CN114815785B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114815785B CN114815785B CN202210637971.1A CN202210637971A CN114815785B CN 114815785 B CN114815785 B CN 114815785B CN 202210637971 A CN202210637971 A CN 202210637971A CN 114815785 B CN114815785 B CN 114815785B
- Authority
- CN
- China
- Prior art keywords
- matrix
- finite time
- derivative
- observer
- estimation
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
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,它属于非线性系统鲁棒故障估计领域。本发明解决了现有的有限时间观测器在进行非线性系统的故障估计时,未考虑未知输入干扰的问题。本发明方法所采取的主要技术方案为:步骤一、建立含有执行器故障和未知输入干扰的非线性系统模型;步骤二、对非线性系统模型进行解耦获得两个降阶的子系统模型;步骤三、分别基于两个子系统模型进行有限时间观测器的设计;步骤四、求解设计的有限时间观测器的设计参数;步骤五、基于设计的有限时间观测器以及求解出的设计参数对执行器故障进行估计。本发明方法可以应用于非线性系统执行器故障估计。
Description
技术领域
本发明属于非线性系统鲁棒故障估计领域,具体涉及一种基于快速有限时间观测器的非线性系统执行器鲁棒故障估计方法。
背景技术
故障诊断是一个独立的控制问题,随着系统安全性和可靠性的提高,其得到了广泛而深入的研究。在过去的10年中,故障诊断获得了相当多的关注,并被应用于许多类型的现代系统,如工业系统、航空航天系统和机械臂系统等。故障诊断的目的是检测感兴趣故障的发生,并确定其位置,以防止整个系统的瘫痪。故障诊断的主要任务包括故障检测、故障隔离和故障估计。由于故障估计是一种先进的故障诊断方法,不仅可以确定故障发生的时间和位置,还可以确定故障的大小和幅值,因此,故障估计技术得到了广泛研究。
目前,可以用于故障估计的观测器方法大概有:自适应观测器、未知输入观测器、比例积分观测器、神经网络观测器和学习观测器等。这些观测器可以实现渐进地估计系统的故障,即系统状态及故障估计误差收敛到平衡点所需的时间是无限的。与这些渐进或指数收敛观测器相比,有限时间观测器可以确保系统状态及故障估计误差收敛到平衡点所需的时间是有界的。有限时间观测器通常被设计为包含一个或多个小于1的分数幂,这可以提高状态接近平衡点时的估计性能。因此,与那些基于传统渐进式或指数式收敛的观测器相比,它可以产生更快的瞬态响应和更高精度的估计性能。但现有的有限时间观测器在进行非线性系统的故障估计时,一般未考虑未知输入干扰对故障估计结果的影响。但干扰在实际工程领域中是非常常见且不可避免的。因此,有必要针对非线性系统研究基于有限时间观测器的鲁棒故障估计方法。另一方面,故障估计的性能也是值得关注的,在进行故障估计时不仅要保证故障估计的准确性,同时也要保证故障估计的快速性。
发明内容
本发明的目的是为解决现有的有限时间观测器在进行非线性系统的故障估计时,未考虑未知输入干扰的问题,而提出的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。
本发明为解决上述技术问题所采取的技术方案是:
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,所述方法具体包括以下步骤:
步骤一、建立含有执行器故障和未知输入干扰的非线性系统模型;
步骤二、对步骤一中建立的非线性系统模型进行解耦,获得降阶的子系统模型1和子系统模型2;
步骤三、基于子系统模型1进行有限时间观测器1的设计,基于子系统模型2进行有限时间观测器2的设计;
步骤四、求解设计的有限时间观测器1和有限时间观测器2的设计参数,所述设计参数包括待设计的增益系数α1,α2,β1和β2,以及待设计参数p1,p2;
步骤五、基于设计的有限时间观测器1以及求解出的设计参数对未知输入干扰d进行估计,基于设计的有限时间观测器2以及求解出的设计参数对状态向量ξ进行估计;再根据未知输入干扰d和状态向量ξ的估计结果获得执行器故障的估计结果。
进一步地,所述步骤一中,建立的非线性系统模型为:
其中,x为系统状态;为x的导数;y为系统输出;A为状态增益矩阵;B为控制输入增益矩阵;u为控制输入;M为非线性函数增益矩阵;g(x,t)为系统非线性函数,t为时间变量;D为未知输入干扰增益矩阵;d为未知输入干扰;E为执行器故障增益矩阵;fa为系统执行器故障;C为输出增益矩阵。
进一步地,所述步骤二中,降阶的子系统模型1为:
降阶的子系统模型2为:
其中,z1为子系统模型1的状态向量;为z1的导数;矩阵T为状态向量的线性非奇异变换矩阵,T-1为矩阵T的逆矩阵,A11为矩阵TAT-1的第一分块矩阵,A12为矩阵TAT-1的第二分块矩阵,A21为矩阵TAT-1的第三分块矩阵,A22为矩阵TAT-1的第四分块矩阵;B1为矩阵TB的第一分块矩阵,B2为矩阵TB的第二分块矩阵;M1为矩阵TM的第一分块矩阵;g(T-1z,t)为经过线性非奇异变换后得到的非线性函数;z为经过线性非奇异变换后的状态向量;D1为矩阵TD的第一分块矩阵,D2为矩阵TD的第二分块矩阵;S为输出向量的线性非奇异变换矩阵,C11为矩阵SCT-1的第一分块矩阵,C22为矩阵SCT-1的第二分块矩阵;w1为子系统模型1的输出向量;z2为子系统模型2的状态向量;为z2的导数;w2为子系统模型2的输出向量;E2为矩阵TE的第二分块矩阵。
进一步地,所述步骤三的具体过程为:
定义状态向量ξ=E2fa+D2d,基于子系统模型1设计的有限时间观测器1为:
基于子系统模型2设计的有限时间观测器2为:
其中,为z1的估计值;为的导数;为z2的估计值;为的导数;为z的估计值;为w1的估计值;为w2的估计值;为d的估计值;为的导数;L1和L3为有限时间观测器1的增益矩阵参数;ew1为w1与的差值;α1,α2,β1和β2为待设计的增益系数; e1为z1与的差值;k1>0;p1,p2∈(0.5,1)为待设计参数;sign(e1)和sign(e2)为通用的符号函数;|e1|为求e1的绝对值;表示矩阵C11的逆矩阵运算;为ξ的估计值;为的导数;
进一步地,所述有限时间观测器1的增益矩阵参数L1满足:L1C11=A11。
进一步地,所述有限时间观测器2的增益矩阵参数L2满足:L2C22=A22。
进一步地,所述有限时间观测器1的增益矩阵参数L3满足:L3C22=A12。
进一步地,所述步骤四的具体过程为:
将设计的有限时间观测器1的估计误差表示为:
将设计的有限时间观测器2的估计误差表示为:
给定γ1,ε01和ε02的值,使γ1,ε01和ε02满足γ1>0,ε01>0和ε02>0即可,求解出对称正定矩阵P1和P2、待设计的增益系数α1,α2,β1和β2以及待设计的参数p1,p2,使得下面的线性矩阵不等式优化问题有解,即满足:
进一步地,所述未知输入干扰d的估计结果为:
所述状态向量ξ的估计结果为:
其中,Tf为故障发生的时间;Ts1为有限时间观测器1的收敛时间;Ts2为有限时间观测器2的收敛时间。
更进一步地,所述根据未知输入干扰d和状态向量ξ的估计结果获得执行器故障的估计结果,其具体过程为:
本发明的有益效果是:
本发明设计了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,使得系统在发生执行器故障后,能够在有限时间内得到系统执行器故障的鲁棒估计结果。本发明方法的优势在于:
1、将有限时间观测器应用于非线性系统故障估计领域且设计的有限时间观测器是连续的;
2、在设计有限时间观测器的同时考虑了系统未知输入干扰且不是应用优化技术尽可能地降低干扰对估计结果的影响,而是将干扰精确估计出来并补偿掉。因此,可以提高故障估计的准确性以及鲁棒性;
3、在设计有限时间观测器时引入了比例项,从而提高了有限时间观测器的收敛速度,即也提高了故障估计的速度,改善了故障估计的性能,使得系统在出现故障后及时应对,因此,可以有效地提高系统解决故障的效率,提高系统运行的安全性和可靠性。
附图说明
图1是本发明方法的流程图;
图2是实施例中系统执行器故障的估计图。
具体实施方式
具体实施方式一、本实施方式的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,用于解决非线性动态系统的鲁棒故障估计问题,本实施方式的方法同时考虑了系统非线性因素,系统未知输入干扰及系统执行器故障问题。为了增加方法的实际应用价值,本发明设计了一种连续的有限时间观测器。首先,通过线性非奇异变换将原非线性系统解耦为两个降阶的子系统,其中,一个子系统只包含系统的未知输入干扰,而另外一个子系统同时包含系统的未知输入干扰和执行器故障。然后分别针对两个子系统设计快速有限时间观测器,其中,第一个快速有限时间观测器可以实现系统未知输入干扰的有限时间精确估计。而另一个快速有限时间观测器可以实现系统未知输入干扰及执行器故障的同时估计。然后再结合第一个观测器获得的干扰估计结果求得系统执行器故障的有限时间精确估计。为了进一步加快故障的估计效果,该观测器中引入比例项加快了故障估计的速度,提高了故障估计的性能。
下面结合附图对本发明方法做进一步的详细说明。
如图1所示为本发明方法的流程图,本发明方法具体包括以下步骤:
步骤1:给出非线性系统数学模型,考虑系统的非线性项、未知输入干扰及系统执行器故障情况。
所述非线性系统数学模型为:
其中,x为系统状态;为x的导数;y为系统输出;d为未知输入干扰;u为控制输入;g(x,t)为系统非线性函数;fa为系统执行器故障;A为状态增益矩阵;B为控制输入增益矩阵;C为输出增益矩阵;E为执行器故障矩阵;D为未知输入干扰增益矩阵;M为非线性函数增益矩阵,t为时间变量。
步骤2:通过线性非奇异变换将原非线性系统解耦为两个降阶的子系统,所述两个降阶的子系统模型为:
其中,矩阵T和S分别为状态向量及输出向量的线性非奇异变换矩阵;A11为矩阵TAT-1的第一分块矩阵,A12为矩阵TAT-1的第二分块矩阵,A21为矩阵TAT-1的第三分块矩阵,A22为矩阵TAT-1的第四分块矩阵;B1为矩阵TB的第一分块矩阵,B2为矩阵TB的第二分块矩阵;M1为矩阵TM的第一分块矩阵;E2为矩阵TE的第二分块矩阵;D1为矩阵TD的第一分块矩阵,D2为矩阵TD的第二分块矩阵;C11为矩阵SCT-1的第一分块矩阵,C22为矩阵SCT-1的第四分块矩阵;T-1为矩阵T的逆矩阵;z1为子系统1的状态向量,z2为子系统2的状态向量,z为经过变换后的状态向量;w1为子系统1的输出向量,w2为子系统2的输出向量;d为未知输入干扰;u为控制输入;g(T-1z,t)为经过变换后得到的非线性函数;fa为系统执行器故障;t为时间变量。
步骤3:通过定义ξ=E2fa+D2d,所述快速有限时间观测器分别设计为:
其中,为z1的估计值;为的导数;为z2的估计值;为的导数;为z的估计值;为w1的估计值;为w2的估计值;为d的估计值;为ξ的估计值;为的导数;为的导数;e1为z1与的差值;e2为z2与的差值;ew1为w1与的差值;ew2为w2与的差值;u为系统的输入;L1、L2、L3为观测器的增益矩阵参数;α1,α2,β1和β2为待设计增益系数;T-1表示矩阵T的逆矩阵运算;表示矩阵C11的逆矩阵运算;
k1>0,k2>0,p1,p2∈(0.5,1)为待设计参数,其中,参数k1和k2的引入可以提高有限时间观测器收敛的快速性,即故障估计的快速性;sign(e1)和sign(e2)为通用的符号函数;|e1|和|e1|为求e1和e2的绝对值。
步骤4:满足L1C11=A11,L2C22=A22和L3C22=A12,所述两个观测器的估计误差可以表示为:
其中,ed为未知输入干扰d的估计误差,即为ed的导数;eξ为新定义的状态向量ξ的估计误差,即为eξ的导数;为d的导数;为ξ的导数;Δg为观测器的非线性项估计误差,即α1,α2,β1和β2为待设计增益系数;
k1>0,k2>0,p1,p2∈(0.5,1)为待设计参数,其中参数k1和k2的引入可以提高有限时间观测器收敛的快速性,即故障估计的快速性;sign(e1)和sign(e2)为通用的符号函数;|e1|和|e1|为求e1和e2的绝对值。
其中,为s1d的导数;s2d=ed,为s2d的导数; 为sd的导数;为s1ξ的导数;s2ξ=eξ,为s2ξ的导数;为sξ的导数;为d的导数;为ξ的导数;Δg为观测器的非线性项估计误差,即 I为单位矩阵;α1,α2,β1和β2为待设计增益系数;k1>0,k2>0,p1,p2∈(0.5,1)为待设计参数,其中参数k1和k2的引入可以提高有限时间观测器收敛的快速性,即故障估计的快速性;|e1|和|e1|为求e1和e2的绝对值。
步骤6:应用设计的观测器求解方法求解观测器的设计参数,同时使得步骤4中描述的误差估计动态是有限时间稳定的。所述观测器参数的求解步骤为:
对于步骤2中得到的两个降阶的子系统,设计步骤3中描述的快速有限时间观测器,给定γ1,ε01和ε02,若存在对称正定矩阵P1和P2,以及参数α1,α2,β1和β2,使得下面的线性矩阵不等式优化问题有解,即满足:
则步骤4中描述的误差估计动态是有限时间稳定的,其中:*表示对称矩阵的对称项,且Lg为自行可设定的非线性系数,一般取0.1~1.0之间;表示求矩阵A01的转置矩阵;表示求矩阵A02的转置矩阵;||T-1||为求T-1的模,至此完成观测器的设计。
步骤7:应用求得的观测器参数进行两个降阶子系统中未知输入干扰d的估计以及新定义的状态向量ξ的估计,对未知输入干扰d的估计即可表示为对新定义的状态向量ξ的估计即可表示为最后完成系统执行器故障的估计任务,所述观测器执行器故障的估计结果为:
其中,为执行器故障fa的估计值;为矩阵的伪逆矩阵,即 t为时间量;Tf为故障发生的时间;Ts1和Ts2分别为两个有限时间观测器的收敛时间;k1>0,k2>0,p1,p2∈(0.5,1)为待设计参数,其中参数k1和k2的引入可以提高有限时间观测器收敛的快速性,即故障估计的快速性;sign(e1)和sign(e2)为通用的符号函数;|e1|和|e1|为求e1和e2的绝对值;∫表示积分符号;d为求导符号。
实施例:
以一个单连杆柔性关节机器人为例,进一步证明所提出的快速有限时间观测器对非线性系统执行器故障估计的精确性及快速性。该非线性系统的数学模型的相关参数可以表示为:
线性非奇异变换矩阵T和S分别为:
则
因此,得到的观测器增益矩阵L1,L2和L3分别为:
过程干扰和测量噪声干扰及控制输入定义为:
ξd=0.2sin(10t),ξs=0.1sin(10t),u=2sin(2pt)。
系统及观测器的初始值都为0。
执行器故障为:fa=sin(t)。
非线性系数Lg取为0.1,γ1=ε01=ε02=1。
然后应用描述的观测器参数求解方法,得到:
α1=α2=2.97,β1=β2=1.1,k1=k2=2.5,p1=0.55,p2=0.6。
仿真分析:
由基于快速有限时间观测器的单连杆柔性关节机器人快速故障估计结果如图2所示:图2表示系统执行器故障fa的估计结果,图中横坐标表示仿真时间,纵坐标表示执行器故障fa的估计幅值,图中实线表示执行器故障fa的真实值,虚线表示执行器故障fa的估计值。从仿真图中可以看出,本发明设计的快速有限时间观测器,在系统未知输入干扰存在的情况下仍然可以快速准确的估计系统的执行器故障,并且其估计结果是连续的,其对实际工程中的非线性系统的在线鲁棒故障估计具有重要的应用价值。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一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,其特征在于,所述方法具体包括以下步骤:
步骤一、建立含有执行器故障和未知输入干扰的非线性系统模型;
步骤二、对步骤一中建立的非线性系统模型进行解耦,获得降阶的子系统模型1和子系统模型2;
步骤三、基于子系统模型1进行有限时间观测器1的设计,基于子系统模型2进行有限时间观测器2的设计;
步骤四、求解设计的有限时间观测器1和有限时间观测器2的设计参数;
步骤五、基于设计的有限时间观测器1以及求解出的设计参数对未知输入干扰d进行估计,基于设计的有限时间观测器2以及求解出的设计参数对状态向量ξ进行估计;再根据未知输入干扰d和状态向量ξ的估计结果获得执行器故障的估计结果。
3.根据权利要求2所述的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,其特征在于,所述步骤二中,降阶的子系统模型1为:
降阶的子系统模型2为:
其中,z1为子系统模型1的状态向量;为z1的导数;矩阵T为状态向量的线性非奇异变换矩阵,T-1为矩阵T的逆矩阵,A11为矩阵TAT-1的第一分块矩阵,A12为矩阵TAT-1的第二分块矩阵,A21为矩阵TAT-1的第三分块矩阵,A22为矩阵TAT-1的第四分块矩阵;B1为矩阵TB的第一分块矩阵,B2为矩阵TB的第二分块矩阵;M1为矩阵TM的第一分块矩阵;g(T-1z,t)为经过线性非奇异变换后得到的非线性函数;z为经过线性非奇异变换后的状态向量;D1为矩阵TD的第一分块矩阵,D2为矩阵TD的第二分块矩阵;S为输出向量的线性非奇异变换矩阵,C11为矩阵SCT-1的第一分块矩阵,C22为矩阵SCT-1的第二分块矩阵;w1为子系统模型1的输出向量;z2为子系统模型2的状态向量;为z2的导数;w2为子系统模型2的输出向量;E2为矩阵TE的第二分块矩阵。
4.根据权利要求3所述的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,其特征在于,所述步骤三的具体过程为:
定义状态向量ξ=E2fa+D2d,基于子系统模型1设计的有限时间观测器1为:
基于子系统模型2设计的有限时间观测器2为:
5.根据权利要求4所述的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,其特征在于,所述有限时间观测器1的增益矩阵参数L1满足:L1C11=A11。
6.根据权利要求5所述的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,其特征在于,所述有限时间观测器2的增益矩阵参数L2满足:L2C22=A22。
7.根据权利要求6所述的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,其特征在于,所述有限时间观测器1的增益矩阵参数L3满足:L3C22=A12。
8.根据权利要求7所述的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,其特征在于,所述步骤四的具体过程为:
将设计的有限时间观测器1的估计误差表示为:
将设计的有限时间观测器2的估计误差表示为:
给定γ1,ε01和ε02的值,求解出对称正定矩阵P1和P2、待设计的增益系数α1,α2,β1和β2以及待设计的参数p1,p2,使得下面的线性矩阵不等式优化问题有解,即满足:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210637971.1A CN114815785B (zh) | 2022-06-07 | 2022-06-07 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210637971.1A CN114815785B (zh) | 2022-06-07 | 2022-06-07 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114815785A CN114815785A (zh) | 2022-07-29 |
CN114815785B true CN114815785B (zh) | 2023-04-07 |
Family
ID=82521778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210637971.1A Active CN114815785B (zh) | 2022-06-07 | 2022-06-07 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114815785B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068427A (zh) * | 2015-08-31 | 2015-11-18 | 哈尔滨工业大学 | 一种多机器人系统有限时间鲁棒协同跟踪控制方法 |
CN109426238A (zh) * | 2017-08-31 | 2019-03-05 | 中国科学院沈阳自动化研究所 | 一种基于滑模观测器的航天器姿控系统多故障诊断方法 |
CN109753045A (zh) * | 2017-11-08 | 2019-05-14 | 中国科学院沈阳自动化研究所 | 一种基于bp神经网络的航天器姿控系统故障诊断方法 |
CN111240297A (zh) * | 2018-11-28 | 2020-06-05 | 中国科学院沈阳自动化研究所 | 基于Kalman滤波器的航天器姿控系统故障诊断方法 |
CN112925206A (zh) * | 2021-01-26 | 2021-06-08 | 南京航空航天大学 | 一种非线性多倒立摆互联系统分布式鲁棒故障诊断方法 |
CN113031570A (zh) * | 2021-03-18 | 2021-06-25 | 哈尔滨工业大学 | 基于自适应未知输入观测器的快速故障估计方法及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6577542B2 (ja) * | 2017-09-05 | 2019-09-18 | ファナック株式会社 | 制御装置 |
-
2022
- 2022-06-07 CN CN202210637971.1A patent/CN114815785B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068427A (zh) * | 2015-08-31 | 2015-11-18 | 哈尔滨工业大学 | 一种多机器人系统有限时间鲁棒协同跟踪控制方法 |
CN109426238A (zh) * | 2017-08-31 | 2019-03-05 | 中国科学院沈阳自动化研究所 | 一种基于滑模观测器的航天器姿控系统多故障诊断方法 |
CN109753045A (zh) * | 2017-11-08 | 2019-05-14 | 中国科学院沈阳自动化研究所 | 一种基于bp神经网络的航天器姿控系统故障诊断方法 |
CN111240297A (zh) * | 2018-11-28 | 2020-06-05 | 中国科学院沈阳自动化研究所 | 基于Kalman滤波器的航天器姿控系统故障诊断方法 |
CN112925206A (zh) * | 2021-01-26 | 2021-06-08 | 南京航空航天大学 | 一种非线性多倒立摆互联系统分布式鲁棒故障诊断方法 |
CN113031570A (zh) * | 2021-03-18 | 2021-06-25 | 哈尔滨工业大学 | 基于自适应未知输入观测器的快速故障估计方法及设备 |
Non-Patent Citations (2)
Title |
---|
Chao Zhang 等.Observer based active vibration control of flexible space structures with prescribed performance.Journal of the Franklin Institute.2020,第357卷(第3期),1400-1419. * |
邓露 等.基于广义未知输入观测器的鲁棒故障估计方法.计算机应用研究.2018,第35卷(第05期),1441-1445,1462. * |
Also Published As
Publication number | Publication date |
---|---|
CN114815785A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Robust fault estimation and fault-tolerant control for Markovian jump systems with general uncertain transition rates | |
CN111090945B (zh) | 一种针对切换系统的执行器和传感器故障估计设计方法 | |
Chu et al. | Fault reconstruction using a terminal sliding mode observer for a class of second-order MIMO uncertain nonlinear systems | |
Gao et al. | Unknown input observer-based robust fault estimation for systems corrupted by partially decoupled disturbances | |
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 | |
CN110209148B (zh) | 一种基于描述系统观测器的网络化系统的故障估计方法 | |
Ichalal et al. | Simultaneous state and unknown inputs estimation with PI and PMI observers for Takagi Sugeno model with unmeasurable premise variables | |
CN111158343B (zh) | 一种针对带有执行器和传感器故障的切换系统的异步容错控制方法 | |
CN107561935A (zh) | 基于多层神经网络的电机位置伺服系统摩擦补偿控制方法 | |
Hashimoto et al. | Vss observer for linear time varying system | |
CN113031570B (zh) | 基于自适应未知输入观测器的快速故障估计方法及设备 | |
Zhang et al. | Robust H∞ adaptive descriptor observer design for fault estimation of uncertain nonlinear systems | |
CN113146640A (zh) | 一种考虑执行器故障的机械臂分散最优容错控制方法 | |
CN104614984A (zh) | 一种电机位置伺服系统的高精度控制方法 | |
CN108762088B (zh) | 一种迟滞非线性伺服电机系统滑模控制方法 | |
Wang et al. | Fault estimation for aero‐engine LPV systems based on LFT | |
Zhou et al. | Fault detection of a sandwich system with dead-zone based on robust observer | |
CN110000788B (zh) | 用于远程操作系统的有限时间容错控制方法 | |
Hu et al. | Dual neural networks based active fault-tolerant control for electromechanical systems with actuator and sensor failure | |
CN113325717B (zh) | 基于互联大规模系统的最优容错控制方法、系统、处理设备、存储介质 | |
Tahoun et al. | A new unmatched-disturbances compensation and fault-tolerant control for partially known nonlinear singular systems | |
CN114815785B (zh) | 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 | |
Qian et al. | Integrated fault tolerant attitude control approach for satellite attitude system with sensor faults | |
Langueh et al. | Fixed‐time sliding mode‐based observer for non‐linear systems with unknown parameters and unknown inputs | |
Hu et al. | Observer‐based optimal adaptive control for multimotor driving servo systems |
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 |