CN113008290A - 传感器复合故障检测和分离方法、存储介质及电子设备 - Google Patents

传感器复合故障检测和分离方法、存储介质及电子设备 Download PDF

Info

Publication number
CN113008290A
CN113008290A CN202110250841.8A CN202110250841A CN113008290A CN 113008290 A CN113008290 A CN 113008290A CN 202110250841 A CN202110250841 A CN 202110250841A CN 113008290 A CN113008290 A CN 113008290A
Authority
CN
China
Prior art keywords
fault
sensor
time
dynamic
system model
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
Application number
CN202110250841.8A
Other languages
English (en)
Other versions
CN113008290B (zh
Inventor
何潇
张召
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110250841.8A priority Critical patent/CN113008290B/zh
Publication of CN113008290A publication Critical patent/CN113008290A/zh
Application granted granted Critical
Publication of CN113008290B publication Critical patent/CN113008290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供一种传感器复合故障检测和分离方法、存储介质及电子设备。一种传感器复合故障检测和分离方法，包括：确定水下机器人的工作点，在所述工作点对运动模型进行线性化得到线性系统模型；根据所述线性系统模型建立辅助动态系统模型并进行状态增广，得到增广系统动态方程；针对每一故障类型，分别利用所述增广系统动态方程建立故障观测器；根据增广系统动态方程的输入和输出数据，得到各故障观测器的输出信号；利用预设残差评价函数及预设阈值对各故障观测器的输出信号进行评价，得到传感器复合故障的检测和分离结果。本发明解决了水下机器人传感器复合故障诊断问题。

Description

传感器复合故障检测和分离方法、存储介质及电子设备
技术领域
本发明涉及水下机器人技术领域，尤其涉及一种传感器复合故障检测和分离方法、存储介质及电子设备。
背景技术
海洋占地球面积的71％，其内蕴藏着丰富的资源，水下机器人是进行海洋资源探测的重要装备。水下机器人长时间工作在水下环境中，一方面，由于水下环境的复杂性和不确定性以及海水的腐蚀等因素，水下机器人传感器容易发生故障，另一方面，在整个水下机器人控制系统中，传感器负责获取机器人相关运动和姿态信息，对水下机器人完成正常的作业任务具有重要作用。在此种情况下，一旦传感器发生故障，则其输出值不能再准确反映机器人实际状态，不仅可能导致作业任务无法完成，甚至导致整个系统瘫痪造成更大的损失。因此，对水下机器人传感器故障的检测和分离问题的研究具有重要意义。
由于水下机器人不同传感器大多工作在相似的恶劣水下环境中，因此，不同传感器容易同时发生故障，导致多个故障复合发生，给故障分离带来困难。现有关于水下机器人传感器故障诊断方法多假设单个传感器发生故障，对多个传感器故障同时发生的情况无法有效处理。
发明内容
针对水下机器人的多个传感器故障同时发生的情况无法有效处理的问题，本发明提供一种传感器复合故障检测和分离方法、存储介质及电子设备。
第一方面，本发明实施例提供一种传感器复合故障检测和分离方法，包括：
确定水下机器人的工作点，在所述工作点对运动模型进行线性化得到线性系统模型；
根据所述线性系统模型建立辅助动态系统模型并进行状态增广，得到增广系统动态方程；
针对每一故障类型，分别利用所述增广系统动态方程建立故障观测器；
根据增广系统动态方程的输入和输出数据，得到各故障观测器的输出信号；
利用预设残差评价函数及预设阈值对各故障观测器的输出信号进行评价，得到传感器复合故障的检测和分离结果。
在一些实施方式中，所述根据所述线性系统模型建立辅助动态系统模型，包括：
将所述线性系统模型的输出作为所述辅助动态系统模型的输入，建立辅助动态系统模型，其中，所述线性系统模型的输出为传感器的量测输出。
在一些实施方式中，所述线性系统模型如下：
Figure BDA0002965987840000021
Figure BDA0002965987840000022
其中，x(t)为t时刻水下机器人的状态变量，u(t)为t时刻水下机器人的控制输入，y(t)为t时刻传感器的量测输出，A、B、Bd、C和Dd为线性系统模型的参数矩阵，且C为满秩矩阵，w(t)为t时刻的系统噪声，v(t)为t时刻的量测噪声，w(t)和v(t)为零均值高斯白噪声，Li为故障特征向量，mi(t)为t时刻的故障信号，l为故障类型数量。
在一些实施方式中，所述辅助动态系统模型如下：
Figure BDA0002965987840000023
ya(t)＝Caxa(t)
其中，xa(t)为辅助动态系统的状态变量，y(t)为传感器的量测输出，作为辅助动态系统的输入，ya(t)为辅助动态系统的输出，矩阵-Aa为稳定矩阵，矩阵Ca为单位矩阵。
在一些实施方式中，所述增广系统动态方程按照如下方式得到：
令
Figure BDA0002965987840000024
得到如下增广系统动态方程：
Figure BDA0002965987840000025
Figure BDA0002965987840000026
其中，
Figure BDA0002965987840000027
为增广系统动态方程的参数矩阵，
Figure BDA0002965987840000028
为增广的故障特征向量矩阵，n(t)为噪声矩阵，
Figure BDA0002965987840000029
为增广系统动态方程的状态变量，t时刻水下机器人的控制输入u(t)作为增广系统动态方程的输入，
Figure BDA0002965987840000031
为增广系统动态方程的输出；
Figure BDA0002965987840000032
Figure BDA0002965987840000033
A、B、Bd、C和Dd为所述线性系统模型的参数矩阵，Li为故障特征向量，w(t)和v(t)为零均值高斯白噪声，l为故障类型数量。
在一些实施方式中，所述增广系统动态方程中，故障特征向量Li和故障类型数量l满足如下预设要求，以区分不同的故障类型：
Figure BDA0002965987840000034
其中：
Figure BDA0002965987840000035
Figure BDA0002965987840000036
Figure BDA0002965987840000037
表示第i个故障的特征空间，
Figure BDA00029659878400000310
表示包含除第i个故障以外的其余故障的特征空间的最小不可观测子空间。
在一些实施方式中，所述针对每一故障类型，分别利用所述增广系统动态方程建立故障观测器，包括：
Figure BDA0002965987840000038
Figure BDA0002965987840000039
其中，zi(t)为t时刻第i个故障观测器的状态变量，ri(t)为t时刻第i个故障观测器的输出信号，Fi、Ei、Gi、Mi和Hi为第i个故障观测器的参数矩阵；
参数矩阵Fi、Ei、Gi、Mi和Hi根据
Figure BDA00029659878400000311
和增广系统动态方程的参数矩阵计算得到。
在一些实施方式中，所述利用预设残差评价函数及预设阈值对各故障观测器的输出信号进行评价，包括：
利用预设残差评价函数计算每个故障观测器的输出信号对应的函数值；
所述预设残差评价函数Ji(t)如下：
Figure BDA0002965987840000041
其中，ri(τ)为τ时刻故障观测器的输出信号，Tr为时间窗口长度；
若
Figure BDA0002965987840000042
且持续预设时长Δt，则故障i发生，预设阈值
Figure BDA0002965987840000043
根据无故障情况下预设残差评价函数最大值确定。
第二方面，本发明实施例提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现如第一方面所述的方法。
第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的方法。
本发明的一个或多个实施例至少具有如下有益效果：
针对水下机器人传感器复合故障检测和分离问题，本发明提供了一种基于辅助动态系统和几何方法故障观测器的传感器故障诊断方法，几何方法观测器具有只对特定方向的故障敏感而对其余方向故障鲁棒的特性，将几何方法故障观测器和辅助动态系统方法应用到水下机器人传感器复合故障的检测和分离问题中，通过辅助动态系统对传感器故障进行形式上的转换，然后针对每一种故障类型分别设计一个几何方法故障观测器以实现对该故障的检测和分离，从而解决水下机器人传感器复合故障诊断问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的复合故障检测和分离方法流程图；
图2a为本发明实施例提供的波形图之一；
图2b为本发明实施例提供的波形图之二；
图2c为本发明实施例提供的波形图之三。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
图1示出了一种传感器复合故障检测和分离方法流程图，如图1所示，本实施例提供的复合故障检测和分离方法，可以对水下机器人安装的各种传感所产生的复合故障进行检测和分离，包括步骤S110～步骤S150：
步骤S110、确定水下机器人的工作点，在工作点对运动模型进行线性化得到线性系统模型。
在实际应用中，通过对水下机器人进行力学和运动学分析，分析水下机器人受力情况，并根据实验测量计算相关系统参数，当水下机器人重力和浮力平衡时，可建立其在载体坐标系中的非线性的运动模型，进而可以在工作点附近对其进行线性化，得到线性系统模型。
在一些情形下，建立的运动模型表示如下：
Figure BDA0002965987840000051
其中，x为水下机器人相对于载体坐标系的速度矢量，M为惯量矩阵，C(x)为科氏项和离心项矩阵，D(x)为水动力损失项，T为推进器产生的力或力矩。
确定水下机器人的工作点，在工作点附近对运动模型进行线性化，具体可以利用泰勒展开法进行线性化，也可以利用MATLAB等软件辅助进行线性化，从而得到水下机器人在工作点附近的线性系统模型。
在一些情形下，在工作点对运动模型进行线性化得到的线性系统模型如下：
Figure BDA0002965987840000052
Figure BDA0002965987840000053
其中，x(t)为t时刻水下机器人的状态变量，u(t)为t时刻水下机器人的控制输入，y(t)为t时刻传感器的量测输出，A、B、Bd、C和Dd为线性系统模型的具有适当维度的参数矩阵，且C为满秩矩阵，w(t)为t时刻的系统噪声，v(t)为t时刻的量测噪声，w(t)和v(t)为零均值高斯白噪声，方差分别为P和Q，Li为故障特征向量，mi(t)为t时刻的故障信号，l为故障类型数量。水下机器人的状态变量x(t)通过水下机器人安装的光纤陀螺、多普勒测速仪等运动传感器获取，本实施例对这些传感器发生的复合故障进行故障检测和分离。
步骤S120、根据线性系统模型建立辅助动态系统模型并进行状态增广，得到增广系统动态方程。
根据线性系统模型建立辅助动态系统模型，包括：将线性系统模型的输出作为辅助动态系统模型的输入，建立辅助动态系统模型，其中，线性系统模型的输出为传感器的量测输出y(t)。
在实际应用中，针对线性系统模型设计辅助动态系统模型，能够将传感器故障转换为执行器故障。在一些情形下，辅助动态系统模型如下：
Figure BDA0002965987840000061
ya(t)＝Caxa(t)
其中，xa(t)为辅助动态系统的状态变量，y(t)为传感器的量测输出，作为辅助动态系统的输入，ya(t)为辅助动态系统的输出，Aa和Ca为辅助动态系统的参数矩阵，参数矩阵-Aa为稳定矩阵，参数矩阵Ca为适当维度的单位矩阵。
在一些情形下，增广系统动态方程按照如下方式得到：
令
Figure BDA0002965987840000062
得到如下增广系统动态方程：
Figure BDA0002965987840000063
Figure BDA0002965987840000064
其中，
Figure BDA0002965987840000065
为增广系统动态方程的参数矩阵，
Figure BDA0002965987840000066
为增广的故障特征向量矩阵，n(t)为噪声矩阵，
Figure BDA0002965987840000067
为增广系统动态方程的状态变量，t时刻水下机器人的控制输入u(t)作为增广系统动态方程的输入，
Figure BDA0002965987840000068
为增广系统动态方程的输出；
Figure BDA0002965987840000069
Figure BDA00029659878400000610
在一些实施方式中，增广系统动态方程中，故障特征向量Li和故障类型数量l满足如下预设要求，以区分不同的故障类型，将不同传感器的故障分离：
Figure BDA0002965987840000071
其中：
Figure BDA0002965987840000072
Figure BDA0002965987840000073
Figure BDA0002965987840000074
表示第i个故障的特征空间，
Figure BDA00029659878400000726
表示包含除第i个故障以外的其余故障的特征空间的最小不可观测子空间。
Figure BDA0002965987840000075
表示向量
Figure BDA0002965987840000076
的张成子空间，
Figure BDA0002965987840000077
表示包含空间
Figure BDA0002965987840000078
的不可观测子空间，inf表示取最小值，下标i和j用来区分不同故障。
令
Figure BDA0002965987840000079
按照如下方式计算
Figure BDA00029659878400000727
Figure BDA00029659878400000710
Figure BDA00029659878400000711
其中，
Figure BDA00029659878400000712
为计算
Figure BDA00029659878400000728
过程中的中间值，下标i用来对应第i个故障，下标{0,1,…,k-1,k,…}表示计算步数。经过迭代，
Figure BDA00029659878400000713
会收敛，计算得到中间值
Figure BDA00029659878400000714
Figure BDA00029659878400000715
Figure BDA00029659878400000716
其中，
Figure BDA00029659878400000717
表示状态空间，
Figure BDA00029659878400000718
为计算过程中的中间值，下标i用来对应第i个故障，下标{0,1,…,k-1,k,…}表示计算步数，ker表示计算零空间，ker
Figure BDA00029659878400000719
也即表示矩阵
Figure BDA00029659878400000720
的零空间。经过迭代，
Figure BDA00029659878400000721
会收敛，计算得到目标值
Figure BDA00029659878400000722
步骤S130、针对每一故障类型，分别利用增广系统动态方程建立故障观测器。
在一些实施方式中，针对每一故障类型，分别利用增广系统动态方程建立故障观测器，包括：
Figure BDA00029659878400000723
Figure BDA00029659878400000724
其中，zi(t)为t时刻第i个故障观测器的状态变量，ri(t)为t时刻第i个故障观测器的输出信号，Fi、Ei、Gi、Mi和Hi为第i个故障观测器的参数矩阵；参数矩阵Fi、Ei、Gi、Mi和Hi根据
Figure BDA00029659878400000729
和增广系统动态方程的参数矩阵计算得到。
参数矩阵Fi、Ei、Gi、Mi和Hi的计算步骤如下：
1)根据
Figure BDA00029659878400000725
计算得到矩阵Di,0，Di,0为计算故障观测器参数矩阵过程中的中间值，下标i对应第i个故障观测器，下标0用来区分Di,0与后续步骤中的中间值Di,1；
2)计算正则映射
Figure BDA0002965987840000081
其中
Figure BDA0002965987840000082
表示商空间；
3)计算
Figure BDA0002965987840000083
在商空间
Figure BDA0002965987840000084
中的导出映射
Figure BDA0002965987840000085
4)根据
Figure BDA0002965987840000086
计算参数矩阵Hi，其中ker表示零空间；
5)根据
Figure BDA0002965987840000087
计算参数矩阵Mi；
6)根据
Figure BDA0002965987840000088
计算得到矩阵Di,1。Fi可以是人为给定的稳定矩阵，或者是通过其他技术手段计算得到的满足其他要求的矩阵。Di,1为计算故障观测器过程中的中间值，下标i对应第i个故障观测器，下标1用来区分Di,1与前述步骤中的中间值Di,0；
7)根据Ei＝PiDi,0+Di,1Hi，计算参数矩阵Ei；
8)根据
Figure BDA0002965987840000089
计算参数矩阵Gi。
步骤S140、根据增广系统动态方程的输入和输出数据，得到各故障观测器的输出信号。
步骤S150、利用预设残差评价函数及预设阈值对各故障观测器的输出信号进行评价，得到传感器复合故障的检测和分离结果。
在一些实施方式中，利用预设残差评价函数及预设阈值对各故障观测器的输出信号进行评价，包括：
步骤S151、利用预设残差评价函数计算每个故障观测器的输出信号对应的函数值；预设残差评价函数Ji(t)如下：
Figure BDA00029659878400000810
其中，Tr为时间窗口长度，ri(τ)为τ时刻故障观测器的输出信号，将其作为残差信号输入预设残差评价函数Ji(t)，求取残差评价函数值，τ的取值为t-Tr到t。
步骤S152、若
Figure BDA00029659878400000811
且持续预设时长Δt，则故障i发生，预设阈值
Figure BDA00029659878400000812
根据无故障情况下预设残差评价函数最大值确定，
Figure BDA00029659878400000813
由于闭环控制器的作用会对传感器故障进行掩盖和补偿，故当t时刻满足
Figure BDA0002965987840000091
并且持续一段时间Δt时，判定故障i发生，且在随后过程中故障一直存在，至此得到最终故障检测和分离结果。根据预设残差评价函数Ji(t)及预设阈值
Figure BDA0002965987840000092
能够将每个类型的故障分别确定出来，实现水下机器人的多个传感器复合故障的检测与分离。
为了验证本实施例提供的复合故障检测和分离方法的有效性，以MATLAB为仿真平台进行了以下仿真示例：
选取某一型号的水下机器人做研究对象，选取进退速度、横移速度、潜浮速度和回转速度这四个自由度的运动速度作为状态变量，选取工作点为x0＝[0.6 0.4 0 0]，在工作点附近线性化得到线性系统模型：
Figure BDA0002965987840000093
Figure BDA0002965987840000094
其中
Figure BDA0002965987840000095
Figure BDA0002965987840000096
w(t)和v(t)为零均值高斯白噪声，方差分别为P和Q。
可以理解的是，线性系统模型的参数矩阵A、B、Bd、C、Dd的维度是4*4，辅助动态系统的参数矩阵Aa和Ca的维度也是4*4。
水下机器人四个自由度的运动速度分别由一个PI控制器进行控制，考虑其中三种传感器故障，分别对应测量进退速度、横移速度和潜浮速度的传感器发生故障。系统处于稳态，仿真时长6000s，故障信号如下：
Figure BDA0002965987840000101
Figure BDA0002965987840000102
Figure BDA0002965987840000103
从故障信号设置可以看出，在3000s后三种传感器故障同时存在，复合发生。选取预设时长Δt＝10s，预设阈值选为
Figure BDA0002965987840000104
由图2a至2c可以看出，本实施例提供的方法可以有效实现水下机器人传感器复合故障的检测和分离。
实施例二
本实施例提供一种存储介质，存储介质上存储有计算机程序，计算机程序被一个或多个处理器执行时，实现实施例一的传感器复合故障检测和分离方法。
本实施例中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
传感器复合故障检测和分离方法详见前述实施例，此处不再赘述。
实施例三
本实施例提供一种电子设备，包括存储器和处理器，存储器上存储有计算机程序，计算机程序被所述处理器执行时实现实施例一的传感器复合故障检测和分离方法。
本实施例中，处理器可以是专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(ProgrammableLogic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例中的方法。在处理器上运行的计算机程序被执行时所实现的方法可参照本发明前述实施例提供的方法的具体实施例，此处不再赘述。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统和方法实施例仅仅是示意性的。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种传感器复合故障检测和分离方法，其特征在于，包括：
确定水下机器人的工作点，在所述工作点对运动模型进行线性化得到线性系统模型；
根据所述线性系统模型建立辅助动态系统模型并进行状态增广，得到增广系统动态方程；
针对每一故障类型，分别利用所述增广系统动态方程建立故障观测器；
根据增广系统动态方程的输入和输出数据，得到各故障观测器的输出信号；
利用预设残差评价函数及预设阈值对各故障观测器的输出信号进行评价，得到传感器复合故障的检测和分离结果。
2.根据权利要求1所述的传感器复合故障检测和分离方法，其特征在于，所述根据所述线性系统模型建立辅助动态系统模型，包括：
将所述线性系统模型的输出作为所述辅助动态系统模型的输入，建立辅助动态系统模型，其中，所述线性系统模型的输出为传感器的量测输出。
3.根据权利要求1或2所述的传感器复合故障检测和分离方法，其特征在于，所述线性系统模型如下：
Figure FDA0002965987830000012
Figure FDA0002965987830000011
其中，x(t)为t时刻水下机器人的状态变量，u(t)为t时刻水下机器人的控制输入，y(t)为t时刻传感器的量测输出，A、B、Bd、C和Dd为线性系统模型的参数矩阵，且C为满秩矩阵，w(t)为t时刻的系统噪声，v(t)为t时刻的量测噪声，w(t)和v(t)为零均值高斯白噪声，Li为故障特征向量，mi(t)为t时刻的故障信号，l为故障类型数量。
4.根据权利要求1所述的传感器复合故障检测和分离方法，其特征在于，所述辅助动态系统模型如下：
Figure FDA0002965987830000021
ya(t)＝Caxa(t)
其中，xa(t)为辅助动态系统的状态变量，y(t)为传感器的量测输出，作为辅助动态系统的输入，ya(t)为辅助动态系统的输出，Aa和Ca为辅助动态系统的参数矩阵。
5.根据权利要求4所述的传感器复合故障检测和分离方法，其特征在于，所述增广系统动态方程按照如下方式得到：
令
Figure FDA0002965987830000022
得到如下增广系统动态方程：
Figure FDA0002965987830000023
Figure FDA0002965987830000024
其中，
Figure FDA0002965987830000025
为增广系统动态方程的参数矩阵，
Figure FDA0002965987830000026
为增广的故障特征向量矩阵，n(t)为噪声矩阵，
Figure FDA0002965987830000027
为增广系统动态方程的状态变量，t时刻水下机器人的控制输入u(t)作为增广系统动态方程的输入，
Figure FDA0002965987830000028
为增广系统动态方程的输出；
Figure FDA0002965987830000029
Figure FDA00029659878300000210
A、B、Bd、C和Dd为所述线性系统模型的参数矩阵，Li为故障特征向量，w(t)和v(t)为零均值高斯白噪声，l为故障类型数量。
6.根据权利要求5所述的传感器复合故障检测和分离方法，其特征在于，所述增广系统动态方程中，故障特征向量Li和故障类型数量l满足如下预设要求，以区分不同的故障类型：
Figure FDA00029659878300000211
其中：
Figure FDA0002965987830000031
Figure FDA0002965987830000032
Figure FDA0002965987830000033
表示第i个故障的特征空间，
Figure FDA0002965987830000034
表示包含除第i个故障以外的其余故障的特征空间的最小不可观测子空间。
7.根据权利要求6所述的传感器复合故障检测和分离方法，其特征在于，所述针对每一故障类型，分别利用所述增广系统动态方程建立故障观测器，包括：
Figure FDA0002965987830000035
Figure FDA0002965987830000036
其中，zi(t)为t时刻第i个故障观测器的状态变量，ri(t)为t时刻第i个故障观测器的输出信号，Fi、Ei、Gi、Mi和Hi为第i个故障观测器的参数矩阵；
参数矩阵Fi、Ei、Gi、Mi和Hi基于
Figure FDA0002965987830000037
和增广系统动态方程的参数矩阵计算得到。
8.根据权利要求7所述的传感器复合故障检测和分离方法，其特征在于，所述利用预设残差评价函数及预设阈值对各故障观测器的输出信号进行评价，包括：
利用预设残差评价函数计算每个故障观测器的输出信号对应的函数值；
所述预设残差评价函数Ji(t)如下：
Figure FDA0002965987830000038
其中，ri(τ)为τ时刻故障观测器的输出信号，Tr为时间窗口长度；
若
Figure FDA0002965987830000039
且持续预设时长Δt，则故障i发生，预设阈值
Figure FDA00029659878300000310
根据无故障情况下预设残差评价函数最大值确定。
9.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现如权利要求1至8任一项所述的方法。
10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8任一项所述的方法。
CN202110250841.8A 2021-03-08 2021-03-08 传感器复合故障检测和分离方法、存储介质及电子设备 Active CN113008290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110250841.8A CN113008290B (zh) 2021-03-08 2021-03-08 传感器复合故障检测和分离方法、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110250841.8A CN113008290B (zh) 2021-03-08 2021-03-08 传感器复合故障检测和分离方法、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN113008290A true CN113008290A (zh) 2021-06-22
CN113008290B CN113008290B (zh) 2022-04-01

Family

ID=76408330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110250841.8A Active CN113008290B (zh) 2021-03-08 2021-03-08 传感器复合故障检测和分离方法、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN113008290B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105978725A (zh) * 2016-05-13 2016-09-28 芦慧 一种基于传感器网络的非脆弱性分布式故障估计方法
CN108388229A (zh) * 2018-02-11 2018-08-10 北京工商大学 基于健康度的四旋翼随机混杂系统健康评估方法
CN111290366A (zh) * 2020-02-12 2020-06-16 北京科技大学顺德研究生院 一种航天器姿控系统多故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105978725A (zh) * 2016-05-13 2016-09-28 芦慧 一种基于传感器网络的非脆弱性分布式故障估计方法
CN108388229A (zh) * 2018-02-11 2018-08-10 北京工商大学 基于健康度的四旋翼随机混杂系统健康评估方法
CN111290366A (zh) * 2020-02-12 2020-06-16 北京科技大学顺德研究生院 一种航天器姿控系统多故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何潇: "一种非线性网络化系统的鲁棒故障检测", 《空间控制技术与应用》 *

Also Published As

Publication number Publication date
CN113008290B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
US9428279B2 (en) Systems and methods for airspeed estimation using actuation signals
Castaldi et al. Design of residual generators and adaptive filters for the FDI of aircraft model sensors
CN102795323B (zh) 一种基于ukf的水下机器人状态和参数联合估计方法
CN105823503B (zh) 基于改进灰色预测gm（1,1）模型自主水下航行器传感器故障诊断方法
Hamadi et al. Data fusion fault tolerant strategy for a quadrotor UAV under sensors and software faults
Sankararaman et al. Uncertainty quantification in structural damage diagnosis
CN110763253A (zh) 一种基于svr的组合导航系统故障诊断方法
US11874666B2 (en) Self-location estimation method
Han et al. Quadratic-Kalman-filter-based sensor fault detection approach for unmanned aerial vehicles
Qin et al. Sensor fault diagnosis of autonomous underwater vehicle based on LSTM
CN113008290B (zh) 传感器复合故障检测和分离方法、存储介质及电子设备
Alwi et al. Robust sensor fault estimation for tolerant control of a civil aircraft using sliding modes
Park et al. Data-driven fault detection and isolation of system with only state measurements and control inputs using neural networks
Filaretov et al. The new approach for synthesis of diagnostic system for navigation sensors of underwater vehicles
Nguyen et al. Diagnosis of an inertial measurement unit based on set membership estimation
He et al. Fault tolerant control of a quadrotor based on parameter estimation techniques and use of a reconfigurable PID controller
Caccia et al. Experiences on actuator fault detection, diagnosis and accomodation for ROVs
Hajiyev et al. Adaptive Fading Kalman Filter with Q-adaptation for estimation of AUV dynamics
Fabiani et al. A NLPCA hybrid approach for AUV thrusters fault detection and isolation
Ossmann et al. Optimization-based tuning of LPV fault detection filters for civil transport aircraft
CN111487981A (zh) 船舶动力定位系统及其风力前馈控制方法和装置
CN117250970B (zh) 基于模型嵌入生成对抗网络实现auv故障检测的方法
Pabst et al. Modular fault diagnosis for rovs based on a multi-model approach
Bono et al. ROV actuator fault diagnosis through servo-amplifiers' monitoring: an operational experience
Fravolini et al. Design of robust redundancy relations for a semi-scale YF-22 aircraft model

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