一种不完备系统故障诊断的生成粒子滤波器方法
【专利摘要】本发明涉及一种不完备系统故障诊断的生成粒子滤波器方法，在粒子滤波器中通过设计一种抽象的未知故障模式描述所有的系统未建模动态，通过提取粒子集特征判断当前模式是否为未知模式。如果为已知模式，则利用常规粒子滤波器方法对系统进行诊断；如果为未知模式，则根据积累的样本利用神经网络学习并构造新模式的状态转移模型，并将新模式加入到故障模式集合中，构造出新的扩展故障空间。此后，粒子滤波器在扩展后的故障空间中对新的数据进行诊断。该技术方案在粒子滤波器框架下结合神经网络实现，针对不完备混合动态系统，不仅可以诊断已知故障，还能识别和学习新的故障模式，能提高故障诊断系统在实际应用中的可靠性。
【专利说明】一种不完备系统故障诊断的生成粒子滤波器方法
【技术领域】
[0001]本发明涉及一种不完备系统故障诊断的生成粒子滤波器方法，属于故障诊断【技术领域】。
【背景技术】
[0002]模型不完备条件下的故障诊断问题是一个具有挑战性的难点问题。已有的故障诊断方法大多数要求建立完备的故障模型。然而，由于以下几方面的原因，系统模型通常是不完备的:(1)人们没有掌握复杂系统的全部规律，导致部分动态未备建模；(2)由于系统复杂度非常高，为了简化计算，通常忽略了一些高阶动态；(3)由于系统及其环境的动态变化，导致不可能对系统完备建丰旲。
[0003]粒子滤波器是监视动态系统的蒙特卡罗(Monte Carlo，即随机选择)方法，通过带权样本(即粒子)集非参数化地近似概率分布.粒子滤波器提供了一种计算上可行的方法，来估计混合系统的状态.除了计算上的优势外，在单个粒子滤波器中可以同时表示离散和连续状态，而且不受高斯假设的约束可以表示任意分布。然而，常规粒子滤波器方法同样要求系统被完备建模。
[0004]从贝叶斯滤波角度，混合系统故障诊断问题可以简要描述如下。多模型混合系统定义为，
【权利要求】
1.一种不完备系统故障诊断的生成粒子滤波器方法，其特征在于:在粒子滤波器中通过保留非规格化权重以及阈值逻辑检测未知故障，对于检测到的未知故障，利用通过基于神经网络的方法，建立未知模式的状态方程x,+l =NNJxl);具体实现步骤如下: (1)初始化，具体包括: (Ia)设置粒子数Nto_，阈值α，已知模式集合S，先验分布P(Stl),以及转移概率τι Jj=P (st=j I S^1=I), ij e Sknown, Unknown_found=0 (Unknown_found 用于对连续发现未知模式进行识别)，Learned_num=0 (Learned_num表示通过学习构建的模型数目)，S— = 0 (8/(,_&表示通过学习构建的模型集合)，Nleamed (新学习模式识别的粒子数目，由于新的模式模型不确定性强，该值设置通常远远大于Nto_)； (Ib)从先验分布P (Stl)采样离散状态{<八； (Ic)从先验分布P(X()丨41)采样连续状态; 对于每一时间步t，地推地进行预测、更新、估计以及重采样过程(具体如下述步骤2~9)； (2)状态预测(重要性采样)，具体包括: (2a)根据离散状态转移概率抽取离散样本{#}，: pis'ls；:1,)； (2b)根据样本的离散状态确定连续状态转移概率，并抽取样本{#}，χΜ: (3)权重更新，具体包括:` (3a)根据测量模型计算非规格化权重$ = WiL1Pizl I；
N known (3b)计算非规格化因子M = Σ砷];
,—=1 (3c)计算边缘分布AO, IZ1..,) = ^ O,) ?’
i=\ 1 (4)离散状态估计flzu);
s, (5)权重规格化<=贫V% ；
^ known (6)连续状态估计i,=；
?=Ι (7)利用样本集<少,>训练神经网络 (8)扩展模式诊断:如果Wt〈α且Learned_num>0则利用自适应粒子滤波器APF对新学习的模型集合Sleamed进行诊断；诊断的结果分为以下几种:(a)当前模式为Sleamed中存在的模式Stawn l，则利用当前的样本学习该模式sto_」；(b)当前模式为新的未知模式；步骤包括: (Sa)对Sleamed均匀采样Nleamed个离散样本{f I ; (8b)根据样本}从对应神经网络采样连续样本, Wlml^ '一) fd)，其中Rleamed表示新学习模型方差；(8c)根据测量模型计算非规格化权重; (Sd)计算非规格化因子
【文档编号】H03H21/00GK103795373SQ201310653704
【公开日】2014年5月14日 申请日期:2013年11月29日 优先权日:2013年11月29日
【发明者】段琢华, 邹昆, 杨亮, 徐翔 申请人:电子科技大学中山学院