CN110703742A - 基于事件驱动与输出量化的水面无人艇系统的故障检测方法 - Google Patents
基于事件驱动与输出量化的水面无人艇系统的故障检测方法 Download PDFInfo
- Publication number
- CN110703742A CN110703742A CN201911089206.5A CN201911089206A CN110703742A CN 110703742 A CN110703742 A CN 110703742A CN 201911089206 A CN201911089206 A CN 201911089206A CN 110703742 A CN110703742 A CN 110703742A
- Authority
- CN
- China
- Prior art keywords
- fault detection
- fault
- event
- unmanned
- 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
Images
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
- G05B23/0245—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 based on a qualitative model, e.g. rule based; if-then decisions
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
基于事件驱动与输出量化的水面无人艇系统的故障检测方法,本发明涉及水面无人艇的故障检测方法。本发明的目的是为了解决现有方法对水面无人艇系统进行故障检测时,网络通讯带宽占用率大,数据传送消耗能量大的问题。过程为:一、建立水面无人艇系统的状态空间模型;二、设计事件触发条件以及输出量化器;三、设计一个加权的故障模型;四、建立事件触发条件下的故障检测模型;五、得到残差信号;六、根据得到的残差信号,设计残差评价函数;七、设计残差评价函数阈值,根据残差评价函数及残差评价函数阈值完成水面无人艇的故障检测。本发明用于水面无人艇的故障检测方法领域。
Description
技术领域
本发明涉及水面无人艇的故障检测方法。
背景技术
近年来随着科学技术水平的提高,现代工业复杂化、自动化方向的发展,越来越多的无人操作设备被应用于生产生活中,其中水面无人艇的发展的得到了越来越多人的重视,水面无人艇作为一种无人操作的水面舰艇,主要用于执行危险以及不适于有人船只执行的任务,一旦配备先进的控制系统、传感器系统、通信系统和武器系统后,可以执行多种战争和非战争军事任务,比如,侦察、搜索、探测和排雷;搜救、导航和水文地理勘察;反潜作战、反特种作战以及巡逻、打击海盗、反恐攻击等。
水面无人艇在工作的过程中由于天气、风浪、温度等原因时常会出现执行器失效等故障,由于无人进行实地操作,无法及时得知故障的发生,因此,对水面无人艇进行实时故障检测显得尤为重要。如果正在执行任务的水面无人艇发生了故障没有及时检测出来,可能会导致整个系统无法正常工作,甚至会给个人及相关单位都造成巨大损失。随着计算机技术以及自动控制技术的不断发展,学者们对水面无人艇的故障检测技术深入研究,在该领域已经取得了一定的成果,一些技术已经被用到实际工程中,但现有方法对水面无人艇系统进行故障检测时,网络通讯带宽占用率大,数据传送消耗能量大。
发明内容
本发明的目的是为了解决现有方法对水面无人艇系统进行故障检测时,网络通讯带宽占用率大,数据传送消耗能量大的问题,而提出基于事件驱动与输出量化的水面无人艇系统的故障检测方法。
基于事件驱动与输出量化的水面无人艇系统的故障检测方法的具体过程为:
步骤一、建立水面无人艇系统的状态空间模型;
步骤二、设计事件触发条件以及输出量化器;
步骤三、设计一个加权的故障模型;
步骤四、基于步骤一建立的水面无人艇系统的状态空间模型,设计基于事件驱动机制的故障检测滤波器的增益矩阵,基于事件驱动机制的故障检测滤波器的增益矩阵,建立事件触发条件下的故障检测模型;
步骤五、基于事件触发条件下的故障检测模型,结合事件触发条件,获得故障检测滤波器的增益矩阵,从而得到残差信号r(t);
步骤六、根据步骤五得到的残差信号r(t),设计残差评价函数;
步骤七、设计残差评价函数阈值,根据残差评价函数及残差评价函数阈值完成水面无人艇的故障检测。
本发明的有益效果:
本发明基于事件驱动与输出量化的水面无人艇系统的故障检测方法,主要包括故障检测滤波器的设计以及事件驱动机制的设计方法。
本发明建立水面无人艇系统的状态空间模型;设计事件触发条件以及输出量化器;设计一个加权的故障模型;基于建立的水面无人艇系统的状态空间模型,设计基于事件驱动机制的故障检测滤波器的增益矩阵,基于事件驱动机制的故障检测滤波器的增益矩阵,建立事件触发条件下的故障检测模型;基于事件触发条件下的故障检测模型,结合事件触发条件,获得故障检测滤波器的增益矩阵,从而得到残差信号r(t);根据残差信号r(t),设计残差评价函数;设计残差评价函数阈值,根据残差评价函数及残差评价函数阈值完成水面无人艇的故障检测。利用事件触发条件对水面无人艇的测量输出进行判断,将满足条件的测量输出传输到量化器中,通过量化传输,从而起到减少通信网络的数据传输的目的,解决现有方法对水面无人艇系统进行故障检测时,网络通讯带宽占用率大,数据传送消耗能量大的问题,根据H∞优化方法以及Lyapunov稳定性理论等故障检测滤波器模型需要满足的条件,通过求解线性矩阵不等式方法来求得故障检测滤波器的参数,利用得到故障检测滤波器的模型来建立残差评价函数以及评价阈值完成水面无人艇的故障检测。
从附图3和4可知有30个采样时刻的测量输出数据满足事件触发条件而传输到量化器中,输出数据通过通信网络传输到故障检测滤波器中,而对于没有事件触发机制的故障检测方法,如果采用周期采样,采样周期为5Hz时,则有100个采样时刻的测量输出数据需要通过通信网络进行传输。
附图说明
图1为水面无人艇的运动坐标系统,其中,v(t)为舵产生的横移速度,r(t)为水面无人艇的平摆速度,ψ(t)为水面无人艇的航向角,p(t)为水面无人艇的横摇速度,φ(t)为水面无人艇的横摇角;X0Y0Z0为原点位于船舶某指定点的附体坐标系,X0沿船中线指向船首,Y0指向右舷,Z0指向地心,G为船舶重心,δ为舵角。
图2为基于事件驱动与输出量化的水面无人艇系统的故障检测系统框图,y(t)为水面无人艇系统测量输出,为事件驱动条件下的FDF输入,w(t)为外部干扰,f(t)为水面无人艇系统的故障,r(t)为残差信号,re(t)为残差误差,为故障加权模型的输出,y(kh)为采样器的输出,y(tkh)为事件触发器的输出,为量化器的输出;
图3为有故障时事件触发条件约束下残差评价函数曲线图;
图4为事件触发条件约束下数据传输时刻与传输间隔。
图5为实施一例在无故障时的水面无人艇平摆速度的状态曲线图,r(t)为水面无人艇的平摆速度;
图6为实施一例在无故障时的水面无人艇航向角的状态曲线图,ψ(t)为水面无人艇的航向角;
图7实施一例在无故障时的水面无人艇横摇速度的状态曲线图,p(t)为水面无人艇的横摇速度;
图8为实施一例在无故障时的水面无人艇横摇角的状态曲线图,φ(t)为水面无人艇的横摇角;
图9为实施一例在有故障时的水面无人艇平摆速度的状态曲线图,r(t)为水面无人艇的平摆速度;
图10为实施一例在有故障时的水面无人艇航向角的状态曲线图,ψ(t)为水面无人艇的航向角;
图11实施一例在有故障时的水面无人艇横摇速度的状态曲线图,p(t)为水面无人艇的横摇速度;
图12为实施一例在有故障时的水面无人艇横摇角的状态曲线图,φ(t)为水面无人艇的横摇角。
具体实施方式
具体实施方式一:本实施方式基于事件驱动与输出量化的水面无人艇系统的故障检测方法的具体过程为:
发明基于事件驱动与输出量化的水面无人艇系统的故障检测滤波器的设计;
步骤一、水面无人艇系统的运动坐标系统如图1所示,根据水面无人艇在3个自由度上的运动情况,建立运动学方程,根据运动学方程来建立水面无人艇系统的状态空间模型;
步骤二、设计事件触发条件以及输出量化器;
步骤三、设计一个加权的故障模型来改善故障检测的性能;
步骤四、基于步骤一建立的水面无人艇系统的状态空间模型,设计基于事件驱动机制的故障检测滤波器的增益矩阵,基于事件驱动机制的故障检测滤波器的增益矩阵,建立事件触发条件下的故障检测模型;
步骤五、基于事件触发条件下的故障检测模型,结合事件触发条件,获得故障检测滤波器的增益矩阵,从而得到残差信号r(t)(测量得到的);
步骤六、根据步骤五得到的残差信号r(t),设计残差评价函数;
步骤七、设计残差评价函数阈值,根据残差评价函数及残差评价函数阈值完成水面无人艇的故障检测。
基于事件驱动与输出量化的水面无人艇系统的故障检测系统框图如图2所示。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述步骤一中水面无人艇系统的运动坐标系统如图1所示,根据水面无人艇在3个自由度上的运动情况,建立运动学方程,根据运动学方程来建立水面无人艇系统的状态空间模型;具体过程为:
如图1所示,相关的运动学方程描述为如下形式:
其中Kdv、Kvr、Kdr、Kvp以及Kdp为给定的水面无人艇系统增益;Tv和Tr为时间常数;ωψ(t)和ωφ(t)为风浪给航向角为ψ(t)和横摇角度为φ(t)造成的干扰;ζ为阻尼系数,ωn为欠阻尼自然频率;v(t)为舵产生的横移速度,为横移速度v(t)的导数,δ(t)为舵角,r(t)为水面无人艇的平摆速度,为平摆速度r(t)的导数,p(t)为水面无人艇的横摇速度,为横摇速度p(t)的导数,为横摇角φ(t)的导数,为航向角ψ(t)的导数;
定义水面无人艇系统的状态向量
x(t)=[vT(t) rT(t) ψT(t) pT(t) φT(t)]T,
水面无人艇系统的输入为u(t)=δ(t),
水面无人艇系统受到的干扰向量为ω(t)=[ωψ T(t) ωφ T(t)]T,
由上述运动学方程得到:
在这里,水面无人艇系统受到的故障信号也要考虑进来,同时,假定有输入u(t)=Kx(t)使得水面无人艇系统稳定,其中K为给定的控制增益矩阵,所以水面无人艇系统的状态空间方程写成如下形式:
y(t)=Cx(t)
其中x(t)是水面无人艇系统的状态向量,y(t)水面无人艇系统的测量输出向量,w(t)是水面无人艇系统受到的干扰向量,f(t)是水面无人艇系统的故障输入,A、B1、B2、C为已知的水面无人艇系统的参数矩阵,A=A0+B0K。
其他步骤及参数与具体实施方案一相同。
具体实施方案三:本实施方案与具体实施方案一或二不同的是,所述水面无人艇系统的参数矩阵A0,B0,B1表达式如下:
其他步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述步骤二中设计事件触发条件以及输出量化器;具体过程为:
设计事件触发条件如下:
[y(tkh+qh)-y(tkh)]TW[y(tkh+qh)-y(tkh)]>∈yt(tkh+qh)Wy(tkh+qh) (2)
其中,tk为当前时刻,h为采样器的采样周期,q为一个常数,W>0是待设计的对称的事件触发权值矩阵;∈∈[0,1)为事件触发阈值,它的大小决定了通过网络传输数据的多少,当事件触发阈值∈越大,事件触发条件越严格,就会有越少的数据满足事件触发条件而通过网络传输;y(tkh+qh)表示当前采样时刻的测量输出数据;事件触发器的输出y(tkh)表示最新的通过网络传输到故障检测滤波器的系统的测量输出数据;当事件触发条件满足,当前采样时刻的测量输出数据y(tkh+qh)被定义为y(tk+1h),然后通过网络传输到待设计的故障检测滤波器中,而(tk+1)h,(tk+2)h,...,(tk+q-1)h采样时刻的测量输出数据则没有通过网络进行传输。
事件触发条件的引入可以减少传输到故障检测滤波器的系统测量输出数据的数量,传输有用的测量输出,舍弃不满足条件的数据,从而达到减轻网络通信压力和节省有限的网络资源的目的。
事件触发器的输出y(tkh)要传输到量化器中,测量输出数据经量化后传输到故障检测滤波器中,采用如下量化器:
q(·)=[q1(·) q2(·) … qm(·)]T (3)
其中,q(·)为量化器,q1(·)、q2(·)、…、qm为量化器的组成元素;
其他步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是,所述步骤三中设计一个加权的故障模型来改善故障检测的性能,表达式为:
其中,W(z)是一个加权矩阵反映故障信号频率加权,为故障加权模型的输出,f(z)为水面无人艇的故障信号。
其他步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是,所述步骤四中基于步骤一建立的水面无人艇系统的状态空间模型,设计基于事件驱动机制的故障检测滤波器的增益矩阵,基于事件驱动机制的故障检测滤波器的增益矩阵,建立事件触发条件下的故障检测模型;具体过程为:
故障检测滤波器是需要设计的,其结构如下:
t∈[tkh,tk+1h),将带入到公式(8)中,得到
t∈[tkh,tk+1h) (10)
将(5)代入(10)中,得到:
将公式(6)、(7)代入到故障检测滤波器模型(11)中,整理之后结果如下:
其中,τ(t)、ek(t)为中间变量;
其中,τ(t)、ek(t)、t、d为中间变量。
定义
其中,ξ(t)为状态向量,其中包括加权故障模型的状态向量xw(t)、水面无人艇系统的状态向量x(t)以及故障检测滤波器的状态向量故障检测模型的输入向量为包括干扰输入w(t)和故障输入f(t);故检测模型的输出为残差信号re(t),即故障检测滤波器的输出与故障加权模型输出的差;
由水面无人艇模型(1)、加权故障模型(9)和故障检测滤波器模型(12)得到事件触发条件下的故障检测模型,其状态空间方程如下:
其中,A1、A2、B、E1、C1、C2、D、E2为故障检测模型的系统矩阵。
其他步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至五之一不同的是,所述故障检测模型的系统矩阵表达式如下:
D=[0 -Dw]
其他步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是,所述待设计的具有合适维度的基于事件驱动机制的故障检测滤波器的增益矩阵Af、Bf、Cf、Df表达式为:
基于事件驱动机制的故障检测滤波器的增益矩阵由下式给出:
或
所述的基于事件驱动机制的故障检测滤波器的增益矩阵具体获得过程为:
要解决的基于事件驱动的故障检测问题是:设计故障检测滤波器(8)和事件触发条件(2)以及量化器(3)使得故障检测模型(13)满足如下条件:
考虑如下李雅普诺夫函数:
v1(t)=ξT(t)Pξ(t)
对上述李雅普诺夫函数求导得到:
有
η0(t)=[ξT(t) ξT(t-t(t)) ξT(t-h)]T
由事件触发条件(2)及式(6)、(7)可以得到
∈yT(s-τ(s))Wy(s-τ(s))-ek T(s)Wek(s)≥0 (18)
将公式(17)、(18)代入上式可以得到:
Γ11=PA1+A1 TPT+HTQH-HTRH
Γ12=PA2+HTRH-HTGH
Γ13=HTGH
Γ22=HTGH-HTRH+(HTGH-HTRH)T+∈C0 TWC0
Γ23=HTRH-HTGH
Γ33=-HTQH-HTRH
H=[I 0]
由Schur补引理及公式(20)可知
S3=-R
根据不等式(16),定义如下函数:
将不等式(18)代入上式,化简得:
定义
将上式展开整理得到:
其中Ψ=Γ+ΓRR-1ΓRT+ΞTΞ (21)
ΓR=hΛTHTR
Λ=[A1 A2 O B E1]
Ξ=[C1 C2 O D E2]
由Schur补引理及公式(21)可知
S3=-I
有Ψ<0,J(t)≤0,故障检测模型(13)满足公式(16)。
故障检测矩阵设计如下:
定义矩阵F=diag(I,P2P3 -1,I,I,I,I,I,I),对矩阵不等式(22)左右两边分别乘以矩阵F和FT,可以得到故障检测模型(13)满足渐进稳定性及期望的H∞性能γ,结果如下:
其他步骤及参数与具体实施方式一至七之一相同。
具体实施方式九:本实施方式与具体实施方式一至八之一不同的是,所述步骤六中根据步骤五得到的残差信号r(t),设计残差评价函数,其表达式为
其中,χ(t)为残差评价函数,r(s)为残差信号(s就是一个积分变量,因为积分上界用t,为了不重复才用的s)。
其他步骤及参数与具体实施方式一至八之一相同。
具体实施方式十:本实施方式与具体实施方式一至九之一不同的是,所述步骤七中设计残差评价函数阈值,根据残差评价函数及残差评价函数阈值完成水面无人艇的故障检测;具体过程为:
设计残差评价阈值:χth=maxf=0χ(t)
其中,f为故障信号;
当残差评价函数χ(t)大于残差评价阈值χth,则认为水面无人艇系统发生了故障,当残差评价函数χ(t)小于等于残差评价阈值χth,则认为水面无人艇系统没发生故障,即
其他步骤及参数与具体实施方式一至九之一相同。
采用以下实例验证本发明的效果:
实验例一:
水面无人艇的模型参数如下所示:
Tυ=0.5263,Tr=0.4211,Kdr=-0.0103,
Kdp=-0.0202,Kdv=0.0380,Kυp=0.7980,
Kvr=-0.4600,ωn=1.6300,ζ=2.0840.
干扰输入设为w(t)=0.01sin(0.6t) 0≤t≤20s,
水面无人艇的初始状态设为
步骤一、利用模型参数,建立水面无人艇系统的状态空间方程;
步骤二、设计事件触发条件及量化器,事件触发阈值∈=0.04,量化器相关参数ρ1=0.9048,χ0=0.8,
步骤三、为提高故障检测性能,设计故障加权参数
Aw=-0.1,Bw=0.25
Cw=0.5,Dw=0
步骤四、基于水面无人艇系统的状态空间模型以及故障检测滤波器的增益矩阵,建立事件触发条件下的故障检测模型,基于设计的故障检测滤波器的增益矩阵设计事件触发条件参数W=0.078;
步骤五、水面无人艇系统的故障检测模型的H∞性能指标γ=0.6890,故障检测滤波器模型的参数如下:
Cf=[-65.3611 87.2032 201.1213 518.6429 366.8768 -164.3670]
Df=0.2651
步骤六、设计残差评价函数;
步骤七、设置残差评价函数阈值χth=0.0106,根据残差评价函数及评价阈值完成水面无人艇的故障检测。
将本发明方法的故障检测滤波器结构以及事件驱动机制和输出量化应用到水面无人艇系统中。
如图3和4所示,图3是有故障时事件触发条件下残差评价函数,红色实线表示有故障时的残差评价函数,红色虚线为无故障时的残差评价函数的最大值即为评价阈值χth=0.0106,t=6.1s时,有故障时的残差评价函数χ(6.1)>χth,此时故障可以检测出来,而故障出现的时间为6s,即故障检测的时间为0.1s,实现了故障检测的目标。
图4表示的是事件触发条件约束下数据传输时刻与传输间隔,由图可知有30个采样时刻的测量输出数据满足事件触发条件而传输到量化器中,输出数据通过通信网络传输到故障检测滤波器中,而对于没有事件触发机制的故障检测则会有100个采样时刻的测量输出数据通过通信网络进行传输。
综上,本发明提供的基于事件驱动与输出量化的水面无人艇系统的故障检测滤波器设计能够使无人艇系统在无故障时保持系统稳定运行,在发生故障时能及时产生故障警报。同时,事件触发器及量化器的引入有效减少了系统的传输到故障检测滤波器的测量输出数据,大大减轻了网络通信的压力,节省了网络通信资源。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明专利的保护范围内。
Claims (10)
1.基于事件驱动与输出量化的水面无人艇系统的故障检测方法,其特征在于:所述方法具体过程为:
步骤一、建立水面无人艇系统的状态空间模型;
步骤二、设计事件触发条件以及输出量化器;
步骤三、设计一个加权的故障模型;
步骤四、基于步骤一建立的水面无人艇系统的状态空间模型,设计基于事件驱动机制的故障检测滤波器的增益矩阵,基于事件驱动机制的故障检测滤波器的增益矩阵,建立事件触发条件下的故障检测模型;
步骤五、基于事件触发条件下的故障检测模型,结合事件触发条件,获得故障检测滤波器的增益矩阵,从而得到残差信号r(t);
步骤六、根据步骤五得到的残差信号r(t),设计残差评价函数;
步骤七、设计残差评价函数阈值,根据残差评价函数及残差评价函数阈值完成水面无人艇的故障检测。
2.根据权利要求1所述基于事件驱动与输出量化的水面无人艇系统的故障检测方法,其特征在于:所述步骤一中建立水面无人艇系统的状态空间模型;具体过程为:
运动学方程描述为如下形式:
其中,Kdv、Kvr、Kdr、Kvp以及Kdp为给定的水面无人艇系统增益;Tv和Tr为时间常数;ωψ(t)和ωφ(t)为风浪给航向角为ψ(t)和横摇角度为φ(t)造成的干扰;ζ为阻尼系数,ωn为欠阻尼自然频率;v(t)为舵产生的横移速度,为横移速度v(t)的导数,δ(t)为舵角,r(t)为水面无人艇的平摆速度,为平摆速度r(t)的导数,p(t)为水面无人艇的横摇速度,为横摇速度p(t)的导数,为横摇角φ(t)的导数,为航向角ψ(t)的导数;
定义水面无人艇系统的状态向量x(t)=[vT(t) rT(t) ψT(t) pT(t) φT(t)]T,
水面无人艇系统的输入为u(t)=δ(t),
水面无人艇系统受到的干扰向量为ω(t)=[ωψ T(t) ωφ T(t)]T,
由上述运动学方程得到:
其中,为水面无人艇系统的状态向量x(t)的导数,ψ(t)为水面无人艇的航向角,φ(t)为水面无人艇的横摇角,T为转置;A0、B0、B1为水面无人艇系统的参数矩阵;
假定有输入u(t)=Kx(t)使得水面无人艇系统稳定,其中K为给定的控制增益矩阵,所以水面无人艇系统的状态空间方程写成如下形式:
y(t)=Cx(t)
其中x(t)是水面无人艇系统的状态向量,y(t)水面无人艇系统的测量输出向量,w(t)是水面无人艇系统受到的干扰向量,f(t)是水面无人艇系统的故障输入,A、B1、B2、C为已知的水面无人艇系统的参数矩阵,A=A0+B0K。
4.根据权利要求3所述基于事件驱动与输出量化的水面无人艇系统的故障检测方法,其特征在于:所述步骤二中设计事件触发条件以及输出量化器;具体过程为:
设计事件触发条件如下:
[y(tkh+qh)-y(tkh)]TW[y(tkh+qh)-y(tkh)]>∈yT(tkh+qh)Wy(tkh+qh) (2)
其中,tk为当前时刻,h为采样器的采样周期,q为常数,W>0是对称的事件触发权值矩阵;∈∈[0,1)为事件触发阈值,y(tkh+qh)表示当前采样时刻的测量输出数据;事件触发器的输出y(tkh)表示最新的通过网络传输到故障检测滤波器的系统的测量输出数据;
事件触发器的输出y(tkh)要传输到量化器中,测量输出数据经量化后传输到故障检测滤波器中,采用如下量化器:
q(·)=[q1(·)q2(·)...qm(·)]T (3)
其中,q(·)为量化器,q1(·)、q2(·)、...、qm为量化器的组成元素;
由及(4)知
6.根据权利要求5所述基于事件驱动与输出量化的水面无人艇系统的故障检测方法,其特征在于:所述步骤四中基于步骤一建立的水面无人艇系统的状态空间模型,设计基于事件驱动机制的故障检测滤波器的增益矩阵,基于事件驱动机制的故障检测滤波器的增益矩阵,建立事件触发条件下的故障检测模型;具体过程为:
故障检测滤波器结构如下:
t∈[tkh,tk+1h) (10)
将(5)代入(10)中,得到:
将公式(6)、(7)代入到故障检测滤波器模型(11)中,整理之后结果如下:
其中,τ(t)、ek(t)为中间变量;
定义
θ(t)=[wT(t)fT(t)]T
其中,ξ(t)为状态向量,其中包括加权故障模型的状态向量xw(t)、水面无人艇系统的状态向量x(t)以及故障检测滤波器的状态向量故障检测模型的输入向量为θ(t),包括干扰输入w(t)和故障输入f(t);故检测模型的输出为残差信号re(t),即故障检测滤波器的输出与故障加权模型输出的差;
由水面无人艇模型(1)、加权故障模型(9)和故障检测滤波器模型(12)得到事件触发条件下的故障检测模型,其状态空间方程如下:
re(t)=C1ξ(t)+C2ξ(t-τ(t))+Dθ(t)+E2ek(t)
其中,A1、A2、B、E1、C1、C2、D、E2为故障检测模型的系统矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911089206.5A CN110703742B (zh) | 2019-11-08 | 2019-11-08 | 基于事件驱动与输出量化的水面无人艇系统的故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911089206.5A CN110703742B (zh) | 2019-11-08 | 2019-11-08 | 基于事件驱动与输出量化的水面无人艇系统的故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110703742A true CN110703742A (zh) | 2020-01-17 |
CN110703742B CN110703742B (zh) | 2022-11-18 |
Family
ID=69204775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911089206.5A Active CN110703742B (zh) | 2019-11-08 | 2019-11-08 | 基于事件驱动与输出量化的水面无人艇系统的故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110703742B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111399384A (zh) * | 2020-04-27 | 2020-07-10 | 哈尔滨工程大学 | 一种基于动态量化器的远程遥控无人艇航向容错控制方法 |
CN111619761A (zh) * | 2020-05-10 | 2020-09-04 | 哈尔滨工程大学 | 一种无人艇状态估计观测器设计方法 |
CN113110383A (zh) * | 2021-04-13 | 2021-07-13 | 杭州电子科技大学 | 一种城市水务系统供水故障检测方法 |
CN114545907A (zh) * | 2022-03-15 | 2022-05-27 | 中南大学 | 一种基于滤波器的飞行控制系统的故障检测方法 |
CN115051908A (zh) * | 2022-06-15 | 2022-09-13 | 海南大学 | 一种具有双敏感性的数据传输故障检测方法 |
CN115328142A (zh) * | 2022-08-26 | 2022-11-11 | 电子科技大学 | 一种重放攻击下网络化无人船舶的故障检测方法 |
CN116243597A (zh) * | 2023-03-08 | 2023-06-09 | 哈尔滨工业大学 | 一种基于动态事件触发的增益调度控制方法 |
CN116628862A (zh) * | 2023-07-19 | 2023-08-22 | 浙江大学海南研究院 | 一种质量切换无人船的动力定位事件触发鲁棒h∞滤波方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106406290A (zh) * | 2016-11-21 | 2017-02-15 | 济南大学 | 一种车辆横向动力远程测控系统的故障检测方法 |
CN108667673A (zh) * | 2018-06-22 | 2018-10-16 | 东北大学 | 基于事件触发机制的非线性网络控制系统故障检测方法 |
CN108732926A (zh) * | 2018-06-05 | 2018-11-02 | 东北石油大学 | 基于不充分信息的网络化系统状态估计方法 |
CN109343513A (zh) * | 2018-11-20 | 2019-02-15 | 哈尔滨工业大学 | 基于事件驱动的水面无人艇同步故障检测与控制方法 |
CN109410361A (zh) * | 2018-11-02 | 2019-03-01 | 华东理工大学 | 一种基于马尔科夫跳变的事件触发状态估计系统 |
CN110161882A (zh) * | 2019-06-12 | 2019-08-23 | 江南大学 | 一种基于事件触发机制的网络化系统的故障检测方法 |
-
2019
- 2019-11-08 CN CN201911089206.5A patent/CN110703742B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106406290A (zh) * | 2016-11-21 | 2017-02-15 | 济南大学 | 一种车辆横向动力远程测控系统的故障检测方法 |
CN108732926A (zh) * | 2018-06-05 | 2018-11-02 | 东北石油大学 | 基于不充分信息的网络化系统状态估计方法 |
CN108667673A (zh) * | 2018-06-22 | 2018-10-16 | 东北大学 | 基于事件触发机制的非线性网络控制系统故障检测方法 |
CN109410361A (zh) * | 2018-11-02 | 2019-03-01 | 华东理工大学 | 一种基于马尔科夫跳变的事件触发状态估计系统 |
CN109343513A (zh) * | 2018-11-20 | 2019-02-15 | 哈尔滨工业大学 | 基于事件驱动的水面无人艇同步故障检测与控制方法 |
CN110161882A (zh) * | 2019-06-12 | 2019-08-23 | 江南大学 | 一种基于事件触发机制的网络化系统的故障检测方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111399384B (zh) * | 2020-04-27 | 2022-09-27 | 哈尔滨工程大学 | 一种基于动态量化器的远程遥控无人艇航向容错控制方法 |
CN111399384A (zh) * | 2020-04-27 | 2020-07-10 | 哈尔滨工程大学 | 一种基于动态量化器的远程遥控无人艇航向容错控制方法 |
CN111619761A (zh) * | 2020-05-10 | 2020-09-04 | 哈尔滨工程大学 | 一种无人艇状态估计观测器设计方法 |
CN113110383A (zh) * | 2021-04-13 | 2021-07-13 | 杭州电子科技大学 | 一种城市水务系统供水故障检测方法 |
CN114545907A (zh) * | 2022-03-15 | 2022-05-27 | 中南大学 | 一种基于滤波器的飞行控制系统的故障检测方法 |
CN114545907B (zh) * | 2022-03-15 | 2023-12-19 | 中南大学 | 一种基于滤波器的飞行控制系统的故障检测方法 |
CN115051908B (zh) * | 2022-06-15 | 2023-07-07 | 海南大学 | 一种具有双敏感性的数据传输故障检测方法 |
CN115051908A (zh) * | 2022-06-15 | 2022-09-13 | 海南大学 | 一种具有双敏感性的数据传输故障检测方法 |
CN115328142A (zh) * | 2022-08-26 | 2022-11-11 | 电子科技大学 | 一种重放攻击下网络化无人船舶的故障检测方法 |
CN115328142B (zh) * | 2022-08-26 | 2023-09-15 | 电子科技大学 | 一种重放攻击下网络化无人船舶的故障检测方法 |
CN116243597B (zh) * | 2023-03-08 | 2023-08-15 | 哈尔滨工业大学 | 一种基于动态事件触发的增益调度控制方法 |
CN116243597A (zh) * | 2023-03-08 | 2023-06-09 | 哈尔滨工业大学 | 一种基于动态事件触发的增益调度控制方法 |
CN116628862A (zh) * | 2023-07-19 | 2023-08-22 | 浙江大学海南研究院 | 一种质量切换无人船的动力定位事件触发鲁棒h∞滤波方法 |
CN116628862B (zh) * | 2023-07-19 | 2024-04-02 | 浙江大学海南研究院 | 一种质量切换无人船的动力定位事件触发鲁棒h∞滤波方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110703742B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110703742B (zh) | 基于事件驱动与输出量化的水面无人艇系统的故障检测方法 | |
CN108197350B (zh) | 一种无人船速度和不确定性估计系统及设计方法 | |
CN109343513B (zh) | 基于事件驱动的水面无人艇同步故障检测与控制方法 | |
CN111830976B (zh) | DoS攻击下基于切换T-S模糊系统的无人船艇控制方法 | |
CN110377036B (zh) | 一种基于指令约束的无人水面艇航迹跟踪固定时间控制方法 | |
Zhao et al. | Ship-motion prediction: algorithms and simulation results | |
CN110333661A (zh) | 一种考虑量化和状态时滞的umv自适应滑模容错控制方法 | |
CN110865539A (zh) | 一种随机干扰下的无人艇跟踪误差约束控制方法 | |
CN109901387B (zh) | 一种航空器自动近地防撞系统自适应飞行轨迹预测方法 | |
CN110488603B (zh) | 一种考虑执行器受限问题的刚性飞行器自适应神经网络跟踪控制方法 | |
CN110937076B (zh) | 一种基于双通道参数的模型预测设计的船舶舒适度控制系统及其控制方法 | |
CN114442640B (zh) | 一种水面无人艇轨迹跟踪控制方法 | |
CN110361975A (zh) | 一种基于滑模技术的umv状态时滞系统的自适应容错控制方法 | |
CN110989563A (zh) | 基于迭代自适应观测器的无人舰艇故障估计方法 | |
Zhang et al. | Trajectory prediction based on AIS and BP neural network | |
CN107063300B (zh) | 一种基于反演的水下导航系统动力学模型中扰动估计方法 | |
CN113486564B (zh) | 一种无人艇推进器故障诊断系统及方法 | |
CN113687597A (zh) | 一种基于二阶波浪漂移力的无人船路径跟踪方法 | |
CN111273671B (zh) | 一种智能船舶的非周期通讯远程观测器 | |
Luo et al. | Observer-based fixed-time dynamic surface tracking control for autonomous surface vehicles under actuator constraints and denial-of-service attacks | |
CN114003052B (zh) | 一种基于动态补偿系统的固定翼无人机纵向运动鲁棒自适应控制方法 | |
CN111399384B (zh) | 一种基于动态量化器的远程遥控无人艇航向容错控制方法 | |
CN114779797A (zh) | 一种无人直升机故障估计方法和跟踪容错方法 | |
Sun et al. | Fault diagnosis method of autonomous underwater vehicle based on deep learning | |
CN115328126A (zh) | 一种无人船自适应滑模轨迹跟踪控制方法及其控制系统 |
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 |