构健康状态的方法 |
CN105389427A (zh) * | 2015-10-28 | 2016-03-09 | 南京航空航天大学 | 基于自适应粒子滤波的航空发动机气路部件故障检测方法 |
-
2018
- 2018-12-14 CN CN201811530740.0A patent/CN109657329B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101014938A (zh) * | 2003-09-22 | 2007-08-08 | 金炯胤 | 用于监视结构健康状态的方法 |
CN105389427A (zh) * | 2015-10-28 | 2016-03-09 | 南京航空航天大学 | 基于自适应粒子滤波的航空发动机气路部件故障检测方法 |
Non-Patent Citations (3)
Title |
---|
TIANZHI LI: "A novelty sensor fault detection and identification approach based on particle filter and mahalanobis distance", 《ABSTRACT PRECEEDINGS OF THE 15TH ISSE》 * |
ZHENBING QIU等: "Adaptive genetic particle filter and ites application to attitude estimation system", 《DIGITAL SIGNAL PROCESSING》 * |
郭小军: "基于粒子滤波器的结构损伤识别及可靠度分析", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110081923A (zh) * | 2019-05-16 | 2019-08-02 | 中国人民解放军战略支援部队信息工程大学 | 野外基线环境参数自动采集系统故障检测方法与装置 |
CN110081923B (zh) * | 2019-05-16 | 2021-03-02 | 中国人民解放军战略支援部队信息工程大学 | 野外基线环境参数自动采集系统故障检测方法与装置 |
CN110188509A (zh) * | 2019-06-20 | 2019-08-30 | 电子科技大学 | 基于多退化模型的连续波速调管发射机实时故障预测方法 |
CN110188509B (zh) * | 2019-06-20 | 2021-04-13 | 电子科技大学 | 基于多退化模型的连续波速调管发射机实时故障预测方法 |
CN117723782A (zh) * | 2024-02-07 | 2024-03-19 | 山东大学 | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 |
CN117723782B (zh) * | 2024-02-07 | 2024-05-03 | 山东大学 | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109657329B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10725465B2 (en) | State diagnostic device | |
EP2166422B1 (en) | Method of alarm mask generation and condition monitoring of wind turbines | |
CN108475053A (zh) | 成套设备异常监视方法及用于监视成套设备异常的计算机程序 | |
CN106571016B (zh) | 一种基于报警次数跳变触发机制的机械早期故障判别方法 | |
DE112016002803T5 (de) | Detektion von prozessinduzierten asymmetrien, quantifizierung und steuerung unter verwendung von messungen der wafergeometrie | |
CN105302123B (zh) | 在线测量数据的监控方法 | |
CN109657329A (zh) | 基于改进自适应粒子滤波的传感器故障和结构损伤识别方法 | |
KR102362159B1 (ko) | 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법 | |
CN111324105B (zh) | 一种基于统计量马氏距离的微小传感器故障检测和分离方法 | |
KR20120037420A (ko) | 플라즈마 프로세싱 툴을 위한 인-시츄 프로세스 모니터링 및 제어를 위한 방법 및 장치 | |
CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
TWI645275B (zh) | 製造設備之異常診斷裝置 | |
WO2018050697A1 (de) | Verfahren und vorrichtung zum überwachen eines zustands wenigstens einer windkraftanlage und computerprogrammprodukt | |
DE102017003228B4 (de) | Formungssystem | |
CN115143608B (zh) | 一种纺织生产车间的湿度控制方法及系统 | |
JP5565357B2 (ja) | 設備診断装置、設備診断方法、設備診断プログラムおよびこれを記録したコンピュータ読み取り可能な記録媒体 | |
CN106121980A (zh) | 一种压缩机损耗程度的确定方法、装置及制冷系统 | |
DE112018006523T5 (de) | Einheitsraum-erzeugungsvorrichtung, anlagendiagnosesystem, einheitsraum-erzeugungsverfahren, anlagendiagnoseverfahren und programm | |
TW202045898A (zh) | 解析裝置、解析方法及程式 | |
EP2725312B1 (de) | Verfahren und Vorrichtung zum Überwachen einer Kältemittelfüllmenge | |
CN113487141B (zh) | 一种多源信息聚类融合的轴承状态评估方法 | |
US11609836B2 (en) | Operation method and operation device of failure detection and classification model | |
TWI745912B (zh) | 高爐之異常判定裝置、高爐之異常判定方法及高爐之操作方法 | |
KR100793244B1 (ko) | 진공펌프 상태진단 시스템 | |
CN112529238A (zh) | 电脑可读取记录介质、数据处理方法及数据处理系统 |
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 |