CN110597203A - 一种基于多gpu并行crpf的故障诊断方法 - Google Patents
一种基于多gpu并行crpf的故障诊断方法 Download PDFInfo
- Publication number
- CN110597203A CN110597203A CN201910848407.2A CN201910848407A CN110597203A CN 110597203 A CN110597203 A CN 110597203A CN 201910848407 A CN201910848407 A CN 201910848407A CN 110597203 A CN110597203 A CN 110597203A
- Authority
- CN
- China
- Prior art keywords
- model
- fault
- state
- crpf
- phase
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000002245 particle Substances 0.000 claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012952 Resampling Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 abstract description 14
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 19
- 238000002955 isolation Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000011160 research Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于多GPU并行CRPF的故障诊断方法,包括:在多个GPU上均采用并行代价评估粒子滤波CRPF算法,对状态空间模型集中的每一个模型进行全局状态评估;将非线性非高斯随机系统的实际状态测量值与正常模态测量预测值对比生成残差,判断非线性非高斯随机系统是否发生故障;将正常状态空间模型的全局状态评估结果与各故障模型的全局状态评估结果分别对比生成残差,对非线性非高斯随机系统故障进行分离。本发明针对复杂噪声环境下多模型故障诊断的准确性和实时性,结合CRPF算法对复杂噪声环境下状态估计的优势,设计了多GPU的双层并行加速CRPF的故障诊断方法,在改善准确性的同时,实现算法执行速度的大幅加速。
Description
技术领域
本发明涉及故障诊断技术领域,更具体的涉及一种基于多GPU并行CRPF的故障诊断方法。
背景技术
现代工业过程规模越来越庞大,设备越来越先进,正在朝着大型、高精度、高效的方向发展,系统内部各部件联系紧密,结构复杂,设备的安全可靠运行至关重要,必须依靠故障诊断理论与方法作保障,同时,对现代复杂设备故障诊断的精度和有效性提出了更高的要求。微小故障就可能快速引起连锁反应导致装备受损,需要保证数据处理的时效性,实现故障准确、实时的在线诊断具有重要的经济价值和社会意义。
代价评估粒子滤波(cost-reference particle filter,CRPF),CRPF不需要已知过程噪声和量测噪声的统计特性,在粒子滤波框架中实现状态估计,可提高未知噪声环境下的状态估计性能。大量文献都对CRPF理论进行了研究,并应用于目标跟踪、航迹检测、调频信号检测、故障诊断等领域,对CRPF的研究工作主要集中在解决未知噪声环境下状态估计的精度问题,而实时性也是故障在线诊断实现的难点之一。为了提高准确性,CRPF算法需要采用大量的粒子完成状态估计,在每个迭代周期中均需要完成对大量粒子的重复计算,并且对于高维非线性系统,故障诊断算法复杂,采用CPU系统的粒子滤波算法因严重的耗时而变得没有意义,在线诊断的实时性是当前研究中亟待解决的重要问题。
2010年以来,GPU(Graphics Processing Unit)凭借其大规模多线程并行计算能力实现数据的大规模并行处理,可显著提高运算速度,在高性能计算领域得到了广泛应用,CPU-GPU异构并行计算也成为高性能计算发展的一个新方向。学者们对GPU加速的PF算法进行了研究,取得了一定的成果。若算法是基于数据并行模型,CUDA(Compute UnifiedDevice Architecture)能够获得显著的加速效果,常使用单GPU完成,但对大数据和多任务计算的有效加速,多GPU的研究和应用非常重要。从目前的研究来看,GPU用于高性能计算解决实际应用中的实时性问题已经得到了广泛关注,并获得了一定的研究成果,但还没有将GPU应用于故障诊断领域。对于复杂系统的多故障诊断,引入GPU的并行计算实现诊断过程的加速,提高诊断的实时性,对及时发现故障、避免造成严重后果具有重要意义。
CRPF在非线性系统状态估计中不需要已知噪声统计特性,可减小未知噪声对状态估计精度的影响,而且粒子数量越大,估计精度越高,但当粒子数量大幅增加时,算法的计算量会呈指数增加,无法达到实时性要求。在现有的研究中主要针对算法的准确性进行了广泛的研究,而对CRPF算法实时性的研究很欠缺,这极大限制了算法在实际工程中的应用。
准确性和实时性是复杂非线性系统多故障诊断的两个关键问题,是多年来一直研究的热点问题,同时,也是限制在线实时诊断的瓶颈。在复杂系统和强噪声干扰下,为提高故障诊断的准确性带来了很大困难,故障的漏诊和误诊都可能导致严重的后果;对于多模型、多故障的诊断系统,对多个模型的执行是需要在CPU中依次串行实现,因此模型越多,则系统运行越耗时,难以满足现代先进设备在线诊断的实时性要求。
发明内容
本发明实施例提供一种基于多GPU并行CRPF的故障诊断方法,用以解决现有技术中存在的问题。
本发明实施例提供一种基于多GPU并行CRPF的故障诊断方法,包括:
获取非线性非高斯随机系统的状态空间模型集;其中,所述状态空间模型集包括:一个正常模型和多个故障模型;
在多个GPU上均采用并行代价评估粒子滤波CRPF算法,对状态空间模型集中的每一个模型进行全局状态评估;其中,所述状态空间模型集中的每一个模型对应一个GPU;
将非线性非高斯随机系统的实际状态测量值与正常模态测量预测值对比生成残差,判断非线性非高斯随机系统是否发生故障;
当非线性非高斯随机系统发生故障时,将正常模型的全局状态评估结果与各故障模型的全局状态评估结果分别对比生成残差,对非线性非高斯随机系统故障进行分离。
进一步地,所述非线性非高斯随机系统的状态空间模型为:
其中,k表示采样时刻,是k时刻模型i的系统状态向量;是k时刻模型i的量测向量;gi(·)和hi(·)分别是模型i的系统状态转移函数和量测函数,和分别是模型i的状态噪声和量测噪声。
进一步地,所述在多个GPU上均采用并行代价评估粒子滤波CRPF算法,对状态空间模型集中的每一个模型进行全局状态评估;具体包括:
在k=0时刻,从初始分布中获取N个样本,设定粒子代价和传递密度协方差得到k=0时刻的样本和代价集合为i=1,2,…,N;
将所有粒子平均分配给GPU的m个block,每个block按照下面步骤完成相同的计算:
计算风险函数和概率质量函数PMF(for i=1,2,…,N/m)
其中,N为粒子数,m为Block数;λ(0≤λ≤1)为遗忘因子;δ,β>0;
对优化后的粒子根据概率质量函数PMF的大小进行重采样,生成粒子代价集
状态更新:(for i=1,2,…,N/m),
计算和并归一化概率质量函数PMF:
ip为粒子索引;
局部状态估计:(for i=1,2,…,N/m)
全局状态估计:(for i=1,2,…,m)
进一步地,所述当非线性非高斯随机系统发生故障时,将正常状态空间模型的全局状态评估结果与各故障状态空间模型的全局状态评估结果分别对比生成残差,对非线性非高斯随机系统故障进行分离;具体包括:
假设定子电流传感器发生两种故障模式,则多模型集包括:无故障模型、a相传感器故障模型、b相传感器故障模型和复合故障模型;
根据多模型的状态方程和量测方程,定义残差:
若a相发生故障,则fα和fβ都会受到影响,r3不受影响,r1、r2均大于阈值,r3小于阈值;若b相发生故障,则r2和r3会受影响,r1小于阈值,r2、r3大于阈值;若a相、b相同时发生故障,则r1、r2、r3均受影响,其值均大于阈值;
其中,fα和fβ表示在(αβ)坐标系中的传感器故障向量;rαs、rβs分别表示iαs和iβs的残差,iαs和iβs分别为定子电流的α分量和β分量。
进一步地,通过a相和b相电流传感器故障的克拉克变换,确定fα和fβ:
其中,fa和fb分别是a相和b相定子电流传感器故障分量。
本发明实施例提供一种基于多GPU并行CRPF的故障诊断方法,与现有技术相比,其有益效果如下:
本发明针对复杂噪声环境下多模型故障诊断的准确性和实时性,结合CRPF算法对复杂噪声环境下状态估计的优势,设计了多GPU的双层并行加速CRPF的故障诊断方法,在改善准确性的同时,实现算法执行速度的大幅加速。即将GPU引入故障诊断系统,使诊断系统的实时性得到了大幅提升;保证了CRPF算法可以实时实现大量粒子数的滤波估计,解决了准确性受粒子数量制约的问题,有效保障了算法的准确性;对于多模型的多故障诊断系统,显著提高了系统的运行速度,解决了在线诊断的实时性问题;实现了多故障的准确检测和隔离。
附图说明
图1为本发明实施例提供的多模型故障诊断基本流程示意图;
图2为本发明实施例提供的基本并行CRPF算法计算流程示意图;
图3为本发明实施例提供的多GPU中实现多模型故障诊断的流程框图;
图4为本发明实施例提供的多模型故障诊断框图;
图5为本发明实施例提供的无故障时状态估计结果;
图6为本发明实施例提供的无故障时状态估计误差;
图7为本发明实施例提供的无故障时故障检测和隔离;
图8为本发明实施例提供的a相电流传感器故障时状态估计结果;
图9为本发明实施例提供的a相电流传感器故障时故障检测和隔离;
图10为本发明实施例提供的b相电流传感器故障时状态估计结果;
图11为本发明实施例提供的b相电流传感器故障时故障检测和隔离;
图12为本发明实施例提供的a,b相电流传感器同时故障时状态估计结果;
图13为本发明实施例提供的a,b相电流传感器同时故障时的故障检测和隔离。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,多模型故障诊断的思想是建立由系统的正常运行模型和可能存在的故障模型组成的模型集,并建立粒子滤波器组对所有模型状态进行估计,将系统的实际状态与所有模型的估计状态进行对比产生残差,实现故障的检测与隔离。假设模型集包含1个正常模型和s-1个故障模型,共s个模型,需要s个滤波器对所有模型状态进行估计。在CPU中采用CRPF对模型集中的每个模型状态进行估计,工作流程如图1所示。每个工作周期中,CPU分别依次对s个模型状态进行估计,每个模型的执行是按顺序依次进行,即先执行模型1,再执行模型2,……,最后执行模型s,获得所有模型的状态估计结果后,依据获得的残差完成故障的检测和隔离。
通过上述对CRPF算法特点和多模型故障诊断流程的分析可知,实时性是限制CRPF在故障诊断领域以及其他相关领域中实际应用和推广的非常重要的因素,也是目前研究中存在的关键问题和不足。针对以上问题,本发明提出了一种基于多GPU平台的并行加速CRPF的故障诊断方法,为多模型故障的在线诊断提供一种快速有效的解决方案。
本发明实施例提供一种基于多GPU并行CRPF的故障诊断方法,该方法包括:
步骤1:获取非线性非高斯随机系统的状态空间模型集;其中,所述状态空间模型集包括:一个正常模型和多个故障模型;
步骤2:在多个GPU上均采用并行代价评估粒子滤波CRPF算法,对状态空间模型集中的每一个模型进行全局状态评估;其中,所述状态空间模型集中的每一个模型对应一个GPU;
步骤3:将非线性非高斯随机系统的实际状态测量值与正常模态测量预测值对比生成残差,判断非线性非高斯随机系统是否发生故障;
步骤4:当非线性非高斯随机系统发生故障时,将正常模型的全局状态评估结果与各故障模型的全局状态评估结果分别对比生成残差,对非线性非高斯随机系统故障进行分离。
对于步骤2,具体解释如下:
单GPU并行CRPF算法
非线性、非高斯随机系统状态空间模型可用下式表示:
式中,k表示采样时刻,xk是k时刻的系统状态向量;yk是k时刻系统状态的量测向量;g(·)和h(·)分别是系统状态转移函数和量测函数,它们都可以是非线性函数;wk和vk分别是系统状态噪声和量测噪声,其统计特性未知。
在CRPF算法中定义了两个函数:代价函数和风险函数,用来表示粒子性能质量,对于噪声统计特性未知情况,给出了一种基于代价最小化原则的粒子权重评价方法。其中代价函数定义为:
为了书写方便可将上式简写为:
式中,λ(0≤λ≤1)为遗忘因子,ip为粒子索引,(q≥1)为代价增量。
定义风险函数:
概率质量函数(PMF),也称类权值,计算如下,
N为粒子数,δ,β>0,δ是用来保证分母不为0。按照上述参数定义,CRPF算法按照风险估计、粒子选择、状态传递、代价更新等步骤,进行递推计算实现状态估计。
图2以4个粒子为例,说明了基本并行CRPF的计算流程。每个线程处理一个粒子,在PMF求和、重采样和状态估计步骤由于数据之间的相关性,不能实现并行处理。PMF求和与状态估计中都存在求和运算,通常采用规约求和完成,而重采样步骤需要由CPU生成伪随机数,再传送给GPU完成全局粒子的重采样,重采样步骤占据整个粒子滤波运行的大部分时间。
为了提高程序的并行化,本发明采用局部估计思想完成滤波过程,设粒子数为N,采用m个Block进行局部估计,每个Block处理N/m个粒子,PMF求和、状态求和以及重采样均由每个Block独立完成,并得到m个局部估计结果,最后将局部估计结果加权求和得到全局估计。
式中表示第i个Block的局部估计值,表示第i个Block的PMF之和,为对应的归一化PMF值,为k时刻的全局估计值。
具体算法流程:
①在k=0时刻,从初始分布中获取N个样本,设定粒子代价和传递密度协方差得到k=0时刻的样本和代价集合为i=1,2,…,N。
②将所有粒子平均分配给GPU的m个block,每个block按照下面步骤完成相同的计算
③计算风险函数和PMF(for i=1,2,…,N/m)
and PMF
④重采样。对优化后的粒子根据PMF的大小进行重采样,生成粒子代价集
⑤状态更新,(for i=1,2,…,N/m),
⑥计算和归一化PMF,
⑦局部状态估计,(for i=1,2,…,N/m),
⑧全局状态估计(for i=1,2,…,m)
对于步骤3~4,具体解释如下:
多GPU并行CRPF算法
本发明在多GPU平台上实现多故障模型的并行计算,其流程框图如图3所示,每个GPU运行一个模型,s个GPU同时负责s个模型的并行计算,与CPU的运行过程相比,s个模型可同步运行,并同时获取s个模型的估计结果,并且每个模型均由单GPU并行执行。这样,每个GPU内部可实现对单一模型CRPF的并行计算,多GPU可实现多模型的并行计算,实现了GPU内部、多GPU之间的双层并行运算,大大提高了程序的并行化程度,可有效减小运行时间,提高多故障诊断的实时性。
本发明将提出的多GPU并行CRPF方法用于DFIG的定子电流传感器故障诊断中,对故障诊断的实时性和准确性进行实验分析。
DFIG的状态空间模型
由定子和转子电压方程可获得DFIG的非线性状态空间模型,在αβ坐标系中DFIG的定子和转子电压、电流状态空间方程表示为:
其中,x(t)为状态向量,u(t)为控制输入向量,y(t)为输出向量,iαs和iβs分别为定子电流的α分量和β分量,iαr和iβr分别为转子电流的α分量和β分量,vαs和vβs分别为定子电压的α和β分量,vαr和vβr分别为转子电压的α和β分量。状态方程和输出方程的系数矩阵为:
其中,Rs和Rr分别为定子和转子电阻,Ls,Lr,Lm分别为定子电感、转子电感和互感,ωs表示同步转速,为发电机的机械转速。
DFIG定子电流传感器故障模型
DFIG定子电流传感器发生加性故障时,系统离散化状态方程可表示为:
vk和wk都是统计特性未知的非高斯噪声,本文采用式(10)的伽马噪声来模拟工程实际中的噪声。
其中,f=[fα fβ]T表示在(αβ)坐标系中的传感器故障向量,包含两个故障分量fα和fβ,可以通过a相和b相电流传感器故障的克拉克变换计算得到,
其中,fa和fb分别是a相和b相定子电流传感器故障分量。
基于残差的多故障检测与隔离
设定子电流传感器可能发生两种故障模:突变故障和缓变故障,多模型集表示如下:
模型0,无故障:
模型1,a相电流传感器故障:
模型2,b相电流传感器故障:
模型3,复合故障:
根据以上所表示的多模型状态方程和量测方程,可将系统残差表示为:
表示k时刻第i个模型的残差,表示k时刻第i个模型的测量值,表示k时刻无故障模型的测量预测值。并定义:
rαs、rβs分别表示iαs和iβs的残差,由上式可知,若a相发生故障,则fα和fβ都会受到影响,r3不受影响,所以此时会有r1、r2均大于阈值,r3小于阈值;同理,若b相发生故障,r2和r3会受影响,则会有r1小于阈值,r2、r3大于阈值;若a、b相同时发生故障,则r1、r2、r3均受影响,其值均大于阈值。
基于多GPU的多模型故障诊断过程如图4所示,GPU0执行正常模型的滤波器,GPU1-GPU3分别执行模型1-模型3的滤波器,每个滤波器采用单GPU并行CRPF算法,由测量值与正常模态测量预测值产生残差,判断系统是否发生故障,由正常模型GPU0的估计输出和各故障模型的输出生成残差,根据残差定义公式实现对故障的分离。
实施例
实验中采用4个GeForce GTX 1080Ti GPU实现多GPU并行CRPF故障诊断算法,DFIG的参数和硬件平台性能参数分别见表1和表2。采用本发明提出的多GPU并行CRPF方法实现上述定义的4个模型的并行故障诊断,验证所提方法性能。
设置初始状态x0=[20.5 20.5 26.5 26.5]T,离散步长Δt=0.1s,状态初始先验分布其他参数:δ=0.1,q=2,β=2,α=0.5,λ=0.85,粒子数为4096。
表1 DFIG的参数
表2硬件平台性能参数
模型0 无故障
图5为无故障情况下定子电流iαs和iβs的实际值和估计值曲线,由图可见,实际值和估计值曲线拟合度很高,准确度高。图6为iαs和iβs状态估计的平均绝对误差,从误差曲线可以看到,iαs的最大估计误差小于0.4,平均绝对误差为0.2054,iβs的最大误差小于0.25,平均绝对误差为0.1957,可见采用提出的多GPU的CRPF算法估计精度很高,状态估计的精度越高,就可获得更加理想的残差,也即更能够准确的反映出系统的运行情况,提高故障检测的准确性。图7为残差和自适应阈值曲线,由图可见,残差r1,r2,r3均小于阈值,表明无故障发生。
模型1 a相电流传感器先后发生突变故障和缓变故障
设定只有a相电流传感器发生故障,在40-50时刻,发生了数值为3.5的恒偏差故障,140-150时刻发生了漂移故障,b相电流传感器无故障。
图8为a相电流传感器故障情况下定子电流iαs和iβs的实际值和估计值曲线,由于a,b相电流和iαs、iβs的耦合关系,当a相电流传感器故障时,电流iαs和iβs的测量值都会发生变化。根据残差r1,r2,r3可实现对故障的检测和隔离,图9是采用残差平滑的故障检测和隔离结果,由r1,r2,r3的残差平滑值和自适应阈值变化曲线可以看出,在40-50时刻,a相电流传感器发生了恒偏差故障,残差r1和r2均大于阈值,140-150时刻,发生了传感器漂移故障,电流的测量值是在一定范围内发生波动,容易发生故障的多次重复检测,采用滑动窗的残差平滑,可避免漂移故障的重复检测,可以看到,故障时刻,残差r1和r2均大于阈值。可见,在故障时间,残差r1和r2均大于阈值,而残差r3在整个过程中均小于阈值,表明,发生了a相电流传感器故障,实现了对故障的准确检测和隔离。
模型2 b相电流传感器先后发生突变故障和缓变故障
设定只有b相电流传感器发生故障,在40-50时刻,发生了数值为3的恒偏差故障,140-150时刻发生了漂移故障,a相电流传感器无故障。
图10为采用多GPU并行CRPF算法对电流iαs和iβs的估计结果,当b相电流传感器发生故障时只对电流iβs有影响,而对iαs无影响,由图可见,在故障发生时间段,估计曲线偏离实际状态,在无故障时估计值和实际状态曲线很接近。图11是残差r1,r2,r3和自适应阈值的变化曲线,由图可见,r1在整个过程中的值均小于阈值,在故障发生时间段40-50,140-150内,r2,r3都大于阈值,在其它时间都小于阈值,由此可判断为b相电流传感器发生故障,对于恒偏差故障和漂移故障,本方法均能够完成准确的检测和隔离。
模型3 a、b相电流传感器同时发生故障
设定a相电流传感器在40-60时刻发生恒偏差故障,b相电流传感器在50-70时刻发生漂移故障,其中,50-60时间段内,a,b相电流传感器同时发生不同类型的故障,采用多GPU并行的CRPF算法实现故障的检测和隔离。图12为电流iαs和iβs的实际状态和采用多GPU并行CRPF算法的估计状态,从图可见,在无故障时间内状态估计效果良好,在故障发生时间内估计值偏离实际状态。图13是残差和自适应阈值的变化曲线,由图可见,在40-50时间内,r1,r2大于阈值,r3小于阈值,说明只有a相发生了故障,在50-60时间段,r1,r2,r3均大于阈值,说明a,b相同时发生故障,在60-70时间段,r1小于阈值,r2,r3均大于阈值,表明只有b相发生了故障。可见,对于不同的故障,该方法均可准确实现故障的检测和隔离。
表3算法的加速比
表4不同粒子数时状态估计的平均绝对误差
表3是单GPU的基本并行CRPF算法和本发明提出的多GPU并行CRPF算法的加速比,从表中可以看出,在不同粒子数时,多GPU并行CRPF的加速比均大于基本并行CRPF,随着粒子数的增加两种算法的加速比都增大,而且粒子数越大,多GPU并行CRPF的加速比的优势越明显,在粒子数为10240时,基本并行CRPF的加速比为6.21,多GPU并行CRPF的加速比达到了28.08,本发明所提出方法的实时性得到了大幅提高。对于基本并行CRPF算法和多GPU并行CRPF算法,从状态估计的准确性来说是一致的,只是算法的运行速度不同。表4中列出了不同粒子数时算法的状态估计误差,可以看到,粒子数为1024时,iαs和iβs的平均绝对误差分别为0.2473和0.2240,随着粒子数增加,误差逐渐减小,在粒子数为10240时,iαs和iβs的平均绝对误差分别为0.1264、0.0905,相比粒子数为1024时,误差明显减小。本发明对滤波准确性的贡献在于可大量增加粒子数量提高滤波准确性,克服了由于粒子数的大量增加导致急剧增加的运行时间的制约,采用多GPU并行的方法解决了CRPF算法的实时性问题,在保证实时性的前提下可以大幅增加粒子数,粒子数的大量增加便可促使CRPF算法准确性得到提高。这样,同时解决了准确性和实时性的问题。
以上公开的仅为本发明的几个具体实施例,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种基于多GPU并行CRPF的故障诊断方法,其特征在于,包括:
获取非线性非高斯随机系统的状态空间模型集;其中,所述状态空间模型集包括:一个正常模型和多个故障模型;
在多个GPU上均采用并行代价评估粒子滤波CRPF算法,对状态空间模型集中的每一个模型进行全局状态评估;其中,所述状态空间模型集中的每一个模型对应一个GPU;
将非线性非高斯随机系统的实际状态测量值与正常模态测量预测值对比生成残差,判断非线性非高斯随机系统是否发生故障;
当非线性非高斯随机系统发生故障时,将正常模型的全局状态评估结果与各故障模型的全局状态评估结果分别对比生成残差,对非线性非高斯随机系统故障进行分离。
2.如权利要求1所述的基于多GPU并行CRPF的故障诊断方法,其特征在于,所述非线性非高斯随机系统的状态空间模型为:
其中,k表示采样时刻,是k时刻模型i的系统状态向量;是k时刻模型i的量测向量;gi(·)和hi(·)分别是模型i的系统状态转移函数和量测函数,和分别是模型i的状态噪声和量测噪声。
3.如权利要求2所述的基于多GPU并行CRPF的故障诊断方法,其特征在于,所述在多个GPU上均采用并行代价评估粒子滤波CRPF算法,对状态空间模型集中的每一个状态空间模型进行全局状态评估;具体包括:
在k=0时刻,从初始分布中获取N个样本,设定粒子代价和传递密度协方差得到k=0时刻的样本和代价集合为
将所有粒子平均分配给GPU的m个block,每个block按照下面步骤完成相同的计算:
计算风险函数和概率质量函数PMF,for i=1,2,…,N/m
其中,N为粒子数,m为Block数;λ,0≤λ≤1为遗忘因子;δ,β>0;
对优化后的粒子根据概率质量函数PMF的大小进行重采样,生成粒子代价集
状态更新:for i=1,2,…,N/m,
计算和并归一化概率质量函数PMF:
ip为粒子索引;
局部状态估计:for i=1,2,…,N/m
全局状态估计:for i=1,2,…,m
4.如权利要求3所述的基于多GPU并行CRPF的故障诊断方法,其特征在于,所述当非线性非高斯随机系统发生故障时,将正常模型的全局状态评估结果与各故障模型的全局状态评估结果分别对比生成残差,对非线性非高斯随机系统故障进行分离;具体包括:
假设定子电流传感器发生两种故障模式,则多模型集包括:无故障模型、a相电流传感器故障模型、b相电流传感器故障模型和复合故障模型;
根据多模型的状态方程和量测方程,定义残差:
若a相发生故障,则fα和fβ都会受到影响,r3不受影响,r1、r2均大于阈值,r3小于阈值;若b相发生故障,则r2和r3会受影响,r1小于阈值,r2、r3大于阈值;若a相、b相同时发生故障,则r1、r2、r3均受影响,其值均大于阈值;
其中,fα和fβ表示在(αβ)坐标系中的传感器故障向量;rαs为iαs的残差,rβs为iβs的残差,iαs和iβs分别为定子电流的α分量和β分量。
5.如权利要求4所述的基于多GPU并行CRPF的故障诊断方法,其特征在于,通过a相和b相电流传感器故障的克拉克变换,确定fα和fβ:
其中,fa和fb分别是a相和b相定子电流传感器故障分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910848407.2A CN110597203A (zh) | 2019-09-09 | 2019-09-09 | 一种基于多gpu并行crpf的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910848407.2A CN110597203A (zh) | 2019-09-09 | 2019-09-09 | 一种基于多gpu并行crpf的故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110597203A true CN110597203A (zh) | 2019-12-20 |
Family
ID=68858260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910848407.2A Pending CN110597203A (zh) | 2019-09-09 | 2019-09-09 | 一种基于多gpu并行crpf的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110597203A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861289A (zh) * | 2021-03-09 | 2021-05-28 | 兰州理工大学 | 基于IMM-KEnPF的风机桨距系统故障诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104022756A (zh) * | 2014-06-03 | 2014-09-03 | 西安电子科技大学 | 一种基于gpu架构的改进的粒子滤波方法 |
CN108344574A (zh) * | 2018-04-28 | 2018-07-31 | 湖南科技大学 | 一种基于深度联合适配网络的风电机组轴承故障诊断方法 |
-
2019
- 2019-09-09 CN CN201910848407.2A patent/CN110597203A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104022756A (zh) * | 2014-06-03 | 2014-09-03 | 西安电子科技大学 | 一种基于gpu架构的改进的粒子滤波方法 |
CN108344574A (zh) * | 2018-04-28 | 2018-07-31 | 湖南科技大学 | 一种基于深度联合适配网络的风电机组轴承故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
LIU Z,ETC: "Symplectic multi-particle tracking on GPUs", 《COMPUTER PHYSICS COMMUNICAITONS》 * |
SAMIR ABDELMALEK.ETC: "A novel scheme for current sensor faults diagnosis in the stator of a DFIG described by a T-S fuzzy model", 《MEASUREMENT》 * |
张学广等: "双馈风力发电机定子电流检测系统容错控制", 《电力系统自动化》 * |
曹洁等: "GPU加速的差分进化粒子滤波算法", 《计算机应用研究》 * |
王进花等: "强噪声环境下自适应CRPF故障诊断方法", 《北京航空航天大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861289A (zh) * | 2021-03-09 | 2021-05-28 | 兰州理工大学 | 基于IMM-KEnPF的风机桨距系统故障诊断方法 |
CN112861289B (zh) * | 2021-03-09 | 2021-10-29 | 兰州理工大学 | 基于IMM-KEnPF的风机桨距系统故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590317B (zh) | 一种计及模型参数不确定性的发电机动态估计方法 | |
CN108155648B (zh) | 基于自适应h无穷扩展卡尔曼滤波的状态估计方法 | |
CN105981025A (zh) | 基于序列递归滤波三维变分的实测海洋环境数据同化方法 | |
CN107688554B (zh) | 基于自适应傅里叶分解的频域辨识方法 | |
CN111046327B (zh) | 适用于低频振荡与次同步振荡辨识的Prony分析方法 | |
CN108074015B (zh) | 一种风电功率超短期预测方法及系统 | |
CN107478990A (zh) | 一种发电机机电暂态过程动态估计方法 | |
CN110677140B (zh) | 一种含未知输入和非高斯量测噪声的随机系统滤波器 | |
CN111208425B (zh) | 高精度异步电机系统状态模型的构建方法及异步电机状态检测方法 | |
CN110597203A (zh) | 一种基于多gpu并行crpf的故障诊断方法 | |
CN111722213B (zh) | 一种机动目标运动参数的纯距离提取方法 | |
CN111736144B (zh) | 一种仅用距离观测的机动转弯目标状态估计方法 | |
CN111708013B (zh) | 一种距离坐标系目标跟踪滤波方法 | |
CN115859626A (zh) | 针对周期运动目标的自适应无迹卡尔曼滤波器设计方法 | |
CN113848876B (zh) | 一种低通讯和计算消耗的多agv定距巡航系统故障检测方法 | |
CN116608859A (zh) | 一种基于阈值处理的自适应无迹卡尔曼滤波的导航方法、存储介质和设备 | |
CN110110428A (zh) | 一种基于克里金模型优选与神经网络的压气机特性预测方法 | |
CN115718426A (zh) | 一种卫星姿态控制系统事件触发stf故障检测方法 | |
Zhang et al. | Real-time remaining useful life prediction based on adaptive kernel window width density | |
CN106153046A (zh) | 一种基于自适应Kalman滤波的陀螺随机噪声AR建模方法 | |
CN113190960A (zh) | 一种基于非等维状态混合估计的并行imm机动目标跟踪方法 | |
CN112241583A (zh) | 一种最小化后验距离的传感器路径优化方法 | |
Kim et al. | IMM algorithm based on the analytic solution of steady state Kalman filter for radar target tracking | |
CN117057159B (zh) | 一种周期调度协议下基于三轮车运动模型的状态估计方法 | |
CN116224320B (zh) | 一种极坐标系下处理多普勒量测的雷达目标跟踪方法 |
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 |