CN110727196A - 基于鲁棒滤波器的正线性网络控制系统故障检测方法 - Google Patents
基于鲁棒滤波器的正线性网络控制系统故障检测方法 Download PDFInfo
- Publication number
- CN110727196A CN110727196A CN201910915394.6A CN201910915394A CN110727196A CN 110727196 A CN110727196 A CN 110727196A CN 201910915394 A CN201910915394 A CN 201910915394A CN 110727196 A CN110727196 A CN 110727196A
- Authority
- CN
- China
- Prior art keywords
- filter
- matrix
- positive
- network control
- control system
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于鲁棒滤波器的正线性网络控制系统故障检测方法。首先,针对具有时延和不确定性的网络控制系统现状,建立正线性网络控制系统的离散模型,并由此设计相应的鲁棒滤波器;根据此离散模型和滤波器,建立增广系统,从而生成残差;然后,通过对不确定参数的上下界放缩,导出该增广系统为正系统,稳定,且满足l1/l‑(鲁棒性/故障灵敏度)性能的充分条件;最后通过一个迭代算法,并结合优化目标,解出滤波器参数,即兼顾鲁棒性和故障灵敏度的同时,实现对正线性网络控制系统的故障检测。本发明通过迭代算法,大大拓宽了应用范围,且提高了故障检测的效率,可应用于具有参数不确定的各类有/无传感器故障系统。
Description
技术领域
本发明涉及系统控制领域,具体涉及一种基于鲁棒滤波器的正线性网络控制系统的故障检测方法。
背景技术
网络控制系统(NCS),是指被控对象和控制器通过网络连接,其特点在于,系统输入输出等信息通过网络在系统元件(传感器,控制器,执行器)之间交换。NCS在社会基础设施中扮演着越来越重要的角色,如智能家居、智能电网和现代公共交通系统。在过去十年中,系统和控制的研究人员已经开发了机制系统科学和控制工程方法,如频域法、时域法、状态空间法、鲁棒控制法、随机控制法等,并且计算机科学和网络的研究人员已经在系统软件、高速计算、网络技术等方面取得了显著的成果。毫无疑问,将网络引入控制系统为其带来了许多优势和便利:更高的灵活性,更低的复杂性和更低的安装和维护成本。然而,网络环境对于网络控制的影响是不可忽略的,例如信道带宽的限制,时延与数据丢包等,加之网络本身的不确定性,即,每一次传输时参数都不能准确被外界获取,人们可能无法得知确切的参数信息,这使得分析网络控制系统问题变得复杂。
另一方面,正系统作为一类特殊的系统,对于任意非负初值和输入,其状态及输出均为非负。近几十年来,正系统凭借它的特有性质及其在系统生物学,经济学,工业过程和社会科学等领域的广泛应用,引起了众多学者的关注,并由此产生了大量研究成果。
众所周知,随着系统模型日益复杂化,以及对系统各元件精确度要求的日益提高,工业过程中发生故障的频率也日趋增加,因而,故障检测技术仍需不断进步和完善。一般说来,对于控制系统,故障大致可分为:过程故障,传感器故障和执行器故障。近年来,基于残差生成器的故障检测方法应用较为广泛。具体为:首先建立残差生成器,其次选取残差评价函数及阈值,当残差评价函数大于阈值则故障被成功检测。然而,对于故障灵敏度性能的分析,现有方法具有较大的保守性,应用范围也较为局限。
此外,受各种因素影响,系统参数或结构不能准确被外界获取,并具有参数不确定性,此时,研究对象变成带有参数不确定的系统,普通的系统分析方法将不再适用,因而,对具有参数不确定系统的研究就显得尤为重要。此外,由于人们可能无法获取确切的信息,可以利用参数不确定系统来描述网络控制系统本身的不确定性。
从实际角度出发,时延是另一个不容忽视的问题,它通常不可避免地存在于各工业过程中,并对系统性能造成一定的影响,有时它的存在甚至会导致系统的不稳定。NCS中的时间延迟基本上由三种延迟组成:(i)由于处理速度或数字设备的容量有限,系统组件中的计算延迟,例如传感器,控制器和执行器;(ii)网络队列中的网络访问延迟,因为数据以分组形式通过网络传输,并且排队的网络分组可能需要等待一段时间才能被发送出去;(iii)通信网络中的传输延迟。这种延迟可能依赖于可变网络条件,例如由于通信网络的有限带宽导致的网络信道质量和网络流量拥塞。综上所述,考虑到正系统的广泛应用背景,研究如附图2所示的时滞正线性网络控制系统的故障检测问题会有较为广泛的实际应用价值。
发明内容
发明目的:针对实际应用背景及上述现有方法的不足,本发明提供一种基于鲁棒滤波器的正线性网络控制系统故障检测方法,该方法通过一个迭代算法,将滤波器存在的双线性条件转化为标准的可解线性规划问题,大大拓宽了应用范围。
技术方案:为了实现上述目的,本发明采用以下技术方案:
一种基于鲁棒滤波器的正线性网络控制系统故障检测方法,包括如下步骤:
第一步,设定正线性网络控制系统的离散模型,并由此设计相应的鲁棒滤波器;
第二步,结合离散模型和所设计的滤波器,建立增广系统,从而生成残差;
第三步,选择适当的残差评价函数和阈值,并给出故障检测方案;
第四步,利用不确定参数的上下界信息,导出该增广系统为正系统,稳定、且满足l1/l-(鲁棒性/故障灵敏度)性能的充分条件;
第五步,利用迭代算法解出目标滤波器参数。
以上下界已知的不确定参数矩阵描述正线性控制系统的不确定性,则所述第一步中,正线性网络控制系统离散模型为:
其中,A,Ad,E,F,C,Cd,G,H均为非负矩阵,表示系统⑴的参数矩阵,且 其中,下横线和上横线分别表示相应矩阵的下界和上界,A,分别表示矩阵A的下界和上界,Ad ,分别表示矩阵Ad的下界和上界,E,分别表示矩阵E的下界和上界,F,分别表示矩阵F的下界和上界,C,分别表示矩阵C的下界和上界,Cd ,分别表示矩阵Cd的下界和上界,G,分别表示矩阵G的下界和上界,H,分别表示矩阵H的下界和上界;其中:x(k)表示系统状态,表示nx维空间,即系统状态属于nx维空间,其中:w(k)表示干扰输入,表示nw维空间,即干扰输入属于nw维空间,其中:f(k)表示故障信号,表示nf维空间,即故障信号属于nf维空间,表,其中:y(k)表示测量输出,表示ny维空间,即测量输出属于ny维空间;状态方程中的故障称为过程故障,而输出方程中的则为传感器故障;k表示时刻,d代表网络中存在的时滞,x(θ)、Φ(θ)是系统的初始状态,基于上述给定离散模型⑴,设计如下滤波器:
定义误差e(k)=x(k)-xo(k),残差r(k)=y(k)-yo(k),增广向量ξ(k)=[xT(k) eT(k)]T,其中,上标T表示转置,得到所述第二步中的增广系统:
其中,Aξ,Aξd,Eξ,Fξ,Cξ,Cξd,Gξ,Hξ为增广系统的参数矩阵,当这些参数矩阵均为非负,则此系统为正系统;ψ(θ)为增广系统的初始状态;增广正系统满足l1/l-性能(鲁棒性/故障灵敏度)的充分条件分别如下:
其中,sup表示上确界,inf为下确界,‖■‖1表示向量的一范数,∞表示无穷大;γ和β为两个给定正数,分别代表l1和l-性能指标。
所述第四步中,设L=L+-L-,L+为滤波器增益矩阵中正数位置元素不变,其余位置为0的矩阵,L-为滤波器增益矩阵中负数位置元素取其绝对值,其余位置为0的矩阵;由此得知,L+,L-所有元素均为非负,表示为L+≥0,L-≥0;由已有的研究成果得知,增广系统⑶为正系统,稳定且满足l1性能,以及l-性能的充分条件为:
Aξ≥0,Aξd≥0,Eξ≥0,Fξ≥0,
Cξ≥0,Cξd≥0,Gξ≥0,Hξ≥0, ⑷
其中,1c表示所有元素均为1的列向量,ν和μ分别代表满足l1和l-性能条件中的决策变量,且v>0,μ<0,通过参数的上下界放缩,得到上述条件⑷⑸⑹分别对应的充分条件:
A ξ≥0,A ξd≥0,E ξ≥0,F ξ≥0,
C ξ≥0,C ξd≥0,G ξ≥0,H ξ≥0, ⑺
所述第五步,包括以下步骤:
5.1)为了在增强鲁棒性的同时获得尽可能高的故障灵敏度,需要考虑带约束的优化目标:其约束为所述第四步具有高灵敏度的鲁棒滤波器存在的充分条件,且ν=[ν1 T,ν2 T]T,μ=[μ1 T,μ2 T]T,即,v1,v2和μ1,μ2分别为ν和μ向量的一部分。
5.2)由于所述第四步具有高灵敏度的鲁棒滤波器存在的充分条件求解为双线性问题,则采用一种迭代算法,将耦合的参数进行解耦,从而将双线性问题转化为线性规划问题,并利用YALMIP工具箱解出所需的滤波器参数。
与现有技术相比,本发明具有以下有益效果:
1、本发明针对正线性网络控制系统研究其故障检测方案,不仅考虑网络中的参数不确定性,还考虑了时滞对系统的影响,更具现实意义和实用价值。
2、本发明基于鲁棒滤波器的设计,兼顾了鲁棒性和故障灵敏度两个性能,能快速检测出正线性网络控制系统微小故障的同时,对外界未知扰动亦具有较好的抗干扰效果。
3、本发明在求解滤波器参数时运用了一个迭代算法,解决了现有方法不能处理无传感器故障系统的局限问题,将双线性问题转化为标准的线性规划,适用于各类有/无传感器故障的系统,大大拓宽了应用范围。
附图说明
图1是本发明方法的工作流程图。
图2是正线性网络控制系统结构图。
图3是故障检测方案流程图。
具体实施方式
为了详细的说明本发明公开的技术方案,下面结合说明书附图和具体实施方式做进一步的阐述。
一种基于鲁棒滤波器的正线性网络控制系统故障检测方法,包括以下步骤:
第一步,设定正线性网络控制系统的离散模型,并由此设计相应的鲁棒滤波器;
第二步,结合离散模型和所设计的滤波器,建立增广系统,从而生成残差;
第三步,选择适当的残差评价函数和阈值,并给出故障检测方案;
第四步,利用不确定参数的上下界信息,导出该增广系统为正系统,稳定、且满足l1/l-(鲁棒性/故障灵敏度)性能的充分条件;
第五步,利用迭代算法解出目标滤波器参数。
具体地讲,基于鲁棒滤波器的正线性网络控制系统故障检测方法,包括以下步骤:
第一步、以上下界已知的不确定参数矩阵描述正线性控制系统的不确定性,则正线性网络控制系统离散模型为:
其中,A,Ad,E,F,C,Cd,G,H均为非负矩阵,表示系统⑴的参数矩阵,且 其中,下横线和上横线分别表示相应矩阵的下界和上界,A,分别表示矩阵A的下界和上界,Ad ,分别表示矩阵Ad的下界和上界,E,分别表示矩阵E的下界和上界,F,分别表示矩阵F的下界和上界,C,分别表示矩阵C的下界和上界,Cd ,分别表示矩阵Cd的下界和上界,G,分别表示矩阵G的下界和上界,H,分别表示矩阵H的下界和上界;其中:x(k)表示系统状态,表示nx维空间,即系统状态属于nx维空间,其中:w(k)表示干扰输入,表示nw维空间,即干扰输入属于nw维空间,其中:f(k)表示故障信号,表示nf维空间,即故障信号属于nf维空间,表,其中:y(k)表示测量输出,表示ny维空间,即测量输出属于ny维空间;状态方程中的故障称为过程故障,而输出方程中的则为传感器故障;k表示时刻,d代表网络中存在的时滞,x(θ)、Φ(θ)是系统的初始状态。
由于本发明的故障检测方案是基于残差信号(由正线性网络控制系统和滤波器产生)的生成,基于上述给定离散模型⑴,首先需要设计如下滤波器:
其中,xo(k)、yo(k)分别为滤波器系统的状态和输出,xo(θ)表示滤波器系统的初始状态,L为待定滤波器增益矩阵。
第二步、基于以上离散模型⑴和滤波器⑵,则不难得到残差信号,定义误差e(k)=x(k)-xo(k),残差r(k)=y(k)-yo(k),增广向量ξ(k)=[xT(k) eT(k)]T,其中,上标T表示转置,得到所述第二步中的增广系统:
其中,Aξ,Aξd,Eξ,Fξ,Cξ,Cξd,Gξ,Hξ为增广系统的参数矩阵,当这些参数矩阵均为非负,则此系统为正系统;ψ(θ)为增广系统的初始状态;增广正系统满足l1/l-性能(鲁棒性/故障灵敏度)的充分条件分别如下:
其中,sup表示上确界,inf为下确界,‖■‖1表示向量的一范数,■无特殊定义,仅为了说明‖‖1表示向量的一范数,∞表示无穷大;γ和β为两个给定正数,分别代表l1和l-性能指标,γ越小,抗干扰性能越强,相反,β越大,则说明故障灵敏度越高。因而,理想的设计目标为在鲁棒性和故障灵敏度相互制约的情况下,尽可能使γ达到最小,同时得到尽可能大的β。
第三步、至此,我们完成了残差生成器的建立,接下来,引入残差评价函数和阈值的概念以评估故障何时能被成功检测。首先,选择残差评价函数基于此,选定阈值为其中,T’表示时间窗口,表示干扰w在区间[0,T’]内的l1范数,当残差评价函数大于阈值时,就能成功检测出故障并报警,即如下故障检测方案:
第四步、接下来,需要导出所设计的鲁棒滤波器存在的充分条件,然而确切的参数信息无法获得,因此,本发明通过不确定参数的上下界信息放缩得到所需充分条件,由于增益矩阵L正负未定,为便于放缩,设L=L+-L-,L+为滤波器增益矩阵中正数位置元素不变,其余位置为0的矩阵,L-为滤波器增益矩阵中负数位置元素取其绝对值,其余位置为0的矩阵;由此得知,L+,L-所有元素均为非负,表示为L+≥0,L-≥0;由已有的研究成果得知,增广系统⑶为正系统,稳定且满足l1性能,以及l-性能的充分条件为:
Aξ≥0,Aξd≥0,Eξ≥0,Fξ≥0,
Cξ≥0,Cξd≥0,Gξ≥0,Hξ≥0, ⑷
其中,1c表示所有元素均为1的列向量,v和μ分别代表满足l1和l-性能条件中的决策变量,且v>0,μ<0,通过参数的上下界放缩,得到上述条件⑷⑸⑹分别对应的充分条件:
A ξ≥0,A ξd≥0,E ξ≥0,F ξ≥0,
C ξ≥0,C ξd≥0,G ξ≥0,H ξ≥0, ⑺
通过系统⑴和⑵对应参数的替换,以及各矩阵上下界信息的放缩,上述充分条件可等价转化为以下线性规划条件:
第五步、为了尽可能大地增强此滤波器的鲁棒性,同时获得尽可能高的故障灵敏度,还需考虑下述优化目标,并结合鲁棒滤波器存在的充分条件⑽-⑿,解出滤波器参数。然而,由于第四步所得鲁棒滤波器存在的充分条件为双线性问题,目前的电脑软件尚且无法求解此类问题,于是,本发明方法通过一个迭代算法,将耦合非线性项解耦,将其转化为可解的线性规划问题,具体包括以下步骤:
5.1)为了在增强鲁棒性的同时获得尽可能高的故障灵敏度,需要考虑带约束的优化目标:其约束为所述第四步具有高灵敏度的鲁棒滤波器存在的充分条件,且ν=[ν1 T,ν2 T]T,μ=[μ1 T,μ2 T]T,
即表示为,带约束的优化目标:
s.t.⑽-⑿.
其中:v1,v2和μ1,μ2分别为v和μ向量的一部分,且分别表示式⑾和⑿中的决策变量,即,v=[v1 T,v2 T]T,μ=[μ1 T,μ2 T]T,且ν1>0,ν2>0,μ1<0,μ2<0。该优化目标表明,未知干扰对残差的影响应达到最小,同时残差因故障产生的幅值上升应达到最大,从而实现抗干扰的同时又能有效检测出微小故障;
5.2)由于所述第四步具有高灵敏度的鲁棒滤波器存在的充分条件求解为双线性问题,则采用一种迭代算法,将耦合的参数进行解耦,从而将双线性问题转化为线性规划问题,并利用YALMIP工具箱解出所需的滤波器参数;
为了将式⑽-⑿中的非线性项进行解耦,采用如下迭代算法:
①设变量κ=1,其中,κ表示参数处于第κ步迭代,找到使增广系统⑶为正系统且稳定的初始滤波器参数(L+)1,(L-)1,即,求解以下线性规划问题:
v1>0,v2>0,
②固定(L+)κ,(L-)κ,最小化满足下列约束条件的γκ-βκ:
③固定最小化满足下列约束条件的γκ-βκ:
可解出最优的滤波器参数(L+)κ,(L-)κ。
④将前后两次所得γ-β的值作对比,如果|(γκ-βκ)-(γκ-1-βκ-1)|≤∈(∈为给定充分小的正数),则停止迭代,此时的滤波器参数即为所求;否则,设置κ:=κ+1,(L+)κ:=(L+)κ-1,(L-)κ:=(L-)κ-1,再返回步骤②。
至此,完成了兼有鲁棒性和故障灵敏度的滤波器设计,且本发明方法对于上下界信息已知的参数不确定系统均适用。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.基于鲁棒滤波器的正线性网络控制系统故障检测方法,其特征在于,包括如下步骤:
第一步,设定正线性网络控制系统的离散模型,并由此设计相应的鲁棒滤波器;
第二步,结合离散模型和所设计的滤波器,建立增广系统,从而生成残差;
第三步,选择适当的残差评价函数和阈值,并给出故障检测方案;
第四步,利用不确定参数的上下界信息,导出该增广系统为正系统,稳定、且满足l1/l-,即鲁棒性/故障灵敏度性能的充分条件;
第五步,利用迭代算法解出目标滤波器参数。
2.根据权利要求1所述基于鲁棒滤波器的正线性网络控制系统故障检测方法,其特征在于,以上下界已知的不确定参数矩阵描述正线性控制系统的不确定性,则所述第一步中,正线性网络控制系统离散模型为:
其中,A,Ad,E,F,C,Cd,G,H均为非负矩阵,表示系统(1)的参数矩阵,且 其中,下横线和上横线分别表示相应矩阵的下界和上界,A,分别表示矩阵A的下界和上界,Ad ,分别表示矩阵Ad的下界和上界,E,分别表示矩阵E的下界和上界,F,分别表示矩阵F的下界和上界,C,分别表示矩阵C的下界和上界,Cd ,分别表示矩阵Cd的下界和上界,G,分别表示矩阵G的下界和上界,H,分别表示矩阵H的下界和上界;其中:x(k)表示系统状态,表示nx维空间,即系统状态属于nx维空间,其中:w(k)表示干扰输入,表示nw维空间,即干扰输入属于nw维空间,其中:f(k)表示故障信号,表示nf维空间,即故障信号属于nf维空间,表,其中:y(k)表示测量输出,表示ny维空间,即测量输出属于ny维空间;状态方程中的故障称为过程故障,而输出方程中的则为传感器故障;k表示时刻,d代表网络中存在的时滞,x(θ)、Ф(θ)是系统的初始状态,基于上述给定离散模型(1),设计如下滤波器:
其中,xo(k)、yo(k)分别为滤波器系统的状态和输出,xo(θ)表示滤波器系统的初始状态,L为待定滤波器增益矩阵。
3.根据权利要求2所述基于鲁棒滤波器的正线性网络控制系统故障检测方法,其特征在于,定义误差e(k)=x(k)-xo(k),残差r(k)=y(k)-yo(k),增广向量ξ(k)=[xT(k) eT(k)]T,其中,上标T表示转置,得到所述第二步中的增广系统:
其中,Aξ,Aξd,Eξ,Fξ,Cξ,Cξd,Gξ,Hξ为增广系统的参数矩阵,当这些参数矩阵均为非负,则此系统为正系统;ψ(θ)为增广系统的初始状态;增广正系统满足l1/l-性能,即鲁棒性/故障灵敏度的充分条件分别如下:
其中,sup表示上确界,inf为下确界,||■||1表示向量的一范数,∞表示无穷大;γ和β为两个给定正数,分别代表l1和l-性能指标。
5.根据权利要求1所述基于鲁棒滤波器的正线性网络控制系统故障检测方法,其特征在于,所述第四步中,设L=L+-L-,L+为滤波器增益矩阵中正数位置元素不变,其余位置为0的矩阵,L-为滤波器增益矩阵中负数位置元素取其绝对值,其余位置为0的矩阵;由此得知,L+,L-所有元素均为非负,表示为L+≥0,L-≥0;由于其中的增广系统(3)为正系统,稳定且满足l1性能,以及l-性能的充分条件为:
Aξ≥0,Aξd≥0,Eξ≥0,Fξ≥0,
Cξ≥0,Cξd≥0,Gξ≥0,Hξ≥0, (4)
A ξ≥0,A ξd≥0,E ξ≥0,F ξ≥0,
C ξ≥0,C ξd≥0,G ξ≥0,H ξ≥0, (7)
7.根据权利要求6所述基于鲁棒滤波器的正线性网络控制系统故障检测方法,其特征在于,所述步骤5.2)中,迭代算法包括以下步骤:
①设变量κ=1,其中,κ表示参数处于第κ步迭代,找到使增广系统(3)为正系统且稳定的初始滤波器参数(L+)1,(L-)1,即求解以下线性规划问题:
②固定(L+)κ,(L-)κ,最小化满足下列约束条件的γκ-βκ:
解出最优的滤波器参数(L+)κ,(L-)κ。
④将前后两次所得γ-β的值作对比,若|(γκ-βκ)-(γκ-1-βκ-1)|≤∈,其中∈为给定充分小的正数,则停止迭代,此时的滤波器参数即为所求;否则,设置κ:=κ+1,(L+)κ:=(L+)κ-1,(L-)κ:=(L-)κ-1,再返回步骤②。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915394.6A CN110727196B (zh) | 2019-09-26 | 2019-09-26 | 基于鲁棒滤波器的正线性网络控制系统故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915394.6A CN110727196B (zh) | 2019-09-26 | 2019-09-26 | 基于鲁棒滤波器的正线性网络控制系统故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110727196A true CN110727196A (zh) | 2020-01-24 |
CN110727196B CN110727196B (zh) | 2021-09-17 |
Family
ID=69219489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910915394.6A Active CN110727196B (zh) | 2019-09-26 | 2019-09-26 | 基于鲁棒滤波器的正线性网络控制系统故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110727196B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113641102A (zh) * | 2021-08-10 | 2021-11-12 | 杭州电子科技大学 | 城市轨道交通车站正系统建模与混杂滤波器设计方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1789073A1 (en) * | 2004-09-14 | 2007-05-30 | Nexcell Biosciences Inc. | Isolation of growth and differentiating factors from colostrum |
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 |
CN103676646A (zh) * | 2013-12-29 | 2014-03-26 | 哈尔滨理工大学 | 一种具有随机发生的不确定性和分布式传感器时滞的网络化控制系统的状态估计方法 |
CN103941725A (zh) * | 2014-04-24 | 2014-07-23 | 淮海工学院 | 一种非线性网络控制系统的故障诊断方法 |
CN107070734A (zh) * | 2016-12-29 | 2017-08-18 | 湖州师范学院 | 一种网络控制系统故障检测方法 |
CN107329083A (zh) * | 2017-07-28 | 2017-11-07 | 南京航空航天大学 | 针对高速列车牵引电机非线性系统传感器的故障诊断方法 |
CN109507886A (zh) * | 2018-12-26 | 2019-03-22 | 南京航空航天大学 | 针对时滞不确定性系统执行器故障的鲁棒预测容错控制方法 |
CN110262245A (zh) * | 2019-07-02 | 2019-09-20 | 南京理工大学 | 基于事件触发机制的多智能体系统的控制器设计方法 |
EP3640822A1 (en) * | 2017-06-14 | 2020-04-22 | Mitsubishi Electric Corporation | State estimation device |
-
2019
- 2019-09-26 CN CN201910915394.6A patent/CN110727196B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1789073A1 (en) * | 2004-09-14 | 2007-05-30 | Nexcell Biosciences Inc. | Isolation of growth and differentiating factors from colostrum |
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 |
CN103676646A (zh) * | 2013-12-29 | 2014-03-26 | 哈尔滨理工大学 | 一种具有随机发生的不确定性和分布式传感器时滞的网络化控制系统的状态估计方法 |
CN103941725A (zh) * | 2014-04-24 | 2014-07-23 | 淮海工学院 | 一种非线性网络控制系统的故障诊断方法 |
CN107070734A (zh) * | 2016-12-29 | 2017-08-18 | 湖州师范学院 | 一种网络控制系统故障检测方法 |
EP3640822A1 (en) * | 2017-06-14 | 2020-04-22 | Mitsubishi Electric Corporation | State estimation device |
CN107329083A (zh) * | 2017-07-28 | 2017-11-07 | 南京航空航天大学 | 针对高速列车牵引电机非线性系统传感器的故障诊断方法 |
CN109507886A (zh) * | 2018-12-26 | 2019-03-22 | 南京航空航天大学 | 针对时滞不确定性系统执行器故障的鲁棒预测容错控制方法 |
CN110262245A (zh) * | 2019-07-02 | 2019-09-20 | 南京理工大学 | 基于事件触发机制的多智能体系统的控制器设计方法 |
Non-Patent Citations (3)
Title |
---|
MEI XIANG等: "《Robustfaultdetectionforswitchedpositivelinearsystems》", 《ISA TRANSACTIONS》 * |
李晓航等: "《延迟不确定马尔科夫跳变系统的执行器和传感器故障同时估计方法》", 《自动化学报》 * |
蒋靖雯等: "《l1/l_filter-based fault detection for positive markov jump linear systems with time delay》", 《IEEE ACCESS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113641102A (zh) * | 2021-08-10 | 2021-11-12 | 杭州电子科技大学 | 城市轨道交通车站正系统建模与混杂滤波器设计方法 |
CN113641102B (zh) * | 2021-08-10 | 2024-01-30 | 杭州电子科技大学 | 城市轨道交通车站正系统建模与混杂滤波器设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110727196B (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Multi-sensor distributed fusion estimation with applications in networked systems: A review paper | |
Shen et al. | An improved result on sampled-data synchronization of Markov jump delayed neural networks | |
CN110209148B (zh) | 一种基于描述系统观测器的网络化系统的故障估计方法 | |
Fang et al. | Fault diagnosis of networked control systems | |
CN111158343B (zh) | 一种针对带有执行器和传感器故障的切换系统的异步容错控制方法 | |
Pang et al. | Data-based predictive control for networked nonlinear systems with packet dropout and measurement noise | |
Wang et al. | Simultaneous fault detection and control for uncertain linear discrete-time systems | |
CN108959808B (zh) | 一种基于传感器网络的优化分布式状态估计方法 | |
Qi et al. | Stable indirect adaptive control based on discrete-time T–S fuzzy model | |
CN112067925B (zh) | 一种针对升压变换器电路的实时加权故障检测方法 | |
Tao et al. | Filtering of T–S fuzzy systems with nonuniform sampling | |
Wang et al. | Autonomous switched control of load shifting robot manipulators | |
Wang et al. | Event-triggered decentralized output-feedback control for interconnected nonlinear systems with input quantization | |
WO2022257185A1 (zh) | 一种基于人工神经网络的机器人外界接触力估计方法 | |
CN114114928A (zh) | 一种压电微定位平台的固定时间自适应事件触发控制方法 | |
Zhang et al. | Reduced-order fault detection filter design for fuzzy semi-Markov jump systems with partly unknown transition rates | |
Ma et al. | Distributed fusion filter for asynchronous multi-rate multi-sensor non-uniform sampling systems | |
CN111459031A (zh) | 一种面向学习的扰动观测器设计方法 | |
CN110727196B (zh) | 基于鲁棒滤波器的正线性网络控制系统故障检测方法 | |
Hongwei et al. | Fuzzy modeling of multirate sampled nonlinear systems based on multi-model method | |
CN113159647B (zh) | 一种基于delta算子的二级化学反应器故障估计方法 | |
Hua et al. | $ H_ {\infty} $ Filtering for Discrete-Time Periodic Markov Jump Systems With Quantized Measurements: A New Packet Loss Compensation Strategy | |
Tao et al. | Filtering of two-dimensional periodic Roesser systems subject to dissipativity | |
KR20160056068A (ko) | Mr-댐퍼가 있는 콘크리트 구조물의 비선형 움직임을 예측하기 위한 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템 | |
CN115933413A (zh) | 一种针对网络控制系统的基于预设性能的自适应反演滑模控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |