CN111142503B - 一种基于迭代学习观测器的故障诊断方法及诊断系统 - Google Patents

一种基于迭代学习观测器的故障诊断方法及诊断系统 Download PDF

Info

Publication number
CN111142503B
CN111142503B CN201911389482.3A CN201911389482A CN111142503B CN 111142503 B CN111142503 B CN 111142503B CN 201911389482 A CN201911389482 A CN 201911389482A CN 111142503 B CN111142503 B CN 111142503B
Authority
CN
China
Prior art keywords
state
iterative learning
output
fault diagnosis
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.)
Active
Application number
CN201911389482.3A
Other languages
English (en)
Other versions
CN111142503A (zh
Inventor
王友清
封学欣
刘盈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN201911389482.3A priority Critical patent/CN111142503B/zh
Publication of CN111142503A publication Critical patent/CN111142503A/zh
Application granted granted Critical
Publication of CN111142503B publication Critical patent/CN111142503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明属于故障诊断技术领域，公开了一种基于迭代学习观测器的故障诊断方法及诊断系统，定义一个二维模糊模型，其分别是对时间轴和批次轴的演化；建立经过轮询调度协议后输出的数学表达式；将轮询调度协议的输出与原系统的状态组成增广系统的状态；对增广系统建立迭代学习观测器进行故障、状态的估计。本发明利用迭代学习观测器对故障进行估计，通过对输出误差的不断迭代，达到对故障更精确的估计，从而对系统状态有着更好的估计性能。考虑到轮询调度协议具有周期性，而迭代学习策略能够很好的挖掘周期信息，因此本发明设计迭代学习观测器对系统进行故障诊断，从而可以得到更精确的故障诊断结果。

Description

一种基于迭代学习观测器的故障诊断方法及诊断系统
技术领域
本发明属于故障诊断技术领域，尤其涉及一种基于迭代学习观测器的故障诊断方法及诊断系统。
背景技术
目前，最接近的现有技术：传统观测器对含有轮询调度(Round-Robin)协议系统的故障诊断方法面临故障估计不准确的挑战。绝大多数情况下，由于系统中噪声、不确定性的存在，传统的观测器对系统的状态和故障的估计往往不准确。现有的传统观测器的故障诊断方法(如龙伯格观测器、未知输入观测器等)在噪声、系统不确定性存在时，对状态和故障的估计效果就会受到很大的影响。本发明专利首先利用迭代学习观测器对故障进行估计，通过对输出误差的不断迭代，达到对故障更精确的估计，从而对系统状态有着更好的估计性能。考虑到轮询调度协议具有周期性，而迭代学习策略能够很好的挖掘周期信息，因此本发明设计迭代学习观测器对系统进行故障诊断，从而可以得到更精确的故障诊断结果。
综上所述，现有技术存在的问题是：现有的传统观测器的故障诊断方法(如龙伯格观测器、未知输入观测器等)在噪声、系统不确定性存在时，对状态和故障的估计效果就会受到很大的影响。
解决上述技术问题的难度：因为引用迭代学习观测器的方法，需要将传统的一维系统转化为二维系统，在稳定性证明方面与一维系统有着一定的差别，并且需要找到一个合理的迭代次数使观测器有着不错的估计效果。
解决上述技术问题的意义：轮询调度协议具有周期性，而迭代学习策略可以很好的挖掘周期信息，利用这个方法，可以对含有轮询调度协议的T-S模糊系统的故障有着良好的估计，并且可以对系统状态有着进一步的估计。
发明内容
针对现有技术存在的问题，本发明提供了一种基于迭代学习观测器的故障诊断方法及诊断系统。
本发明是这样实现的，一种基于迭代学习观测器的故障诊断方法，所述故障诊断方法包括以下步骤：
步骤一，定义一个二维模糊模型，其分别是对时间轴和批次轴的演化；
步骤二，建立经过轮询调度协议后输出的数学表达式；
步骤三，将轮询调度协议的输出与原系统的状态组成增广系统的状态；
步骤四，对增广系统建立迭代学习观测器进行故障、状态的估计。
进一步，步骤一中，所述二维模糊模型为：
Figure BDA0002344563400000027
其中，k是迭代次数，g1,...,gj为前件变量，
Figure BDA0002344563400000022
为模糊集合，Aci、Bci、Cc为系统矩阵，x(t,k)、u(t,k)、y(t,k)表示系统的状态、输入和输出，f(t,k)表示故障控制输入，w(t,k)表示噪声。
进一步，步骤二中，所述建立经过轮询调度协议后输出的数学表达式为：
Figure BDA0002344563400000023
其中，φp＝diag{δ(p-1)I,δ(p-2)I,…,δ(p-N)I}，δ(i-j)为克罗内克函数，当i＝j时，函数值取1，反之取0，
Figure BDA0002344563400000024
为经过轮询调度协议后的输出。
进一步，步骤三中，所述将轮询调度协议的输出与原系统的状态组成增广系统的状态为：
Figure BDA0002344563400000025
其中，
Figure BDA0002344563400000026
Figure BDA0002344563400000031
进一步，步骤四中，所述对增广系统建立迭代学习观测器进行故障、状态的估计具体包括：
Figure BDA0002344563400000032
其中，
Figure BDA0002344563400000033
分别是系统状态、故障、输出的估计值，输出误差
Figure BDA0002344563400000034
Li为反馈增益矩阵，τ是学习增益矩阵。
本发明的另一目的在于提供一种基于迭代学习观测器的故障诊断系统，所述基于迭代学习观测器的故障诊断系统包括：
二维模糊模型定义模块，用于定义一个二维模糊模型，其分别是对时间轴和批次轴的演化；
输出模块，用于建立经过轮询调度协议后输出的数学表达式；
状态输出模块，用于将轮询调度协议的输出与原系统的状态组成增广系统的状态；
故障及状态估计模块，用于对增广系统建立迭代学习观测器进行故障、状态的估计。
本发明的另一目的在于提供一种实现所述基于迭代学习观测器的故障诊断方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于迭代学习观测器的故障诊断方法。
综上所述，本发明的优点及积极效果为：本发明首先利用迭代学习观测器对故障进行估计，通过对输出误差的不断迭代，达到对故障更精确的估计，从而对系统状态有着更好的估计性能。考虑到轮询调度协议具有周期性，而迭代学习策略能够很好的挖掘周期信息，因此本发明设计迭代学习观测器对系统进行故障诊断，从而可以得到更精确的故障诊断结果。
附图说明
图1是本发明实施例提供的基于迭代学习观测器的故障诊断方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于迭代学习观测器的故障诊断方法及诊断系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于迭代学习观测器的故障诊断方法包括以下步骤：
S101：定义一个二维模糊模型，其分别是对时间轴和批次轴的演化。
Plant rule i:
Figure BDA0002344563400000041
Figure BDA0002344563400000042
其中，k是迭代次数，g1,...,gj为前件变量，
Figure BDA0002344563400000043
为模糊集合，Aci、Bci、Cc为系统矩阵，x(t,k)、u(t,k)、y(t,k)表示系统的状态、输入和输出，f(t,k)表示故障控制输入，w(t,k)表示噪声。
S102：建立经过轮询调度(Round-Robin)协议后输出的数学表达式。
Figure BDA0002344563400000044
其中，φp＝diag{δ(p-1)I,δ(p-2)I,…,δ(p-N)I}，δ(i-j)为克罗内克函数，当i＝j时，函数值取1，反之取0，
Figure BDA0002344563400000051
为经过轮询调度协议后的输出。
S103：将轮询调度(Round-Robin)协议的输出与原系统的状态组成增广系统的状态。
Figure BDA0002344563400000052
其中，
Figure BDA0002344563400000053
Figure BDA0002344563400000054
S104：对增广系统建立迭代学习观测器进行故障、状态的估计。
Figure BDA0002344563400000055
其中，
Figure BDA0002344563400000056
分别是系统状态、故障、输出的估计值，输出误差
Figure BDA0002344563400000057
Li为反馈增益矩阵，τ是学习增益矩阵。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于迭代学习观测器的故障诊断方法，其特征在于，所述故障诊断方法包括以下步骤：
步骤一，定义一个二维模糊模型，其分别是对时间轴和批次轴的演化；
步骤二，建立经过轮询调度协议后输出的数学表达式；
步骤三，将轮询调度协议的输出与原系统的状态组成增广系统的状态；
步骤四，对增广系统建立迭代学习观测器进行故障、状态的估计；
步骤一中，所述二维模糊模型为：
Figure FDA0004057954860000011
其中，k是迭代次数，g1,...,gj为前件变量，为模糊集合，Aci、Bci、Cc为系统矩阵，x(t,k)、u(t,k)、y(t,k)表示系统的状态、输入和输出，f(t,k)表示故障控制输入，w(t,k)表示噪声；
步骤二中，所述建立经过轮询调度协议后输出的数学表达式为：
Figure FDA0004057954860000012
其中，φp＝diag{δ(p-1)I,δ(p-2)I,…,δ(p-N)I}，δ(i-j)为克罗内克函数，当i＝j时，函数值取1，反之取0，
Figure FDA0004057954860000013
为经过轮询调度协议后的输出；
步骤三中，所述将轮询调度协议的输出与原系统的状态组成增广系统的状态为：
Figure FDA0004057954860000014
其中，
Figure FDA0004057954860000015
Figure FDA0004057954860000016
Figure FDA0004057954860000017
步骤四中，所述对增广系统建立迭代学习观测器进行故障、状态的估计具体包括：
Figure FDA0004057954860000021
其中，
Figure FDA0004057954860000022
分别是系统状态、故障、输出的估计值，输出误差
Figure FDA0004057954860000023
Li为反馈增益矩阵，t是学习增益矩阵。
2.一种实施权利要求1所述基于迭代学习观测器的故障诊断方法的基于迭代学习观测器的故障诊断系统，其特征在于，所述基于迭代学习观测器的故障诊断系统包括：
二维模糊模型定义模块，用于定义一个二维模糊模型，其分别是对时间轴和批次轴的演化；
输出模块，用于建立经过轮询调度协议后输出的数学表达式；
状态输出模块，用于将轮询调度协议的输出与原系统的状态组成增广系统的状态；
故障及状态估计模块，用于对增广系统建立迭代学习观测器进行故障、状态的估计。
3.一种实现权利要求1所述基于迭代学习观测器的故障诊断方法的信息数据处理终端。
4.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1所述的基于迭代学习观测器的故障诊断方法。
CN201911389482.3A 2019-12-30 2019-12-30 一种基于迭代学习观测器的故障诊断方法及诊断系统 Active CN111142503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911389482.3A CN111142503B (zh) 2019-12-30 2019-12-30 一种基于迭代学习观测器的故障诊断方法及诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911389482.3A CN111142503B (zh) 2019-12-30 2019-12-30 一种基于迭代学习观测器的故障诊断方法及诊断系统

Publications (2)

Publication Number Publication Date
CN111142503A CN111142503A (zh) 2020-05-12
CN111142503B true CN111142503B (zh) 2023-03-21

Family

ID=70521548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911389482.3A Active CN111142503B (zh) 2019-12-30 2019-12-30 一种基于迭代学习观测器的故障诊断方法及诊断系统

Country Status (1)

Country Link
CN (1) CN111142503B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113625677A (zh) * 2021-06-16 2021-11-09 河南大学 一种基于自适应迭代学习算法的非线性系统故障检测与估计方法和装置
CN114019944B (zh) * 2021-11-08 2024-04-30 江南大学 一种fdi攻击下网络化控制系统状态与故障的联合区间估计方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002169611A (ja) * 2000-11-30 2002-06-14 Yaskawa Electric Corp 故障診断システムおよびその自動設計方法
CN103488092A (zh) * 2013-10-16 2014-01-01 哈尔滨工业大学 基于t-s模糊模型与学习观测器的卫星故障诊断与容错控制方法
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
CN108227494A (zh) * 2018-01-05 2018-06-29 海南师范大学 非线性批次过程2d最优约束模糊容错控制方法
CN110083981A (zh) * 2019-05-17 2019-08-02 重庆交通大学 一种基于遗忘因子的任意初态下的迭代学习故障估计方法
CN110566403A (zh) * 2019-08-08 2019-12-13 天津科技大学 一种风力发电t-s模糊鲁棒调度容错控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6956028B2 (ja) * 2018-02-22 2021-10-27 ファナック株式会社 故障診断装置及び機械学習装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002169611A (ja) * 2000-11-30 2002-06-14 Yaskawa Electric Corp 故障診断システムおよびその自動設計方法
CN103488092A (zh) * 2013-10-16 2014-01-01 哈尔滨工业大学 基于t-s模糊模型与学习观测器的卫星故障诊断与容错控制方法
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
CN108227494A (zh) * 2018-01-05 2018-06-29 海南师范大学 非线性批次过程2d最优约束模糊容错控制方法
CN110083981A (zh) * 2019-05-17 2019-08-02 重庆交通大学 一种基于遗忘因子的任意初态下的迭代学习故障估计方法
CN110566403A (zh) * 2019-08-08 2019-12-13 天津科技大学 一种风力发电t-s模糊鲁棒调度容错控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
网络控制系统的时延故障诊断方法研究;沈汉文;《中国优秀硕士学位论文全文数据库》;20190515;全文 *
高速率通信网络下时变系统的有限时域H_∞控制;邹金鹏 等;《计算机工程与应用》;20191015(第20期);208-215 *

Also Published As

Publication number Publication date
CN111142503A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
Van de Geer et al. 0-penalized maximum likelihood for sparse directed acyclic graphs
Hu et al. H∞ filtering for networked systems with partly known distribution transmission delays
CN111142503B (zh) 一种基于迭代学习观测器的故障诊断方法及诊断系统
CN111025914B (zh) 基于通信受限的神经网络系统远程状态估计方法及装置
CN113110039B (zh) 一种多智能体系统的有限时间分布式聚合优化方法
CN113095497B (zh) 一种分数阶四元忆阻神经网络的有限时间同步方法、装置
You et al. Distributed adaptive event‐triggered control for leader‐following consensus of multi‐agent systems
Goegebeur et al. Asymptotically unbiased estimation of the coefficient of tail dependence
Xu et al. Event‐based distributed robust synchronization control for multiple Euler‐Lagrange systems without relative velocity measurements
Vershik The problem of describing central measures on the path spaces of graded graphs
CN112327810B (zh) 一种动态事件触发传输马尔科夫跳变系统的故障估计方法
CN116579618B (zh) 基于风险管理的数据处理方法、装置、设备及存储介质
Chen et al. Observer-based event-triggered consensus of leader-following linear multi-agent systems with input saturation and switching topologies
Gevers et al. Identifiability of dynamical networks with singular noise spectra
CN112258410B (zh) 一种可微分的低秩学习网络图像修复方法
CN108462180B (zh) 一种基于vine copula函数确定概率最优潮流的方法
CN111694272B (zh) 基于模糊逻辑系统的非线性多智能体的自适应控制方法及装置
Feng et al. On reachable set synthesis of delay Markovian jump systems under partially delay‐dependent asynchronous control
CN104537224B (zh) 基于自适应学习算法的多状态系统可靠性分析方法及系统
CN115755623A (zh) 一种基于事件触发中间观测器的故障容错控制方法
Breschi et al. Cloud-aided collaborative estimation by admm-rls algorithms for connected diagnostics and prognostics
CN111091475B (zh) 一种基于非负矩阵分解的社交网络特征提取方法
Zhou et al. Designing event-triggered prescribed-time consensus and containment control of multi-agent systems under directed graphs
Song et al. Distributed heavy-ball Nash equilibrium seeking algorithm in aggregative games
CN110210691B (zh) 资源推荐方法、装置、存储介质及设备

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