CN110879587A - 一种基于凸多胞型理论的自触发传输系统的故障检测方法 - Google Patents
一种基于凸多胞型理论的自触发传输系统的故障检测方法 Download PDFInfo
- Publication number
- CN110879587A CN110879587A CN201911231067.5A CN201911231067A CN110879587A CN 110879587 A CN110879587 A CN 110879587A CN 201911231067 A CN201911231067 A CN 201911231067A CN 110879587 A CN110879587 A CN 110879587A
- Authority
- CN
- China
- Prior art keywords
- formula
- equation
- self
- fault detection
- fault
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 230000005540 biological transmission Effects 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims description 22
- 230000001960 triggered effect Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 16
- 238000010586 diagram Methods 0.000 description 6
- 239000007788 liquid Substances 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 241000207961 Sesamum Species 0.000 description 2
- 235000003434 Sesamum indicum Nutrition 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G05B23/0254—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 quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (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凸多胞型理论解决带有自触发传输机制系统的故障检测方法,包括:步骤一,建立含有干扰输入和故障的连续系统模型并对其离散化;步骤二,设计故障检测滤波器,推导得出状态估计误差系统;步骤三,利用凸多胞型理论处理误差系统,定义随机稳定和H_/H∞性能约束;步骤四:求解线性矩阵不等式,得到故障检测滤波器参数;步骤五,设计自触发传输机制;步骤六,将上面步骤中所求得的参数代入故障检测滤波器进行故障检测。
Description
技术领域
本发明涉及系统数学模型已知的,例如三容水箱系统、电力系统等的故障诊断领域,具体的说,涉及一种基于凸多胞型理论解决带有自触发传输机制系统的故障检测方法。
背景技术
随着现代技术的不断发展,现代工业系统越来越复杂并且造价十分高昂,一旦系统发生故障,不但会造成巨大经济损失,甚至会危及工作人员生命安全。这就要求系统具有更高的安全性、稳定性和可靠性。故障诊断技术在工业生产中发挥着越来越重要的作用,并且许多研究及生产实践表明,故障诊断技术具有非常重要的现实意义。
在网络化控制系统中,由于带宽的限制,数据传输会受到一定的限制。为了提高实际系统的数据传输效率,系统往往采用事件触发传输机制,传统的时钟触发机制在每一个采样时刻都会把当前的测量输出传输到滤波器中,与传统的时钟触发机制不同的是,事件触发机制只有当前的测量输出满足一定的触发条件时才会被传输到滤波器中,传统的事件触发传输策略需要外接硬件电路来判断触发条件是否满足,自触发传输机制不同于传统的事件触发机制的地方在于自触发机制不需要外接硬件电路,降低了成本,在不改变故障检测性能的条件下,大大降低传输频率,从而可以减少系统的能量消耗延长设备使用寿命。然而,现有的方法并不能对基于自触发传输机制含有干扰输入和故障的系统进行很好的故障检测。因此,如何对具有自触发传输机制,且受干扰输入和故障影响的系统进行故障检测是当前急需解决的问题。
发明内容
为了解决上述问题,本发明提供了一种基于凸多胞型理论的自触发传输机制系统的故障检测方法,其具体的技术方案如下:
一种基于凸多胞型理论的自触发传输系统的故障检测方法,其特征在于包含以下步骤:
步骤(一)建立含有干扰输入和故障的连续系统模型并对其离散化;
所述连续系统模型表征为式(1):
其中:x(t)为状态向量,y(t)为测量输出,u(t)为控制输入,d(t)为未知干扰输入,f(t)为被检测的故障,其可以是执行器故障,也可以是传感器故障或系统故障,d(t),f(t)为能量有界的信号,A,B,C,D,E,F,为已知的具有适当维数的常数矩阵,并且(A,C)是可观测的;
采用自触发采样机制,表征为式(2):
λk=tk+1-tk∈[λminλmax] (2)
其中:参数λmin,λmax为需要设计的采样间隔下界和上界;
将上述式(1)所示的连续系统模型在采样时刻tk处离散化,得到如式(3)所示的离散系统模型:
步骤(二)设计故障检测滤波器,推导得出状态估计误差系统;
将所述故障检测滤波器构造为式(4)所示:
步骤(三)利用凸多胞型理论处理误差系统,定义随机稳定和H_/H∞性能约束;
其中多胞型顶点表示为式(8):
权重参数表示为式(9):
根据式(7),将式(6)表示的误差系统表示为式(10):
其中:||x||代表向量x的欧几里得范数;
残差信号对干扰具有鲁棒性,即,对所有的非零干扰dk∈l2[0,∞)和故障fk∈l2[0,∞),在零初始条件下,式(13)、(14)所示的H-/H∞性能约束成立:
其中:γ,δ为给定常数;
残差评价函数Jk和阈值Jth由式(15)表示:
其中:l为评估时间步长。
根据Jk和Jth,可由下面所示的检测逻辑判断系统是否发生故障:
步骤(四)求解线性矩阵不等式,得到故障检测滤波器参数;
构造式(16)所示的线性矩阵不等式:
其中:Φ2=-diag{ε1,ε2},Φ3=-diag{ε1,ε3},η为给定常数,ε1,ε2,ε3>0为未知常数,用MATLAB中的YALMIP工具箱求解(16)式,得到K由计算得到,上标-1表示矩阵的逆;
步骤(五)设计自触发传输机制;
构造基于自触发传输机制李亚普诺夫函数如式(17)所示:
V(ζx(t))≤V(x)e-θt, (17)
令
则得到如(18)式所示的自触发条件,如果(20)式成立,则没有对输出采样,否则立即对其采样;
定义
引理1:由(22)式生成的内部间隔时间存在下界为:
步骤(六)将上面所求得的参数代入故障检测滤波器进行故障检测;
给定式(1)所述的连续系统模型已知系数矩阵;给出闭环系统理想极点,求出控制器增益;根据引理1,合理选择θ,λmin,λmax,Δ的值;求解如(11)式所示的优化问题,得到βA,βB,βD的值;给定h,γ,η,通过求解如(16)式所示的线性矩阵不等式,得到故障检测滤波器参数;给定系统初值,滤波器初值,干扰和故障的具体形式;将求解的参数代入到滤波器中,从而可以实现故障检测。
与现有技术相比,本发明的有益效果在于:本发明提供的自触发传输系统的基于凸多胞型理论的故障检测方法,考虑了含有未知输入干扰和故障的连续系统模型,凸多胞型理论可以处理系统中的时变参数矩阵,使故障检测问题更容易解决,同时将自触发传输机制应用到本发明中,自触发传输机制不同于传统的事件触发机制的地方在于自触发机制不需要外接硬件电路,降低了成本,在不改变故障检测性能的条件下,大大降低数据传输频率,从而可以减少系统的能量消耗延长设备使用寿命,有效保障了实际应用需求。
附图说明
图1为本发明实施例提供的一种故障检测方法流程图;
图2为本发明实施例提供的DTS200三容水箱系统实物图;
图3为本发明实施例提供的残差信号图;
图4为本发明实施例提供的残差评价函数图;
图5为本发明实施例提供的输出采样时刻图。
具体实施方式
为了更清楚地描述本发明实施例的技术方案和优点,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更详细地说明。
参见图1,本发明提供了一种基于凸多胞型理论的自触发传输系统的故障检测方法,含有以下步骤:
步骤一:考虑含有未知输入干扰和故障的连续系统模型并对其离散化;
考虑如下式所示的连续系统模型:
其中:x(t)为状态向量,y(t)为测量输出,u(t)为控制输入。d(t)为未知干扰输入,f(t)为被检测的故障,d(t),f(t)是l2范数有界的。A,B,C,D,E,F,为已知的具有适当维数的常数矩阵,并且(A,C)是可观测的。
在自触发采样机制中,采样间隔是时变的、非均匀的,但是同时采样间隔是有界的,也就是说:
λk=tk+1-tk∈[λmin λmax] (2)
其中:参数λmin,λmax为需要设计的采样间隔下界和上界。
一般来说,在采样系统中,故障检测滤波器应该在离散时间域运行。首先,将系统(1)在采样时刻tk处离散化,我们可以得到如下式所示的离散系统模型:
步骤二:设计故障检测滤波器,推导得出状态估计误差系统;
在自触发采样机制下,滤波器检测故障是实时的,也就是说,当自触发采样输出y(tk)传输到滤波器的同时滤波器能够得到状态估计值和残差信号,只有这样,自触发采样机制才能没有时滞的确定下一个采样时刻。因此,构造如下式所示的故障检测滤波器:
由(7)式,误差系统(6)可以表示为:
其中:||x||代表向量x的欧几里得范数。
残差信号对干扰具有鲁棒性,也就是说,对所有的非零干扰dk∈l2[0,∞)和故障fk∈l2[0,∞),在零初始条件下下式所示的H-/H∞性能约束成立:
其中:γ,δ为给定常数。
另外,残差评价函数Jk和阈值Jth由下式给出:
其中:l为评估时间步长。
根据Jk和Jth,可以由下式所示的检测逻辑判断系统是否发生故障:
步骤四:求解线性矩阵不等式,得到故障检测滤波器参数;
构造如下所示的线性矩阵不等式:
其中:Φ2=-diag{ε1,ε2},Φ3=-diag{ε1,ε3},η为给定常数,ε1,ε2,ε3>0为未知常数,用MATLAB中的YALMIP工具箱求解(16)式,则可以直接得到K可以由计算得到,上标-1表示矩阵的逆。
步骤五:设计自触发传输机制;
为了线性闭环系统在受到干扰和故障的影响下能够保证指数输入状态稳定,构造基于自触发传输机制李亚普诺夫函数如下式所示:
V(ζx(t))≤V(x)e-θt, (17)
在本发明中,自触发传输机制利用的是状态估计信息而不是状态本身信息,因此,(17)式不可以直接使用,改进版本的自触发条件如下式所示:
令
则可以得到如(18)式所示的自触发条件,如果(20)式成立,则没有对输出采样,否则立即对其采样。
定义
引理1:由(22)式生成的内部间隔时间存在下界为:
步骤六:将求得的参数代入故障检测滤波器进行故障检测;
给定系统(1)已知系数矩阵;给出闭环系统理想极点,求出控制器增益;根据引理1,合理选择θ,λmin,λmax,Δ的值;求解如(11)式所示的优化问题,得到βA,βB,βD的值;给定h,γ,η,通过求解如(16)式所示的线性矩阵不等式,得到故障检测滤波器参数;给定系统初值,滤波器初值,干扰和故障的具体形式;将求解的参数代入到滤波器中,从而可以实现故障检测。
实施例:德国Amira自动化公司生产的DTS200三容水箱系统为多输入多输出非线性实验系统,三容水箱实物图如图2所示。实验平台包括三个圆柱形的玻璃水箱,从右往左依次为水箱2、3、1,任意两个水箱之间通过装有球阀的连接管连接,水箱2与底部蓄水池相连接,其中的水可以直接通过连接管流向蓄水池,蓄水池中的水则可以直接利用泵1和泵2进入水箱1和水箱2,差压变送器用来测量各水箱的液位,泵1、2可以用来控制水箱1、2的液位,水箱3的液位不予控制。可以通过人为控制阀门开合、调节水箱控制器面板增益旋钮、调节观测增益旋钮分别模拟泄漏故障、执行器增益故障和传感器增益故障。
对该三容水箱系统建模,首先定义如下所示的变量和参数:
zi:流量系数,水箱液位(单位:m),Qij:流量(单位:m3/s),Q1,Q2:补给流量(单位:m3/s),S:水箱横截面积(单位:m2),连接管道横截面积(单位:m2),i=1,2,3(i,j)∈{(1,3),(3,2),(2,0)}.
分别对三个水箱建立平衡方程,如下式所示:
未知量Q13,Q32,Q20可以由下式确定
由此可得
定义以下变量:
则系统模型(23)可以转化成
三容水箱系统参数如下所示:
将系统(24)在平衡点线性化,并在此基础上以T=1s离散化,同时考虑干扰和故障,可以得到如下所示的系统模型参数:
闭环系统极点设置为:{-1.0+0.5i,-1.0-0.5i,-0.5},我们可以得到控制器增益:
当衰减率为θ=0.048,根据引理1,我们选择λmin=0.01,λmax=0.5,Δ=0.01。当h=4时由(11)可以求得上界βA=5.0×10-4,βB=1.731×10-8,βD=6.81×10-9。设γ=0.5,η=17.56,通过求解线性矩阵不等式(16),我们可以得到故障检测滤波器参数:
M=[0.5064 -0.0003].
故障的具体形式为:
根据蒙特卡洛的方法,我们选择故障发生阈值为Jth=0.2047。
残差曲线如图3所示,当系统只受到干扰影响而没有发生故障时,残差信号在零附近缓慢变化;当系统发生故障时,残差信号发生剧烈变化,因此可以检测出系统发生了故障。由于系统存在干扰,我们设计残差评价函数来确定故障发生时刻,残差评价函数曲线如图4所示,由图4我们可以得到J18<Jth<J19,因此可以确定在19时刻发生了故障。由于本发明采用了自触发传输机制,输出采样时刻图如图5所示,可以在不改变故障检测性能的条件下,大大降低传输频率。综上所述,该实施例验证了本发明所提出故障检测方法的有效性。
以上所举的具体实施例,为本发明的目的、技术方案和有效性进行了详细地说明,应当提出的是,以上所举实施例仅用来方便举例说明本发明的有效性,并非对发明保护范围的限制,在本发明所述技术方案范围内,所做的任何等同替换、修改等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于凸多胞型理论的自触发传输系统的故障检测方法,该方法用于三容水箱系统或电力系统的故障检测,其特征在于,包含以下步骤:
步骤(一),建立含有干扰输入和故障的连续系统模型并对其离散化;
步骤(二),设计故障检测滤波器,推导得出状态估计误差系统;
步骤(三),利用凸多胞型理论处理误差系统,定义随机稳定和H_/H∞性能约束;
步骤(四),求解线性矩阵不等式,得到故障检测滤波器参数;
步骤(五),设计自触发传输机制;
步骤(六),将上面所求得的参数代入故障检测滤波器进行故障检测。
2.根据权利要求1所述的一种基于凸多胞型理论的一类自触发传输系统的故障检测方法,其特征在于,步骤(一)中:
所述连续系统模型表征为式(1):
其中:x(t)为状态向量,y(t)为测量输出,u(t)为控制输入,d(t)为未知干扰输入,f(t)为被检测的故障,其可以是执行器故障,也可以是传感器故障或系统故障,d(t),f(t)为能量有界的信号,A,B,C,D,E,F,为已知的具有适当维数的常数矩阵,并且(A,C)是可观测的;
采用表征为式(2)的自触发采样机制:
λk=tk+1-tk∈[λminλmax] (2)
其中:参数λmin,λmax为需要设计的采样间隔下界和上界;
将上述式(1)所示的连续系统模型在采样时刻tk处离散化,得到如式(3)所示的离散系统模型:
4.根据权利要求3所述的一种基于凸多胞型理论的一类自触发传输系统的故障检测方法,其特征在于,步骤(三)中:
其中多胞型顶点表示为式(8):
权重参数μi(λk)表示为式(9):
根据式(7),将式(6)表示的误差系统表示为式(10):
其中:||x||代表向量x的欧几里得范数;
残差信号对干扰具有鲁棒性,即,对所有的非零干扰dk∈l2[0,∞)和故障fk∈l2[0,∞),在零初始条件下,式(13)、(14)所示的H-/H∞性能约束成立:
其中:γ,δ为给定常数;
残差评价函数Jk和阈值Jth由式(15)表示:
其中:l为评估时间步长;
根据Jk和Jth,可由下面所示的检测逻辑判断系统是否发生故障:
6.根据权利要求5所述的一种基于凸多胞型理论的一类自触发传输系统的故障检测方法,其特征在于,步骤(五)中:
构造基于自触发传输机制李亚普诺夫函数如式(17)所示:
V(ζx(t))≤V(x)e-θt, (17)
令
则得到如(18)式所示的自触发条件,如果(20)式成立,则没有对输出采样,否则立即对其采样;
引理1:由(22)式生成的内部间隔时间存在下界为:
其中:
7.根据权利要求6所述的一种基于凸多胞型理论的一类自触发传输系统的故障检测方法,其特征在于,步骤(六)中所述的检测过程包括:
S1:给定式(1)所述的连续系统模型已知系数矩阵;
S:给出闭环系统理想极点,求出控制器增益;
S3:根据引理1,选择θ,λmin,λmax,Δ的值;
S4:求解如(11)式所示的优化问题,得到βA,βB,βD的值,给定h,γ,η,通过求解如(16)式所示的线性矩阵不等式,得到故障检测滤波器参数;
S5:给定式(1)所述的连续系统初值、式(4)所述的滤波器初值、干扰和故障的具体形式;
S6:将所求解得到的参数代入到式(4)所述的滤波器中,实现对故障的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911231067.5A CN110879587B (zh) | 2019-12-05 | 2019-12-05 | 一种基于凸多胞型理论的自触发传输系统的故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911231067.5A CN110879587B (zh) | 2019-12-05 | 2019-12-05 | 一种基于凸多胞型理论的自触发传输系统的故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110879587A true CN110879587A (zh) | 2020-03-13 |
CN110879587B CN110879587B (zh) | 2021-07-23 |
Family
ID=69730338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911231067.5A Active CN110879587B (zh) | 2019-12-05 | 2019-12-05 | 一种基于凸多胞型理论的自触发传输系统的故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110879587B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112099351A (zh) * | 2020-09-03 | 2020-12-18 | 西北工业大学 | 一种基于中心对称多面体的分布式故障诊断方法 |
Citations (5)
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 |
KR101490637B1 (ko) * | 2013-12-24 | 2015-02-05 | 주식회사 포스코 | 고장 진단기 및 고장 진단 방법 |
CN108799012A (zh) * | 2018-06-11 | 2018-11-13 | 江南大学 | 基于改进多胞型观测方法的风力机桨距执行器故障诊断方法 |
CN109474472A (zh) * | 2018-12-03 | 2019-03-15 | 江南大学 | 一种基于全对称多胞体滤波的故障检测方法 |
CN109901395A (zh) * | 2019-03-22 | 2019-06-18 | 杭州电子科技大学 | 异步系统的自适应容错控制方法 |
-
2019
- 2019-12-05 CN CN201911231067.5A patent/CN110879587B/zh active Active
Patent Citations (5)
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 |
KR101490637B1 (ko) * | 2013-12-24 | 2015-02-05 | 주식회사 포스코 | 고장 진단기 및 고장 진단 방법 |
CN108799012A (zh) * | 2018-06-11 | 2018-11-13 | 江南大学 | 基于改进多胞型观测方法的风力机桨距执行器故障诊断方法 |
CN109474472A (zh) * | 2018-12-03 | 2019-03-15 | 江南大学 | 一种基于全对称多胞体滤波的故障检测方法 |
CN109901395A (zh) * | 2019-03-22 | 2019-06-18 | 杭州电子科技大学 | 异步系统的自适应容错控制方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112099351A (zh) * | 2020-09-03 | 2020-12-18 | 西北工业大学 | 一种基于中心对称多面体的分布式故障诊断方法 |
CN112099351B (zh) * | 2020-09-03 | 2022-09-30 | 西北工业大学 | 一种基于中心对称多面体的分布式故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110879587B (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Dam monitoring data analysis methods: A literature review | |
Mao et al. | H∞ fault detection filter design for networked control systems modelled by discrete Markovian jump systems | |
CN108445759B (zh) | 一种传感器饱和约束下网络化系统的随机故障检测方法 | |
CN110908364B (zh) | 一种基于鲁棒区间估计的故障检测方法 | |
Gao et al. | Fault estimation and fault-tolerant control for descriptor systems via proportional, multiple-integral and derivative observer design | |
CN108227676A (zh) | 阀控缸电液伺服系统在线故障检测、估计及定位方法 | |
CN109827629B (zh) | 一种城市河道水位的分布式可靠性估计方法 | |
Ren et al. | Fault diagnosis and tolerant control for discrete stochastic distribution collaborative control systems | |
Liu et al. | State estimation and fault reconstruction with integral measurements under partially decoupled disturbances | |
Atitallah et al. | Event‐triggered fault detection for networked control systems subject to packet dropout | |
CN110955231A (zh) | 基于鲁棒观测器的卫星姿控系统微小故障检测方法 | |
CN109977627B (zh) | 一种网络化多传感器融合故障检测方法 | |
CN109270835A (zh) | 大时滞系统的预测智慧pi控制方法 | |
CN109309593B (zh) | 一种基于Round-Robin协议的网络化系统的故障检测方法 | |
CN105843043B (zh) | 一种电液负载模拟装置自适应鲁棒力控制方法 | |
CN102436176A (zh) | 基于神经网络的微陀螺仪控制系统 | |
CN110879587B (zh) | 一种基于凸多胞型理论的自触发传输系统的故障检测方法 | |
Gai et al. | Dynamic Event-Triggered Hᵢ/H∞ Optimization Approach to Fault Detection for Unmanned Aerial Vehicles | |
Hu et al. | Real-time leak location of long-distance pipeline using adaptive dynamic programming | |
Zhu et al. | Fault detection for a class of linear systems with integral measurements | |
Savchenko et al. | Complete diagnosability of abrupt faults using set-based sensitivities | |
Gao et al. | A robust fault detection filtering for stochastic distribution systems via descriptor estimator and parametric gain design | |
CN106015948A (zh) | 一种长输油管道泄漏点快速准确定位的方法及装置 | |
CN111708350A (zh) | 一种工业控制系统隐蔽性虚假数据注入攻击方法 | |
Bi et al. | ELM‐Assisted Particle Filter for INS/UWB‐Integrated Quadrotor Positioning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |