CN112099351B - 一种基于中心对称多面体的分布式故障诊断方法 - Google Patents
一种基于中心对称多面体的分布式故障诊断方法 Download PDFInfo
- Publication number
- CN112099351B CN112099351B CN202010917503.0A CN202010917503A CN112099351B CN 112099351 B CN112099351 B CN 112099351B CN 202010917503 A CN202010917503 A CN 202010917503A CN 112099351 B CN112099351 B CN 112099351B
- Authority
- CN
- China
- Prior art keywords
- polyhedron
- centrosymmetric
- matrix
- fault diagnosis
- error
- 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
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)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明涉及一种基于中心对称多面体的分布式故障诊断方法,针对并网发电等分布式测量系统提出了一种分布式故障诊断方法,采用中心对称多面体描述扰动和噪声范围,构造分布式故障诊断观测器,进一步分析出残差的范围,生成用于故障诊断的动态阈值,突破了目前已有分布式故障诊断方法无法有效得到阈值的限制,提高了故障诊断的准确性。此外,本发明针对并网发电等分布式测量系统分布式故障诊断中心对称多面体随时间推移局部计算工作量大的问题,采用中心对称多面体的简化降维方法,减少了分布式故障诊断阈值的计算量,利于工业中实时故障诊断,扩展了实际工程应用范围。
Description
技术领域
本发明属于动态系统故障诊断领域,涉及动态系统故障诊断领域的分布式故障诊断方法,具体涉及一种基于中心对称多面体的分布式故障诊断方法。
背景技术
分布式故障诊断广泛应用于飞行器组网控制、自动驾驶、并网发电等领域,越来越引起人们的关注。基于观测器的故障诊断方法是一类重要的故障诊断方法,该方法主要是通过构造原系统的观测器,产生冗余状态,将估计值与实际值做差得到残差,最后对残差进行评价,做出判断系统是否有故障。理想情况下无故障时残差为零,但由于建模不确定性、扰动、测量误差等等,导致正常情况下故障诊断系统残差也不为零,因此需要设计阈值来判定系统否发生故障,若残差评价函数超过阈值,则说明系统发生故障,反之则说明系统正常。但是在实际中阈值很难求取,往往根据经验选取,缺乏一定的定量依据。而阈值的计算直接影响到诊断的虚警漏报等性能,因此研究基于分布式观测器的故障诊断阈值计算十分重要。
《基于H-/H∞未知输入观测器的有限频故障检测与隔离方法》(周萌,王振华,沈毅,《Asian Journal of Control》,2017年第19期第5卷)一文中提出了一种基于未知输入观测器的故障诊断方法,该方法采用H-/H∞指标,对残差生成进行了优化,达到了故障诊断的目的,但是对于阈值生成没有提出有效方法,仍采用经验阈值,而且该方法一种集中式故障诊断方法。本专利提供的方法能够实时生成故障诊断的阈值,并且基于分布式故障诊断观测器实现分布式故障诊断,从而提升故障诊断效果和扩展适用范围。
发明内容
本发明解决的技术问题是:为了克服目前并网发电等分布式测量系统中现有分布式故障诊断不能在线生成阈值的缺陷,本发明提出一种基于中心对称多面体的分布式故障诊断方法,该方法能够实时在线生成用于故障诊断的阈值,解决了目前不能在线生成阈值的问。
本发明的技术方案是:一种基于中心对称多面体的分布式故障诊断方法,包括以下步骤:
步骤一:基于待估计系统模型,构建分布式故障诊断观测器;
对待估计的系统模型建立为离散线性系统
其中系统初值、扰动和测量噪声的范围用中心对称多面体描述为:
x(0)∈X(0)=<p0,H0>,w(k)∈W=<pw,Hw>,vi(k)∈Vi=<pi v,Hi v>
为了便于后续计算,这里设pw=pw=0。
根据模型构建分布式故障诊断观测器:
其中aij为已知的观测器信息交互拓扑图的邻接矩阵元素,Li和Mi为待设计增益矩阵。
步骤二:构造动态估计误差系统,设计分布式故障诊断观测器增益矩阵;
定义e(k)=[e1 T(k) … eN T(k)]T,可得全局误差动态系统为:
求解如下受矩阵不等式约束的优化问题,可以求得故障诊断观测器矩阵增益
其中
λ11=-γP+Φ1+Φ1 T
λ13=αWHv
λ14=-αG+Φ1 T
λ44=P-G-GT,P=diag{P1,…,PN},W=diag{W1,…,WN},G=diag{G1,…,GN}
步骤三:基于估计误差系统和残差关系,计算出无故障时的残差的中心对称多面体作为诊断阈值。
由中心对称多面体性质可以得到中心点和生成矩阵为
其中中心对称多面体集合运算时的加和数乘规则如下:
L<p,H>=<Lp,LH>
中心对称多面体随着迭代运算次数增加,维数增长造成计算量迅速增加,对局部故障诊断造成困难,因此提出如下降维处理方法处理生成矩阵H:
按欧氏范数递减的顺序重新排列矩阵H的每一列
如果m≤q,则(H)↓q=H
残差信号ri(k)所在的中心对称多面体可以由估计误差系统输出方程得到,
其中Ci和Vi已知,因此在每个测量节点处无故障残差的范围由(5)给出的中心对称多面体给出。
由中心对称多面体的定义可知残差信号ri(k)的阈值范围为中心点与生成矩阵每行元素绝对值相加所得:
故障诊断逻辑为:
发明效果
本发明的技术效果在于:本发明针对并网发电等分布式测量系统提出了一种分布式故障诊断方法,采用中心对称多面体描述扰动和噪声范围,构造分布式故障诊断观测器,进一步分析出残差的范围,生成用于故障诊断的动态阈值,突破了目前已有分布式故障诊断方法无法有效得到阈值的限制,提高了故障诊断的准确性。
此外,本发明针对并网发电等分布式测量系统分布式故障诊断中心对称多面体随时间推移局部计算工作量大的问题,采用中心对称多面体的简化降维方法,减少了分布式故障诊断阈值的计算量,利于工业中实时故障诊断,扩展了实际工程应用范围。
附图说明
图1为本方法流程图
具体实施方式
参见图1,具体步骤为:
步骤一:基于待估计系统模型,构建分布式故障诊断观测器;
对待估计的系统模型建立为离散线性系统
其中系统初值、扰动和测量噪声的范围用中心对称多面体描述为:
x(0)∈X(0)=<p0,H0>,w(k)∈W=<pw,Hw>,vi(k)∈Vi=<pi v,Hi v>
为了便于后续计算,这里设pw=pw=0。
根据模型构建分布式故障诊断观测器:
其中aij为已知的观测器信息交互拓扑图的邻接矩阵元素,Li和Mi为待设计增益矩阵。
步骤二:构造动态估计误差系统,设计分布式故障诊断观测器增益矩阵;
定义e(k)=[e1 T(k) … eN T(k)]T,可得全局误差动态系统为:
求解如下受矩阵不等式约束的优化问题,可以求得故障诊断观测器矩阵增益
其中
λ11=-γP+Φ1+Φ1 T
λ13=αWHv
λ14=-αG+Φ1 T
λ44=P-G-GT,P=diag{P1,…,PN},W=diag{W1,…,WN},G=diag{G1,…,GN}
步骤三:基于估计误差系统和残差关系,计算出无故障时的残差的中心对称多面体作为诊断阈值。
由中心对称多面体性质可以得到中心点和生成矩阵为
其中中心对称多面体集合运算时的加和数乘规则如下:
L<p,H>=<Lp,LH>
中心对称多面体随着迭代运算次数增加,维数增长造成计算量迅速增加,对局部故障诊断造成困难,因此提出如下降维处理方法处理生成矩阵H:
按欧氏范数递减的顺序重新排列矩阵H的每一列
残差信号ri(k)所在的中心对称多面体可以由估计误差系统输出方程得到,
其中Ci和Vi已知,因此在每个测量节点处无故障残差的范围由(5)给出的中心对称多面体给出。
由中心对称多面体的定义可知残差信号ri(k)的阈值范围为中心点与生成矩阵每行元素绝对值相加所得:
故障诊断逻辑为:
为了提高并网发电等分布式测量系统故障诊断的准确性,本发明提出基于集员估计的分布式故障诊断方法,实时生成故障诊断阈值,下面结合某单相并网发电系统的分布式故障诊断过程阐述本发明的具体实施方式:
执行步骤一:基于待估计系统模型,构建分布式故障诊断观测器;
依据待估计的系统模型建立为离散线性系统
其中系统状态为电压,ω=100πrad/s表示基础角频率,T=0.0025s表示采样时间,Δu=10-3U0sin(ωkT)表示采样区间的电压差,测量误差为vi(k)=0.002(1+0.1i)U0 sin(ωkT)。式(6)中的矩阵参数为C1=[1.1 0],C2=[1.2 0],C3=[1.3 0]。
其中系统扰动和测量噪声的范围用中心对称多面体描述为:
w(k)∈W=<pw,Hw>,vi(k)∈V=<pi v,Hv>
本实施示例中根据并网发电系统的局部测量信息,对电压进行分布式故障诊断。
根据模型构建分布式故障诊断观测器:
其中aij为已知的观测器信息交互拓扑图的邻接矩阵元素,Li和Mi为待设计增益矩阵。
步骤二:构造动态估计误差系统,设计分布式故障诊断观测器增益矩阵;
定义e(k)=[e1 T(k) … eN T(k)]T,可得全局误差动态系统为:
求解如下受矩阵不等式约束的优化问题,可以求得故障诊断观测器矩阵增益
其中
λ11=-γP+Φ1+Φ1 T
λ13=αWHv
λ14=-αG+Φ1 T
λ44=P-G-GT,P=diag{P1,…,PN},W=diag{W1,…,WN},G=diag{G1,…,GN}
步骤三:基于估计误差系统和残差关系,计算出无故障时的残差的中心对称多面体作为诊断阈值。
由中心对称多面体性质可以得到中心点和生成矩阵为
中心对称多面体随着迭代运算次数增加,维数增长造成计算量迅速增加,对局部故障诊断造成困难,因此提出如下降维处理方法处理生成矩阵H:
按欧氏范数递减的顺序重新排列矩阵H的每一列
如果m≤q,则(H)↓q=H
残差信号ri(k)所在的中心对称多面体可以由估计误差系统输出方程得到,
其中Ci和Vi已知,因此在每个测量节点处无故障残差的范围由(10)给出的中心对称多面体给出。
由中心对称多面体的定义可知残差信号ri(k)的阈值范围为中心点与生成矩阵每行元素绝对值相加所得:
故障诊断逻辑为:
本发明未详细说明部分属于领域技术人员公知常识。
Claims (1)
1.一种基于中心对称多面体的分布式故障诊断方法,其特征在于,包括以下步骤:
步骤一:基于待估计系统模型,构建分布式故障诊断观测器;
对待估计的系统模型建立为离散线性系统
其中系统初值、扰动和测量噪声的范围用中心对称多面体描述为:
x(0)∈X(0)=<p0,H0>,w(k)∈W=<pw,Hw>,vi(k)∈Vi=〈pi v,Hi v>
为了便于后续计算,这里设pw=pi v=0;
根据模型构建分布式故障诊断观测器:
其中aij为已知的观测器信息交互拓扑图的邻接矩阵元素,Li和Mi为待设计增益矩阵;
步骤二:构造动态估计误差系统,设计分布式故障诊断观测器增益矩阵;
定义e(k)=[e1 T(k) … eN T(k)]T,可得全局误差动态系统为:
求解如下受矩阵不等式约束的优化问题,可以求得故障诊断观测器矩阵增益max tr(P)s.t.
P>0
其中
λ11=-γP+Φ1+Φ1 T
λ13=αWHv
λ14=-αG+Φ1 T
λ44=P-G-GT,P=diag{P1,…,PN},W=diag{W1,…,WN},G=diag{G1,…,GN}
其中P>0表示矩阵P是正定的,不等式中α是事先给定的大于零的常数,变量P,W,G通过优化问题求解得到,其余参数是已知的;
步骤三:基于估计误差系统和残差关系,计算出无故障时的残差的中心对称多面体作为诊断阈值;
由中心对称多面体性质可以得到中心点和生成矩阵为
其中中心对称多面体集合运算时的加和数乘规则如下:
Li<p,H>=<Lip, Li H>
中心对称多面体随着迭代运算次数增加,维数增长造成计算量迅速增加,对局部故障诊断造成困难,因此提出如下降维处理方法处理生成矩阵H:
按欧氏范数递减的顺序重新排列矩阵H的每一列
如果m≤q,则(H)↓q=H
残差信号ri(k)所在的中心对称多面体可以由估计误差系统输出方程得到,
其中Ci和Vi已知,因此在每个测量节点处无故障残差的范围由(5)给出的中心对称多面体给出;
由中心对称多面体的定义可知残差信号ri(k)的阈值范围为中心点与生成矩阵每行元素绝对值相加所得:
故障诊断逻辑为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010917503.0A CN112099351B (zh) | 2020-09-03 | 2020-09-03 | 一种基于中心对称多面体的分布式故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010917503.0A CN112099351B (zh) | 2020-09-03 | 2020-09-03 | 一种基于中心对称多面体的分布式故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112099351A CN112099351A (zh) | 2020-12-18 |
CN112099351B true CN112099351B (zh) | 2022-09-30 |
Family
ID=73757446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010917503.0A Active CN112099351B (zh) | 2020-09-03 | 2020-09-03 | 一种基于中心对称多面体的分布式故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112099351B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113189968B (zh) * | 2021-05-08 | 2022-08-26 | 哈尔滨工业大学 | 互联工业过程的分布式故障诊断方法 |
CN113641104A (zh) * | 2021-08-23 | 2021-11-12 | 江南大学 | 动态事件触发下釜式反应器的有限频域故障检测方法 |
CN113885354B (zh) * | 2021-10-12 | 2023-11-24 | 大连理工大学 | 基于中心对称多面体的机动目标运动坐标区间估计方法 |
CN113960981A (zh) * | 2021-10-21 | 2022-01-21 | 杭州电子科技大学 | 一种针对无人船的主动故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803316A (zh) * | 2018-03-09 | 2018-11-13 | 南京航空航天大学 | 针对多智能体系统执行器故障的主动容错控制方法 |
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 |
CN110377921A (zh) * | 2018-04-12 | 2019-10-25 | 哈尔滨工业大学 | 一种基于中心对称多胞体的故障检测阈值计算方法 |
CN110597230A (zh) * | 2019-09-24 | 2019-12-20 | 清华大学深圳国际研究生院 | 一种主动故障诊断方法 |
CN110879587A (zh) * | 2019-12-05 | 2020-03-13 | 华北电力大学 | 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 |
CN111382943A (zh) * | 2020-03-09 | 2020-07-07 | 西北工业大学 | 一种基于加权灰色关联度分析的故障诊断评估方法 |
-
2020
- 2020-09-03 CN CN202010917503.0A patent/CN112099351B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803316A (zh) * | 2018-03-09 | 2018-11-13 | 南京航空航天大学 | 针对多智能体系统执行器故障的主动容错控制方法 |
CN110377921A (zh) * | 2018-04-12 | 2019-10-25 | 哈尔滨工业大学 | 一种基于中心对称多胞体的故障检测阈值计算方法 |
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 |
CN110597230A (zh) * | 2019-09-24 | 2019-12-20 | 清华大学深圳国际研究生院 | 一种主动故障诊断方法 |
CN110879587A (zh) * | 2019-12-05 | 2020-03-13 | 华北电力大学 | 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 |
CN111382943A (zh) * | 2020-03-09 | 2020-07-07 | 西北工业大学 | 一种基于加权灰色关联度分析的故障诊断评估方法 |
Non-Patent Citations (2)
Title |
---|
Robust H∞ fault diagnosis observer design for multiple satellites attitude synchronization with disturbance;Weixin Han 等;《2016 35th Chinese Control Conference (CCC)》;20160829;第6575-6580页 * |
分布式测量系统的故障诊断与容错控制;韩渭辛;《中国博士学位论文全文数据库(电子期刊)》;20200115(第1期);第I140-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112099351A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112099351B (zh) | 一种基于中心对称多面体的分布式故障诊断方法 | |
Bezerra et al. | An evolving approach to unsupervised and real-time fault detection in industrial processes | |
Zhu et al. | Interval-observer-based fault detection and isolation design for TS fuzzy system based on zonotope analysis | |
Yao et al. | Design of new fault diagnosis and fault tolerant control scheme for non-Gaussian singular stochastic distribution systems | |
CN110908364B (zh) | 一种基于鲁棒区间估计的故障检测方法 | |
Sainz et al. | Fault detection and isolation of the three-tank system using the modal interval analysis | |
Liu et al. | Echo state networks based data-driven adaptive fault tolerant control with its application to electromechanical system | |
Guo et al. | Observer-based optimal fault detection and diagnosis using conditional probability distributions | |
CN114564000B (zh) | 基于智能飞行器执行器故障诊断的主动容错方法及系统 | |
Li et al. | Active fault tolerant control of wind turbine systems based on DFIG with actuator fault and disturbance using Takagi–Sugeno fuzzy model | |
Li et al. | Signal frequency domain analysis and sensor fault diagnosis based on artificial intelligence | |
Xu et al. | The fractional order pid method with a fault tolerant module for road feeling control of steer-by-wire system | |
CN114035550B (zh) | 一种基于eso的自主式水下机器人执行机构故障诊断方法 | |
CN109324591B (zh) | 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法 | |
Huang et al. | Detection of Intermittent fault for discrete-time systems with output dead-zone: a variant Tobit Kalman filtering approach | |
CN115167376B (zh) | 一种基于平均一致性的数据驱动分布式协同诊断方法 | |
CN112115593B (zh) | 一种基于中心对称多面体的分布式集员估计方法 | |
Liu et al. | Distributed unscented Kalman filters for nonlinear multi-agent systems with homologous unknown inputs | |
Syfert et al. | Diagnostic reasoning based on symptom forming sequence | |
CN110207871B (zh) | 风电机组的应力预测的方法、装置、存储介质和系统 | |
Rocha et al. | Reliability analysis of sensorized stamping presses by generalized fault trees | |
Takács et al. | The AHP extended fuzzy based risk management | |
Yang et al. | Model-based fault tolerant control for hybrid dynamic systems with sensor faults | |
Li et al. | A cut/tie set method for reliability evaluation of control systems | |
Wang et al. | Orthotopic-filtering-based fault diagnosis algorithms for nonlinear systems with slowly varying faults |
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 |