CN112925206B - 一种非线性多倒立摆互联系统分布式鲁棒故障诊断方法 - Google Patents
一种非线性多倒立摆互联系统分布式鲁棒故障诊断方法 Download PDFInfo
- Publication number
- CN112925206B CN112925206B CN202110101910.9A CN202110101910A CN112925206B CN 112925206 B CN112925206 B CN 112925206B CN 202110101910 A CN202110101910 A CN 202110101910A CN 112925206 B CN112925206 B CN 112925206B
- Authority
- CN
- China
- Prior art keywords
- matrix
- interconnection system
- inverted pendulum
- fault
- augmented
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 96
- 239000013598 vector Substances 0.000 claims abstract description 44
- 230000003190 augmentative effect Effects 0.000 claims abstract description 28
- 238000010168 coupling process Methods 0.000 claims abstract description 22
- 238000005859 coupling reaction Methods 0.000 claims abstract description 22
- 230000008878 coupling Effects 0.000 claims abstract description 21
- 230000003416 augmentation Effects 0.000 claims abstract description 5
- 239000000126 substance Substances 0.000 claims description 7
- 230000017105 transposition Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012795 verification Methods 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
- 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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种非线性多倒立摆互联系统分布式鲁棒故障诊断方法,具体包括1、建立离散时间的倒立摆互联系统模型;2、将离散时间的倒立摆互联系统模型中的状态向量和故障向量进行增广,得到增广互联系统;3、构建增广互联系统的全局误差动态模型,并根据全局误差动态模型建立观测器增益矩阵;4、根据步骤2中的增广互联系统和步骤3中的观测器增益矩阵,得到倒立摆互联系统分布式故障诊断观测器。本发明显著降低了子系统之间的耦合项带来的设计难度,本发明对于具有子系统耦合的大型机械和电力互联系统的实时故障诊断与准确监测具有重要的实用参考价值。
Description
技术领域
本发明属于互联控制系统故障诊断技术领域。
背景技术
现代控制系统日益复杂,导致系统高阶次、模型参数不确定、外界强干扰、系统内部强耦合等现象,给控制器和观测器的设计带来了前所未有的挑战。其中,机械互联系统作为一类复杂的强耦合控制系统,子系统之间的强耦合显著增加了设计难度,近十几年来也受到国内外众多学者的广泛关注。
由于机械互联系统中各个子系统之间有实际的耦合关联。如果其中某一个子系统中出现了故障,必然将通过这些物理链接传播给其他子系统,将会导致整个系统的性能下降、甚至不稳定。子系统之间的实际物理耦合给故障诊断观测器带来了巨大的挑战,目前分散式故障诊断观测器是针对每个子系统设计的,没有考虑子系统之间的耦合对观测器的影响,这势必将影响故障诊断的性能。基于子系统之间耦合的互联系统分布式故障诊断观测器对于提升故障诊断的性能具有重要的研究价值。同时对于多样、复杂的外部环境,干扰不可避免的存在着,干扰也势必会影响系统的故障诊断性能,研究鲁棒故障诊断技术可以抑制外界干扰下互联系统的影响。
同时,连续时间互联系统的故障诊断已经取得了一些研究成果,但是数字计算机控制都是离散时间系统,研究离散时间互联系统的故障诊断更具有研究价值。与连续时间系统不同,由于子系统之间的耦合项会使得误差动态系统稳定性过程非常复杂,因此必须要提出新的设计方法来解决。
发明内容
发明目的:为了解决上述现有技术存在的问题,本发明提供了一种非线性多倒立摆互联系统分布式鲁棒故障诊断方法。
技术方案:本发明提供了一种非线性多倒立摆互联系统分布式鲁棒故障诊断方法,具体包括如下步骤:
步骤1:对连续时间倒立摆互联系统进行离散化,建立离散时间的倒立摆互联系统模型;
步骤2:将离散时间的倒立摆互联系统模型中的状态向量和故障向量进行增广,得到增广互联系统;
步骤4:根据步骤2中的增广互联系统和步骤3中的观测器增益矩阵,得到倒立摆互联系统分布式故障诊断观测器;将每个倒立摆的输入数据、输出数据输入分布式故障诊断观测器,得到每个子系统的执行器故障估计值,从而对倒立摆互联系统执行器故障进行估计。
进一步的,所述步骤1中第i个倒立摆互联系统模型为:
其中xi(k)为第i个倒立摆系统的状态向量,k表示当前时刻序列,k+1表示下一个采样时刻序列,ui(k)为输入向量,yi(k)为输出向量,fi(k)为故障向量,ωi(k)为扰动向量;矩阵Ai,Bi,Ci,Di,Ei,Hij分别为互联系统矩阵、输入矩阵、输出矩阵、系统干扰分布矩阵、故障分布矩阵,子系统之间的耦合矩阵,gi(k,xi(k))为Lipschitz非线性函数,且满足gi(k,0)=0和 为xi(k)的估计值,Lgi为Lipschitz常数。
进一步的,所述步骤2具体为:
步骤2.1:对状态向量进行增广得到增广状态矩阵对Lipschitz非线性函数进行增广得到增广非线性函数矩阵对互联系统矩阵进行增广得到增广系统矩阵I为单位矩阵,对输入矩阵进行增广得到增广输入矩阵对系统干扰分布矩阵进行增广得到增广干扰分布矩阵对子系统之间的耦合矩阵进行增广得到增广耦合矩阵
步骤2.2:增广互联系统为:
进一步的,所述步骤3中全局误差动态模型为:
步骤4.1:当全局误差动态模型满足||ef(k)||2<γ||Δf(k)||2,且的特征根位于圆盘区域时,存在对称正定矩阵矩阵矩阵和正的标量ε满足条件1和条件2,其中ef(k)为故障估计误差,σ为圆盘区域的圆心,为圆盘区域的半径,为实数,n为状态向量的维数,p为输出向量的维数,γ为鲁棒性能指标;
其中:
进一步的,所述步骤4中倒立摆互联系统分布式故障诊断观测器为:
有益效果:
1、本发明利用互联系统子系统之间的状态向量,设计的分布式故障诊断观测器,克服了分散式故障诊断器没有考虑互联子系统之间的耦合信息的不足,这是一种突破性的技术创新。
2、本发明基于干扰解耦的分布式未知输入观测器,将故障差分项和外部干扰分开考虑,以便于将外部干扰完全解耦,从而消除干扰对故障估计的影响。
3、本发明从误差动态系统的全局出发,对其进行分析和设计,显著降低了子系统之间的耦合项带来的设计难度。本发明对于具有子系统耦合的大型机械和电力互联系统的实时故障诊断与准确监测具有重要的实用参考价值。
附图说明
图1为倒立摆互联系的结构图;
图2为本发明的流程图;
图3为本发明所测的基于未知输入观测器的倒立摆1传感器的故障估计曲线;
图4为本发明所测的基于未知输入观测器的倒立摆2传感器故障估计曲线;
图5为本发明所测的基于未知输入观测器的倒立摆3传感器故障估计曲线。
具体实施方式
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
本实施例以具有两个弹簧链接的三个倒立摆控制系统为实施对象,如图1所示。针对三个倒立摆出现的执行器故障,提出一种基于未知输入观测器的分布式故障诊断设计,该故障诊断方法不仅可以消除外部干扰对故障诊断的影响,而且能够利用子系统间的耦合改进故障估计的性能,同时该设计方法可以同时对每个子系统进行故障诊断。
如图2所示,本实施例具体包括如下步骤:
第一步:对连续时间倒立摆互联系统进行离散化,建立离散时间的倒立摆互联系统的数学方程:
第二步:将原互联系统的状态向量和故障向量进行增广,等价为一个增广互联系统,将故障差分项和外部干扰分开考虑;
第三步:构建带有基于未知输入观测器的分布式故障诊断;
第四步:定义全局向量和全局矩阵,构建全局误差动态方程,将采集到的每个倒立摆的输入数据、输出数据送入分布式故障诊断观测器,得到每个子系统的执行器故障估计值,从而对倒立摆互联系统执行器故障进行估计。
在第一步中,第i个倒立摆系统模型表示为如下形式:
式中:xi(k)为第i个倒立摆系统的状态向量,k表示当前时刻序列,k+1表示下一个采样时刻序列,ui(k)为输入向量,yi(k)为输出向量,fi(k)为故障向量,ωi(k)为扰动向量。矩阵Ai,Bi,Ci,Di,Ei,Hij分别为互联系统矩阵、输入矩阵、输出矩阵、系统干扰分布矩阵、故障分布和子系统之间的耦合矩阵,N为倒立摆子系统的数目;Lipschitz非线性函数gi(k,xi(k))满足gi(k,0)=0和Lipschitz(利普希茨连续条件)不等式的条件 表示状态xi(k)的估计值,Lgi为已知的Lipschitz常数。
在第二步中,针对子系统,将原倒立摆互联系统等价为一个增广互联系统。定义增广向量和增广矩阵:增广状态矩阵对非线性函数矩阵进行增广得到增广非线性函数矩阵为增广系统矩阵增广输入矩阵增广干扰分布矩阵增广耦合增广输出矩阵可得:
在第三步中,根据构建的增广系统方程,设计倒立摆互联系统故障诊断观测器
在第四步中,全局误差动态方程为:
根据全局误差动态方程,计算观测器增益矩阵:
给定H∞性能指标γ和圆盘区域如果存在对称正定矩阵以及矩阵和正的标量ε满足如下条件(1)和(2),其中σ为圆盘区域的圆心,为圆盘区域的半径,为实数,n为状态向量的维数,p是为出向量的维数,γ为鲁棒性能指标
其中,
其中,
基于图1,本实施例考虑如下具有弹簧连接的三个倒立摆的连续时间非线性物理互联系统,
倒立摆1的连续时间数学模型:
倒立摆2的连续时间数学模型:
倒立摆3的连续时间数学模型:
其中,xi1(t)和xi2(t)分别是第i个倒立摆垂直方向的角度(rad)和角速度(rad/s)。三个倒立摆的质量为m1=2kg,m2=2.5kg,m3=3kg;转动惯量J1=2kg·m2,J2=2.5kg·m2,J3=3kg·m2;弹簧的弹性系数k1=2N/m,k2=1.5N/m;倒立摆的长度r=1m,重力加速度g=9.81m/s2。控制输入ui(t)是转矩(N·m)。
在采样时间T下的离散时间数学模型如下:
倒立摆1的离散时间数学模型:
倒立摆2的离散时间数学模型:
倒立摆3的离散时间数学模型:
选取采样时间T1=0.05s可以得到如下的矩阵:
假设干扰分布矩阵离散化后的输出矩阵Ci(i=1,2,3)保持不变,仍然是单位矩阵。通过多次计算和仿真,在这里选取局部Lipschitz常数Lg=0.01。在这里,考虑每个子系统发生执行器故障,执行器故障通常会出现在控制输入通道,即故障分布矩阵Ei=Bi(i=1,2,3)。
选取圆盘区域D(-0.5,0.5),通过条件(1)和条件(2)可得求出最小H∞性能指标为γ=6.6045和如下矩阵:
进一步可以求得
从而求出未知输入观测器增益矩阵
为验证本发明基于未知输入观测器的分布式故障诊断方案的效果,采用以下仿真实施例来进行验证。
仿真实施:假设第二个和第三个倒立摆分别发生执行器故障f2(t)和f3(t),第三个倒立摆无故障,即f1(t)=0。
倒立摆2的执行器通道在第7秒出现了一个时变故障:
倒立摆3的执行器通道在第8秒出现了一个突变故障:
基于所设计的离散时间分布式故障诊断观测器,获得三个子系统的传感器故障估计的仿真结果分别如图3-图5所示。从图中可以看出,所设计的故障诊断观测器可以检测并估计出三个倒立摆中出未知的执行器转矩故障。
将在线获得的故障估计曲线和实际的真实故障曲线放置在同一坐标下进行比较,是为了验证提出的执行器故障诊断观测器的估计效果。从仿真结果可以得出,当机械互联系统系统中一个或多个倒立摆出现执行器故障时,本发明设计的基于干扰解耦的故障诊断可以消除外界干扰对故障诊断的影响,并准确检测并估计出三个倒立摆中出未知的执行器转矩故障。本发明对于具有子系统耦合的大型机械和电力互联系统的实时故障诊断与准确监测具有重要的实用参考价值。本发明的具体实施方式中凡未涉到的说明属于本领域的公知技术,可参考公知技术加以实施。
利用上述求得的协同故障诊断观测器对切换拓扑下的多机执行器故障进行在线故障诊断。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (1)
1.一种非线性多倒立摆互联系统分布式鲁棒故障诊断方法,其特征在于:具体包括如下步骤:
步骤1:对连续时间倒立摆互联系统进行离散化,建立离散时间的倒立摆互联系统模型;
步骤2:将离散时间的倒立摆互联系统模型中的状态向量和故障向量进行增广,得到增广互联系统;
步骤4:根据步骤2中的增广互联系统和步骤3中的观测器增益矩阵,得到倒立摆互联系统分布式故障诊断观测器;将每个倒立摆的输入数据、输出数据输入分布式故障诊断观测器,得到每个子系统的执行器故障估计值,从而对倒立摆互联系统执行器故障进行估计;
所述步骤1中第i个倒立摆互联系统模型为:
其中xi(k)为第i个倒立摆系统的状态向量,k表示当前时刻,k+1表示下一个时刻,ui(k)为输入向量,yi(k)为输出向量,fi(k)为故障向量,ωi(k)为扰动向量;矩阵Ai,Bi,Ci,Di,Ei,Hij分别为互联系统矩阵、输入矩阵、输出矩阵、系统干扰分布矩阵、故障分布矩阵,子系统之间的耦合矩阵,gi(k,xi(k))为Lipschitz非线性函数,且满足gi(k,0)=0和 为xi(k)的估计值,Lgi为Lipschitz常数;
所述步骤2具体为:
步骤2.1:对状态向量进行增广得到增广状态矩阵对Lipschitz非线性函数进行增广得到增广非线性函数矩阵对互联系统矩阵进行增广得到增广系统矩阵I为单位矩阵,对输入矩阵进行增广得到增广输入矩阵对系统干扰分布矩阵进行增广得到增广干扰分布矩阵对子系统之间的耦合矩阵进行增广得到增广耦合矩阵
步骤2.2:增广互联系统为:
所述步骤3中全局误差动态模型为:
步骤4.1:当全局误差动态模型满足||ef(k)||2<γ||Δf(k)||2,且的特征根位于圆盘区域D(σ,ζ)时,存在对称正定矩阵矩阵矩阵和正的标量ε满足条件1和条件2,其中ef(k)为故障估计误差,σ为圆盘区域的圆心,为圆盘区域的半径,为实数,n为状态向量的维数,p为输出向量的维数,γ为鲁棒性能指标;
其中:
所述步骤4中倒立摆互联系统分布式故障诊断观测器为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101910.9A CN112925206B (zh) | 2021-01-26 | 2021-01-26 | 一种非线性多倒立摆互联系统分布式鲁棒故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101910.9A CN112925206B (zh) | 2021-01-26 | 2021-01-26 | 一种非线性多倒立摆互联系统分布式鲁棒故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112925206A CN112925206A (zh) | 2021-06-08 |
CN112925206B true CN112925206B (zh) | 2022-02-01 |
Family
ID=76166131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110101910.9A Active CN112925206B (zh) | 2021-01-26 | 2021-01-26 | 一种非线性多倒立摆互联系统分布式鲁棒故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112925206B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114815785B (zh) * | 2022-06-07 | 2023-04-07 | 哈尔滨工业大学 | 一种基于有限时间观测器的非线性系统执行器鲁棒故障估计方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080188972A1 (en) * | 2006-10-11 | 2008-08-07 | Fisher-Rosemount Systems, Inc. | Method and System for Detecting Faults in a Process Plant |
CN104698839B (zh) * | 2014-12-26 | 2016-04-27 | 北京理工大学 | 一种基于信息交互的多智能体故障检测与补偿控制方法 |
CN105204499B (zh) * | 2015-10-09 | 2018-01-02 | 南京航空航天大学 | 基于未知输入观测器的直升机协同编队故障诊断方法 |
CN110161847B (zh) * | 2018-09-18 | 2020-12-08 | 南京航空航天大学 | 一种基于分布式奇异观测器的无人机编队系统传感器故障估计方法 |
-
2021
- 2021-01-26 CN CN202110101910.9A patent/CN112925206B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112925206A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119087B (zh) | 一种有向通信下二阶多智能体系统固定时一致性跟踪方法 | |
Mao et al. | Observer based fault-tolerant control for a class of nonlinear networked control systems | |
CN106547207B (zh) | 一种非线性多输入多输出系统混合式观测器构建方法 | |
CN105978725B (zh) | 一种基于传感器网络的非脆弱性分布式故障估计方法 | |
CN110161847B (zh) | 一种基于分布式奇异观测器的无人机编队系统传感器故障估计方法 | |
CN110543184B (zh) | 一种刚性飞行器的固定时间神经网络控制方法 | |
CN113589689B (zh) | 一种基于多参数自适应神经网络的滑模控制器设计方法 | |
CN112859600B (zh) | 一种基于扩张状态观测器的机械系统有限时间控制方法 | |
CN112925206B (zh) | 一种非线性多倒立摆互联系统分布式鲁棒故障诊断方法 | |
CN110941184A (zh) | 一种电磁轴承柔性转子不同位系统滑模振动主动控制方法 | |
CN116520812B (zh) | 一种旋转导向钻井系统测控装置的故障估计方法及装置 | |
CN109188910B (zh) | 一种刚性飞行器的自适应神经网络容错跟踪控制方法 | |
CN107703753A (zh) | 一种空间机械臂的容错控制方法 | |
CN115981162A (zh) | 一种基于新型扰动观测器的机器人系统滑模控制轨迹跟踪方法 | |
CN113858218A (zh) | 一种机械臂执行器故障诊断方法 | |
CN111897221A (zh) | 一种基于组合观测器的航天器故障诊断方法 | |
CN111173688A (zh) | 基于自适应观测器的风力发电机故障诊断与隔离方法 | |
CN109807899B (zh) | 针对拖动示教的协作机器人摩擦力矩补偿方法 | |
CN110488854B (zh) | 一种基于神经网络估计的刚性飞行器固定时间姿态跟踪控制方法 | |
CN117131747B (zh) | 一种基于采样点卡尔曼滤波的状态估计方法及装置 | |
Ridgley et al. | Self-healing first-order distributed optimization | |
CN110488855B (zh) | 一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法 | |
CN110084324B (zh) | 基于极限学习机的卡尔曼滤波参数自适应更新方法 | |
Chang et al. | Adaptive control of a hose and drogue system with input nonlinearities and partial state constraints | |
CN114147713B (zh) | 基于自适应神经网络高阶动态滑模的轨迹跟踪控制方法 |
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 |