CN114357638A - 传感器状态检测方法、装置、电子设备及存储介质 - Google Patents
传感器状态检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114357638A CN114357638A CN202111522939.0A CN202111522939A CN114357638A CN 114357638 A CN114357638 A CN 114357638A CN 202111522939 A CN202111522939 A CN 202111522939A CN 114357638 A CN114357638 A CN 114357638A
- Authority
- CN
- China
- Prior art keywords
- fault
- sensor
- signal
- sliding mode
- observer
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 239000011159 matrix material Substances 0.000 claims description 68
- 238000005259 measurement Methods 0.000 claims description 17
- 238000002347 injection Methods 0.000 claims description 15
- 239000007924 injection Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000003190 augmentative effect Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 238000002955 isolation Methods 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 32
- 239000000243 solution Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 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
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种传感器状态检测方法、装置、电子设备及存储介质，包括：基于风机线性变参数模型构建滑模故障观测器；将传感器测量数据和风机控制器输出的控制量输入至所述滑模故障观测器，以获取传感器故障补偿信号；根据所述传感器故障补偿信号对所述控制量进行修正。本发明基于风机线性变参数模型设计故障观测器，将有故障风险的传感器作为风机部件增广至风机线性变参数模型中，进而进行故障的检测，提升了传感器故障诊断的精度和适用范围，提供了传感器故障或者失效后的故障检测、隔离以及容错控制的能力，降低了模型不确定性对故障诊断带来的影响，物理概念性强，在满足安全性的同时增加了经济性。
Description
技术领域
本发明涉及机电故障诊断技术领域，尤其涉及一种传感器状态检测方法、装置、电子设备及存储介质。
背景技术
针对传感器故障或者失效后的故障检测与隔离(Fault Detection Isolation，FDI)以及容错控制(Fault Tolerant Control，FTC)，现有技术可以分为三大类，分别为硬件余度、信息方法和软余度的方法。
传统的硬件余度的方法会带来成本的上升，且双余度(即同一信号配置两个传感器)的解决方案也只能进行故障的检测，难以进行故障的定位。
信息方法，即数据驱动和基于信号的方法，过于依赖于系统的解析余度和传感器余度，在特定风机的数据样本量不足时其效果难以保证，且在降低对噪声和干扰的敏感性等方面还需要进行更多研究。
基于模型的软余度方法可以解决上述问题，该方法依赖数学模型在线产生观测值，但风电机组是一个较复杂的非线性系统，通过分段线化的方法产生的模型，仅能在特定范围内保证精度，一旦超出特定范围精度会有明显的下降，故限制了该方法的使用范围。
有鉴于此，亟需改进现有的传感器状态检测方法，以克服现有技术所存在的不足。
发明内容
本发明提供一种传感器状态检测方法、装置、电子设备及存储介质，用以解决或一定程度改善现有技术在实现传感器状态检测以及容错控制时所存在的各方面缺陷，以实现对于传感器的状态检测既满足安全性，同时能提升经济性。
第一方面，本发明提供一种传感器状态检测方法，包括：基于风机线性变参数模型构建滑模故障观测器；
将传感器测量数据和风机控制器输出的控制量输入至所述滑模故障观测器，以获取传感器故障补偿信号；
根据所述传感器故障补偿信号对所述控制量进行修正。
根据本发明提供的一种传感器状态检测方法，在基于风机线性变参数模型构建滑模故障观测器之前，还包括：
基于控制量、传感器故障信号和系统状态量，构建所述风机线性变参数模型。
根据本发明提供的一种传感器状态检测方法，所述基于风机线性变参数模型构建滑模故障观测器，包括：
构建传感器故障信号矩阵；
将所述传感器故障信号矩阵增广至所述风机线性变参数模型，获取增广故障信号矩阵；
基于所述增广故障信号矩阵，构建所述滑模故障观测器。
根据本发明提供的一种传感器状态检测方法，在将传感器测量数据和风机控制器输出的控制量输入至所述滑模故障观测器之前，还包括：
通过构建所述滑模故障观测器的输出向量误差的系数矩阵、注入故障信号的系数矩阵、注入故障信号的增益三者之间的线性矩阵不等式优化为约束，以所述模型不确定性与重构差值之间的L2增益小于预设阈值为目标，求解所述输出向量误差的系数矩阵、所述注入故障信号的系数矩阵和所述注入故障信号的增益，以获取当前的滑模故障观测器；
所述重构差值是传感器故障重构信号与传感器故障信号之间的差值。
根据本发明提供的一种传感器状态检测方法，在所述求解所述输出向量误差的系数矩阵、所述注入故障信号的系数矩阵和所述注入故障信号的增益之后，所述将传感器测量数据和风机控制器输出的控制量输入至所述滑模故障观测器，以获取传感器故障补偿信号，包括：
确定所述注入故障信号；
根据所述输出向量误差的系数矩阵、所述注入故障信号的系数矩阵和所述注入故障信号的增益，对所述增广故障信号矩阵进行转换，获取当前故障信号矩阵；
根据所述当前故障信号矩阵和当前模型不确定性确定当前的重构差值；
根据当前的传感器故障信号和当前的重构差值，确定当前的传感器故障重构信号；
根据当前的传感器故障重构信号确定所述传感器故障补偿信号。
根据本发明提供的一种传感器状态检测方法，所述构建传感器故障信号矩阵，包括：
将所述传感器测量数据分为有故障风险数据和无故障风险数据；
基于有故障风险数据创建所述传感器故障信号矩阵。
根据本发明提供的一种传感器状态检测方法，所述基于所述增广故障信号矩阵，构建所述滑模故障观测器之后，还包括：
确定所述滑模故障观测器的输出误差；
根据对所述输出误差求导结果，设计所述滑模故障观测器的滑模面；
在所述滑模面上，所述滑模故障观测器的输出向量误差，在有限的时间内趋向于0。
第二方面，本发明还提供一种传感器状态检测装置，主要包括：
模型构建单元，用于基于风机线性变参数模型构建滑模故障观测器；
信号补偿单元，用于将传感器测量数据和风机控制器输出的控制量输入至所述滑模故障观测器，以获取传感器故障补偿信号；
信号修正单元，用于根据所述传感器故障补偿信号对所述控制量进行修正。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述传感器状态检测方法的步骤。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述传感器状态检测方法的步骤。
本发明提供的传感器状态检测方法、装置、电子设备及存储介质，基于风机线性变参数模型设计故障观测器，将有故障风险的传感器作为风机部件增广至风机线性变参数模型中，进而进行故障的诊断，提升了传感器故障诊断的精度和适用范围，提供了传感器故障或者失效后的故障检测、隔离以及容错控制的能力，降低了模型不确定性对故障诊断带来的影响，物理概念性强，在满足安全性的同时增加了经济性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1是本发明提供的传感器状态检测方法的流程示意图之一；
图2是本发明提供的风机状态检测及信号重构系统的结构示意图；
图3是本发明提供的传感器状态检测方法的流程示意图之二；
图4是本发明提供的传感器状态检测系统的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
需要说明的是，在本发明实施例的描述中，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。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合图1-图5描述本发明实施例所提供的传感器状态检测方法和装置。
图1是本发明提供的传感器状态检测方法的流程示意图之一，如图1所示，包括但不限于以下步骤：
步骤101：基于风机线性变参数模型((Linear Parameter Varying，LPV)构建滑模故障观测器(Sliding Mode Observer，SMO)。
滑模故障观测器的主要作用在于估计风机电机的感应电动势以及速度、位置等传感器的检测信号，其最大优点在于风机系统进入滑动模态后，对满足匹配条件的不确定性、参数变化等系统干扰具有不变性。
现有技术中所采取的软余度方法，往往是直接利用风机LPV模型在线产生传感器相关的观测值，而并未考虑到风机系统是一个较为复杂的非线性系统，无法保证传感器状态检测的精度。
有鉴于此，本发明所提供的传感器状态检测方法，考虑到风机LPV模型和滑模故障观测器的优点，基于风机LVP模型设计故障观测器，能够有效地提升传感器状态检测的精度和适用范围，降低风机LVP模型的不确定性对状态检测带来的影响。
步骤102：将传感器测量数据和风机控制器输出的控制量输入至所述滑模故障观测器，以获取传感器故障补偿信号。
图2是本发明提供的风机状态检测及信号重构系统的结构示意图，如图2所示，Pr是指控制器的接收指令，一般包括风机转速和输出功率；u(t)为该控制器的控制量；βr为风力发电机桨叶系统的目标桨距角；τg,r为电机的目标转矩；βm,vw,m,Wr,m,τg,m,Wg,m,Pg为传感器测量数据，分别为桨距角的测量值、测量风速、传动系统的测量转速、传动系统的测量扭矩、电机的测量转速和电机的实际输出功率，在实际使用中可根据风机系统的传感器配置情况进行适当增减。
传感器故障情况下的信号输出f0可以理解为在正确的信号上叠加了故障信号，fcor为滑模故障估计器生成的传感器故障补偿信号。
其中，滑模故障估计器主要包括滑模故障观测器，还用于对滑模故障观测器的状态观测结果进行处理，以实现传感器故障估计，输出传感器故障补偿信号。
步骤103：根据所述传感器故障补偿信号对所述控制量进行修正。
在本发明所提供的传感器状态检测方法中，风机控制器(以下简称控制器)主要是根据传感器测量数据和滑模故障观测器输出的传感器故障补偿信号，对由控制器原本生成的控制量进行修正，以利用修正后的控制量指令实现风力发电机作业状态的控制。
本发明提供的传感器状态检测方法，基于风机线性变参数模型设计故障观测器，将有故障风险的传感器作为风机部件增广至风机线性变参数模型中，进而进行故障的诊断，提升了传感器故障诊断的精度和适用范围，提供了传感器故障或者失效后的故障检测、隔离以及容错控制的能力，降低了模型不确定性对故障诊断带来的影响，物理概念性强，在满足安全性的同时增加了经济性。
基于上述实施例的内容，作为一种可选实施例，在基于风机线性变参数模型构建滑模故障观测器之前，还包括：
基于控制量、传感器故障信号和系统状态量，构建风机LPV模型。
在不作特殊说明的情况下，后续实施例中所提及的系统均是指风机系统，也即是风力发电机系统。
图3是本发明提供的传感器状态检测方法的流程示意图之二，如图3所示，在进行传感器状态检测之前，可以预先构建风机LPV模型：
其中，xp(t)表示t时刻的系统状态量；u(t)为t时刻的控制量相关信号；f0(t)为t时刻的传感器故障信号；Ap(β)、Bp(β)为桨叶角为β时LPV模型的系数矩阵，Cp、Np为系数矩阵；
表示t时刻的系统状态量的导数，在离散情况下是系统状态量在单位时间内的变化量；yp(t)为t时刻风机LPV模型输出的传感器测量数据。
进一步地，考虑到在现有的传感器状态检测方法中，无法准确的区分以及界定传感器故障信号与模型不确定性以及风机系统因性能退化产生的信号偏移等，从而导致传感器状态检测结果偏差较大，本发明在构建风机线性变参数模型，将模型不确定性以及风机系统因性能退化产生的信号偏移作为变量因子予以考虑，所构建的风机线性变参数模型的表达式具体为：
其中，Dp(t)表示t时刻的因性能退化产生的信号偏移，为低通信号；ξ(t)表示t时刻风机LPV模型的模型不确定性，是未知但有界的变量；Ap(β)、Bp(β)构成桨叶角为β时LPV模型的系数矩阵，Mp、Cp、Np为系数矩阵。
结合图2所示，在构建风机LPV模型之后，可以基于风机LPV模型构建滑模故障观测器，主要包括：
构建传感器故障信号矩阵；将所述传感器故障信号矩阵增广至所述风机线性变参数模型，获取增广故障信号矩阵；基于所述增广故障信号矩阵，构建所述滑模故障观测器。
作为一种可选实施例，上述构建传感器故障信号矩阵，主要包括以下步骤：
将所述传感器测量数据分为有故障风险数据和无故障风险数据；基于有故障风险数据创建传感器故障信号矩阵。
可选地，将风机LPV模型输出的传感器测量数据yp(t)分为无故障风险数据yp,1(t)和有故障风险数据yp,2(t)这两类，则传感器测量数据yp(t)可以表述为：
其中，所有的下标1表示无故障风险项，所有的下标2表示有故障风险项，如：Dp,1(t)表示t时刻的无故障风险的信号偏移、Dp,2(t)表示t时刻的有故障风险的信号偏移。
进一步地，针对有故障风险数据yp,2(t)，构建新的传感器故障信号矩阵
则：
其中，Af为赫尔维兹矩阵。
进一步地，为实现有故障风险的传感器作为风机部件增广至系统模型中，进而进行故障的诊断，可以将构建好的传感器故障信号矩阵
增广至预先构建的风机LPV模型中，以获取增广故障信号矩阵：
进一步地，可以将增广故障信号矩阵
简化为：
其中，ym(t)为增广后风机LPV模型输出的传感器测量数据。
进一步地，基于增广故障信号矩阵
构建当前的滑模故障观测器：
其中，
为t时刻的状态估计矩阵；
为t时刻的滑模故障观测器的输出估计矩阵；ey(t)为t时刻的滑模故障观测器的输出向量误差，
用于权衡及修正滑模故障观测器的输出估计矩阵；v(t)为滑模故障观测器的注入故障信号，是对传感器故障信号的类型的一个估计，比如阶跃、正弦等；Gl(β)、Gn分别为输出向量误差的系数矩阵以及注入故障信号的系数矩阵。
基于上述实施例的内容，作为一种可选实施例，在基于所述增广故障信号矩阵，构建所述滑模故障观测器之后，还可以包括：
确定所述滑模故障观测器的输出误差；根据对所述输出误差求导结果，设计所述滑模故障观测器的滑模面；在所述滑模面上，所述滑模故障观测器的输出向量误差，在有限的时间内趋向于0。
其中，滑模故障观测器的输出误差可以表示为：
其中
表示状态观测误差，则可以得到：
进一步地，进行滑模故障观测器的滑模面的设计，即在在所述滑模面上，所述滑模故障观测器的输出误差eym(t)，在有限的时间内趋向于0，故滑模面S的表达式可以为：
S＝{e∈Rn:eym(t)＝0}。
基于上述实施例的内容，作为一种可选实施例，在将传感器测量数据和风机控制器输出的控制量输入至所述滑模故障观测器之前，还包括：通过构建所述滑模故障观测器的输出向量误差的系数矩阵、注入故障信号的系数矩阵、注入故障信号的增益三者之间的线性矩阵不等式优化为约束，以所述模型不确定性与重构差值之间的L2增益小于预设阈值为目标，求解所述输出向量误差的系数矩阵、所述注入故障信号的系数矩阵和所述注入故障信号的增益，以获取当前的滑模故障观测器。
其中，上述重构差值是传感器故障重构信号与传感器故障信号之间的差值。
进一步地，本发明所提供的传感器状态检测方法，在构建滑模故障观测器之后，可以根据当前传感器数据，确定滑模故障观测器的参数，以获取当前的滑模故障观测器，包括：定义传感器故障重构信号：
将上述公式中注入故障信号的增益W、滑模故障观测器的输出向量误差的系数矩阵Gn、注入故障信号的系数矩阵Gl作为待求解参数。
在本发明所提供的传感器状态检测方法，可以采用线性矩阵不等式优化(LinearMatrix Inequality，LMI)的方法，通过选取合适的Gn，Gl和增益W使得系统不确定性ξ(t)与
之间的L2增益小于预设阈值γ，其中预设阈值γ为一设定的较小值。
然后，设计当前的滑模故障观测器的注入故障信号：
其中，下标j表示第j个传感器信号，k1、k2、k3、k4均为根据实际需求所定义的系数，sign函数的定义为：
进一步地，本发明根据所设计的滑模故障注入信号，实时估算传感器故障，以进行信号的重建，其表达式为：
其中，H(s)为根据当前的风机LPV模型进行的变换，其变换结果取决于Gl的选取，ξa为当前系统的不确定性。
最后，将传感器故障补偿信号fcor表示为：
本发明提供的传感器状态检测方法，采用基于风机LVP模型进行滑模故障观测器的设计，以利用设计出的当前滑模观测器实现故障信号重构，在控制器读取传感器信号前进行修正。无需额外设计容错控制器，在原控制系统上附加该功能即可提升系统的鲁棒性和容错能力。
图4是本发明提供的传感器状态检测系统的结构示意图，如图4所示，主要包括模型构建单元41、信号补偿单元42和信号修正单元43，其中：
模型构建单元41主要用于基于风机线性变参数模型构建滑模故障观测器；
信号补偿单元42主要用于将传感器测量数据和风机控制器输出的控制量输入至所述滑模故障观测器，以获取传感器故障补偿信号；
信号修正单元43主要用于根据所述传感器故障补偿信号对所述控制量进行修正。
本发明所提供的传感器状态检测装置，在模型构建单元41中基于风机LVP模型设计故障观测器，能够有效地提升传感器状态检测的精度和适用范围，降低风机LVP模型的不确定性对状态检测带来的影响。
信号补偿单元42与风力发电机中的各个传感器通信连接，主要用于接收各个传感器实时上传的传感器测量数据，同时信号补偿单元42与风机控制器通信连接，用于接收各个传感器实时上传的传感器测量数据以及控制器所输出的控制量。最后将采集到的传感器测量数据和控制量均输入至滑模故障观测器，以获取传感器故障补偿信号。
最后，在信号修正单元43中，利用所述传感器故障补偿信号对所述控制量进行修正，并利用修正后的控制量实现对风机发电机的运行控制。
在本发明所提供的传感器状态检测装置中，风机控制器(以下简称控制器)主要是根据传感器测量数据和滑模故障观测器输出的传感器故障补偿信号，对由控制器原本生成的控制量进行修正，以利用修正后的控制量指令实现风力发电机作业状态的控制。
本发明提供的传感器状态检测方法，基于风机线性变参数模型设计故障观测器，将有故障风险的传感器作为风机部件增广至风机线性变参数模型中，进而进行故障的诊断，提升了传感器故障诊断的精度和适用范围，提供了传感器故障或者失效后的故障检测、隔离以及容错控制的能力，降低了模型不确定性对故障诊断带来的影响，物理概念性强，在满足安全性的同时增加了经济性。
需要说明的是，本发明实施例提供的传感器状态检测装置，在具体运行时，可以执行上述任一实施例所述的传感器状态检测方法，对此本实施例不作赘述。
图5是本发明提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行传感器状态检测方法，该方法包括：基于风机线性变参数模型构建滑模故障观测器；将传感器测量数据和风机控制器输出的控制量输入至所述滑模故障观测器，以获取传感器故障补偿信号；根据所述传感器故障补偿信号对所述控制量进行修正。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的传感器状态检测方法，该方法包括：基于风机线性变参数模型构建滑模故障观测器；将传感器测量数据和风机控制器输出的控制量输入至所述滑模故障观测器，以获取传感器故障补偿信号；根据所述传感器故障补偿信号对所述控制量进行修正。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传感器状态检测方法，该方法包括：基于风机线性变参数模型构建滑模故障观测器；将传感器测量数据和风机控制器输出的控制量输入至所述滑模故障观测器，以获取传感器故障补偿信号；根据所述传感器故障补偿信号对所述控制量进行修正。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种传感器状态检测方法，其特征在于，包括：
基于风机线性变参数模型构建滑模故障观测器；
将传感器测量数据和风机控制器输出的控制量输入至所述滑模故障观测器，以获取传感器故障补偿信号；
根据所述传感器故障补偿信号对所述控制量进行修正。
2.根据权利要求1所述的传感器状态检测方法，其特征在于，在基于风机线性变参数模型构建滑模故障观测器之前，还包括：
基于控制量、传感器故障信号和系统状态量，构建所述风机线性变参数模型。
3.根据权利要求2所述的传感器状态检测方法，其特征在于，所述基于风机线性变参数模型构建滑模故障观测器，包括：
构建传感器故障信号矩阵；
将所述传感器故障信号矩阵增广至所述风机线性变参数模型，获取增广故障信号矩阵；
基于所述增广故障信号矩阵，构建所述滑模故障观测器。
4.根据权利要求3所述的传感器状态检测方法，其特征在于，在将传感器测量数据和风机控制器输出的控制量输入至所述滑模故障观测器之前，还包括：
通过构建所述滑模故障观测器的输出向量误差的系数矩阵、注入故障信号的系数矩阵、注入故障信号的增益三者之间的线性矩阵不等式优化为约束，以所述模型不确定性与重构差值之间的L2增益小于预设阈值为目标，求解所述输出向量误差的系数矩阵、所述注入故障信号的系数矩阵和所述注入故障信号的增益，以获取当前的滑模故障观测器；
所述重构差值是传感器故障重构信号与传感器故障信号之间的差值。
5.根据权利要求4所述的传感器状态检测方法，其特征在于，在所述求解所述输出向量误差的系数矩阵、所述注入故障信号的系数矩阵和所述注入故障信号的增益之后，所述将传感器测量数据和风机控制器输出的控制量输入至所述滑模故障观测器，以获取传感器故障补偿信号，包括：
确定所述注入故障信号；
根据所述输出向量误差的系数矩阵、所述注入故障信号的系数矩阵和所述注入故障信号的增益，对所述增广故障信号矩阵进行转换，获取当前故障信号矩阵；
根据所述当前故障信号矩阵和当前模型不确定性确定当前的重构差值；
根据当前的传感器故障信号和当前的重构差值，确定当前的传感器故障重构信号；
根据当前的传感器故障重构信号确定所述传感器故障补偿信号。
6.根据权利要求3所述的传感器状态检测方法，其特征在于，所述构建传感器故障信号矩阵，包括：
将所述传感器测量数据分为有故障风险数据和无故障风险数据；
基于有故障风险数据创建所述传感器故障信号矩阵。
7.根据权利要求3所述的传感器状态检测方法，其特征在于，所述基于所述增广故障信号矩阵，构建所述滑模故障观测器之后，还包括：
确定所述滑模故障观测器的输出误差；
根据对所述输出误差求导结果，设计所述滑模故障观测器的滑模面；
在所述滑模面上，所述滑模故障观测器的输出向量误差，在有限的时间内趋向于0。
8.一种传感器状态检测装置，其特征在于，包括：
模型构建单元，用于基于风机线性变参数模型构建滑模故障观测器；
信号补偿单元，用于将传感器测量数据和风机控制器输出的控制量输入至所述滑模故障观测器，以获取传感器故障补偿信号；
信号修正单元，用于根据所述传感器故障补偿信号对所述控制量进行修正。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述传感器状态检测方法步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述传感器状态检测方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111522939.0A CN114357638A (zh) | 2021-12-13 | 2021-12-13 | 传感器状态检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111522939.0A CN114357638A (zh) | 2021-12-13 | 2021-12-13 | 传感器状态检测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114357638A true CN114357638A (zh) | 2022-04-15 |
Family
ID=81100082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111522939.0A Pending CN114357638A (zh) | 2021-12-13 | 2021-12-13 | 传感器状态检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114357638A (zh) |
-
2021
- 2021-12-13 CN CN202111522939.0A patent/CN114357638A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Edwards et al. | Sensor fault tolerant control using sliding mode observers | |
| CN104268626B (zh) | 电力电缆寿命估计的方法及系统 | |
| CN108448585B (zh) | 一种基于数据驱动的电网潮流方程线性化求解方法 | |
| Fernandez-Canti et al. | Fault detection and isolation for a wind turbine benchmark using a mixed Bayesian/Set-membership approach | |
| CN110987068B (zh) | 一种多传感器综合控制系统数据融合方法 | |
| CN103944481B (zh) | 一种交流异步电机矢量控制系统模型参数在线修正方法 | |
| CN109597403A (zh) | 基于迭代学习滤波器的机电控制系统故障诊断方法 | |
| CN109976311A (zh) | 一阶定值控制系统传感器故障诊断方法及诊断系统 | |
| Zhou et al. | Fault detection of a sandwich system with dead-zone based on robust observer | |
| Fan et al. | Dynamic state estimation and parameter calibration of a DFIG using the ensemble Kalman filter | |
| CN109687792B (zh) | 面向矢量控制系统的牵引电机转子参数在线辨识优化方法 | |
| CN114357638A (zh) | 传感器状态检测方法、装置、电子设备及存储介质 | |
| CN117518866A (zh) | 船舶蒸汽动力系统的性能测试方法及装置 | |
| Chabane et al. | Sensor fault detection and diagnosis using zonotopic set-membership estimation | |
| CN114070146A (zh) | 一种故障检测方法、装置、设备及存储介质 | |
| CN109638811B (zh) | 基于模型等值的配电网电压功率灵敏度鲁棒估计方法 | |
| Combastel et al. | Set‐membership methods applied to FDI and FTC | |
| CN114337427B (zh) | 一种带遗忘因子的递推最小二乘法的转动惯量辨识方法 | |
| US20220215138A1 (en) | Method for Validating System Parameters of an Energy System, Method for Operating an Energy System, and Energy Management System for an Energy System | |
| Mokhtari et al. | An adapative observer based FDI for wind turbine benchmark model | |
| CN115409245A (zh) | 电力系统的预测辅助状态估计方法、装置、设备及介质 | |
| CN111510041B (zh) | 一种永磁同步电机的运行状态评估方法及系统 | |
| CN117040339B (zh) | 一种永磁同步电机矢量解耦方法、装置、设备和存储介质 | |
| US11283391B2 (en) | Detection of current measurement gain errors in synchronous motor drives | |
| Chen et al. | LPV sliding mode observers for sensor fault reconstruction with erroneous scheduling parameter measurements |
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 |