本发明涉及故障诊断领域,尤其涉及一种基于鲁棒混杂估计器的随机混杂系统的故障诊断装置及方法。
背景技术:
故障诊断技术是保证风场运行效率并降低风场运营成本的关键。故障诊断技术是一门以近代数学、计算机理论与技术、自动控制理论、信号处理技术、仿真技术、可靠性理论等有关科学为基础的多学科交叉的边缘学科。故障诊断fd(faultdiagnosis)就是根据状态监测所获得的信息,结合已知的结构特性和参数,以及环境条件结合设备的历史记录,在设备没有发生故障之前,对设备的运行状态进行预测和预报;在设备发生故障后,对故障的原因、部位、类型、程度等做出及时判断,并给出维修决策。故障诊断的任务包括故障检测和预报、故障识别、故障分离与估计、故障评价和决策。
对于一些具有随机信息的系统,对于随机部分的处理,可以使用马尔可夫跳跃模型。马尔可夫跳跃系统是一个非线性系统,它将具有不确定性和干扰的系统描述为马尔可夫链过程。这种基于场景的随机模型预测控制可以很好地应用于随机马尔可夫跳跃线性系统。随机模型预测控制的主要优点是可以充分利用干扰的概率信息进行预测。它已应用于约束网络控制系统,能源管理,股票期权市场,医学等多个领域。
为了实现随机混杂系统的故障检测与隔离,如何构建闭环控制系统是一个先决条件。随机混杂系统是一个复杂的随机切换非线性动态系统,集成了机、电、液一体化。
现有技术中,一般是使用闭环控制系统,风能转换系统的故障检测与隔离需要估计系统状态。更具体地,通过卡尔曼滤波器是最常用的估计状态的方法,其基于特定成本函数的最小化,通过从先前观察到的测量中提取信息,实现协方差矩阵的先验评估,需要模拟系统的真实状态。然而,卡尔曼滤波器不适用于混合系统,因为它需要太多的系统状态滤波器,存在系统结构复杂的技术缺陷。
技术实现要素:
(一)要解决的技术问题
本发明的目的在于提供一种基于鲁棒混杂估计器的随机混杂系统的故障诊断装置及方法,以解决上述至少一项技术问题。
(二)技术方案
本发明实施例的一方面,提供了一种基于鲁棒混杂估计器的随机混杂系统的故障诊断装置,包括:
故障输入单元,用于输入未知的执行器故障uf(k)至随机混杂系统,确定所述随机混杂系统的故障模型;
残差确定单元,用于基于鲁棒混杂估计器和所述故障模型,分别确定随机混杂系统在离散状态下和连续状态下的连续状态估计
判断单元,用于根据所述rc(k)判断所述执行器故障是否对所述随机混杂系统产生影响。
在本发明的一些实施例中,所述鲁棒混杂估计器的数目为多个,鲁棒混杂估计器表达式为:
其中,y(k+1)=cx(k+1),x(k+1)为第k+1时刻所述故障模型的状态变量,c为常数,
在本发明的一些实施例中,所述鲁棒混杂估计器的最小化均方估计误差、以及所述执行器故障与所述故障模型的估计误差,均满足解耦条件,从而确定所述l(w(k))。
在本发明的一些实施例中,所述
δ为归一化常数,其为常数,离散概率pr{w(k)=i|w(k+1)=j,y(k)},pr{·}表示事件的概率,i,j∈w,w为离散状态的集合,rj(k+1)和sj(w(k+1))是由第j个鲁棒混杂估计器生成的残差及协方差;
所述
在本发明的一些实施例中,所述rc(k)的表达式为:
其中,跳转概率μji=pr{w(k+1)=j|w(k)=i,y(k)}。
在本发明的一些实施例中,判断单元根据所述rc(k)判断所述执行器故障是否对所述随机混杂系统产生影响,具体为:
所述判断单元根据所述rc(k)的数学期望e[rc(k)]判断所述执行器故障是否对所述随机混杂系统产生影响,其中,所述rc(i)(k)与uf(i)(k-1)满足高斯分布,即:
当e[rc(i)(k)]为0,则所述执行器故障未对所述随机混杂系统产生影响;若e[rc(i)(k)]不为0,则所述执行器故障已对所述随机混杂系统产生影响。
在本发明的一些实施例中,当所述执行器故障已对所述随机混杂系统产生影响时,所述判断单元还用于:
确定故障分量参数ξi(k):
对ξi(k)求差分得δξi(k),当δξi(k)接近于0,则该执行器故障未对第i个输入分量产生影响;当
本发明实施例的另一方面,还提供了一种基于鲁棒混杂估计器的随机混杂系统的故障诊断方法,包括:
输入未知的执行器故障uf(k)至随机混杂系统,确定所述随机混杂系统的故障模型;
基于鲁棒混杂估计器和所述故障模型,分别确定随机混杂系统在离散状态下和连续状态下的连续状态估计
根据所述rc(k)判断所述执行器故障是否对所述随机混杂系统产生影响。
在本发明的一些实施例中,所述鲁棒混杂估计器的数目为多个,鲁棒混杂估计器表达式为:
其中,y(k+1)=cx(k+1),x(k+1)为第k+1时刻所述故障模型的状态变量,c为常数,
在本发明的一些实施例中,使得该鲁棒混杂估计器的最小化均方估计误差、以及所述执行器故障与所述故障模型的估计误差,均满足解耦条件,从而确定所述l(w(k))。
在本发明的一些实施例中,所述
δ为归一化常数,其为常数,离散概率pr{w(k)=i|w(k+1)=j,y(k)},pr{·}表示事件的概率,i,j∈w,w为离散状态的集合,rj(k+1)和sj(w(k+1))是由第j个鲁棒混杂估计器生成的残差及协方差;
所述
在本发明的一些实施例中,所述rc(k)的表达式为:
其中,跳转概率μji=pr{w(k+1)=j|w(k)=i,y(k)}。
在本发明的一些实施例中,根据所述rc(k)判断所述执行器故障是否对所述随机混杂系统产生影响,包括步骤:
根据所述rc(k)的数学期望e[rc(k)]判断所述执行器故障是否对所述随机混杂系统产生影响,其中,所述rc(i)(k)与uf(i)(k-1)满足高斯分布,即:
当e[rc(i)(k)]为0,则所述执行器故障未对所述随机混杂系统产生影响;若e[rc(i)(k)]不为0,则所述执行器故障已对所述随机混杂系统产生影响。
在本发明的一些实施例中,当所述执行器故障已对所述随机混杂系统产生影响时,还包括步骤:
确定故障分量参数ξi(k):
对ξi(k)求差分得δξi(k),当δξi(k)接近于0,则该执行器故障未对第i个输入分量产生影响;当
(三)有益效果
本发明的基于鲁棒混杂估计器的随机混杂系统的故障诊断装置及方法,相较于现有技术,至少具有以下优点:
1、基于鲁棒混杂估计器将未知的执行器故障与混合系统的估计误差动态分离,从而保证估计误差的收敛,可以准确的估计未知的执行器故障的信息。
2、本发明具有很强的实用价值,不仅可以准确地估计随机混杂系统的离散和连续状态,还能够准确应用于未知的执行器故障的随机混杂系统的故障诊断。与常见的卡尔曼滤波器相比,本发明能够避免随着模型和故障种类增多,问题规模增大的问题。而且卡尔曼滤波器只能描述特定的故障,无法描述如执行器这种连续型的故障。而连续型的故障在实际应用中相当普遍,比如执行器未完全失效。所以发明更适合解决随机混杂系统的未知的执行器故障问题。
3、还利用fdi算法来实现随机混杂系统的执行器的故障检测和隔离,不仅能够判断该系统是否因为未知的执行器故障受到影响,还能判断出该影响是由执行器故障中的哪个输入分量所造成的,能够进行精准地故障诊断。
附图说明
图1为本发明实施例的基于鲁棒混杂估计器的随机混杂系统的故障诊断装置的结构示意图;
图2为图1的工作示意图;
图3为本发明实施例的基于鲁棒混杂估计器的随机混杂系统的故障诊断方法的步骤示意图;
图4为图3的具体流程图。
具体实施方式
现有技术中,常见的卡尔曼滤波器只能描述特定的故障,无法描述如执行器这种连续型的故障,而连续型的故障在实际应用中相当普遍,比如执行器未完全失效。而本发明基于鲁棒混杂估计器,能够避免随着模型和故障种类增多,问题规模增大的问题,由此本发明解决随机混杂系统的未知的执行器故障问题。
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明实施例的一方面,提供了一种基于鲁棒估计器的随机混杂系统的故障诊断装置,如图1所示,该装置包括:故障输入单元1、残差确定单元2和判断单元3。
故障输入单元1输入未知的执行器故障uf(k)至随机混杂系统,确定所述随机混杂系统的故障模型;残差确定单元2基于鲁棒混杂估计器和所述故障模型,分别确定随机混杂系统在离散状态下和连续状态下的连续状态估计
在本发明实施例中,随机混杂系统可以为风能转换系统,以下将以风能转换系统为例,结合图2,对本发明的各个单元进行详细解释。
一般来说,需要先对风能转换系统进行建模,在非线性工作点进行线性化,建立一个风能转换系统的线性装配模型,该线性装配模型的表达式为:
x(k+1)=a(w(k))x(k)+b(w(k))u(k)+d(w(k))+d1(w(k))e(k)+iw*yr(k)
y(k)=cx(k)
在此之后,故障输入单元将未知的执行器故障uf(k)输入该风能转换系统,所述风能转换系统的故障模型的表达式为:
x(k+1)=a(w(k))x(k)+b(w(k))u(k)+f(w(k))uf(k)+d(w(k))+d1(w(k))e(k)+iw*yr(k)
y(k)=cx(k)
残差确定单元,基于鲁棒混杂估计器和所述故障模型,分别确定风能转换系统在离散状态下和连续状态下的连续状态估计
其中,所述鲁棒混杂估计器的数目为多个,鲁棒混杂估计器表达式为:
其中,
所述鲁棒混杂估计器的最小化均方估计误差、以及所述执行器故障与所述故障模型的估计误差,均满足解耦条件,从而确定所述l(w(k))。
接着,便可计算离散状态下和连续状态下的连续状态估计
δ为归一化常数,其为常数,离散概率pr{w(k)=i|w(k+1)=j,y(k)},pr{·}表示事件的概率,i,j∈w,w为离散状态的集合,rj(k+1)和sj(w(k+1))是由第j个鲁棒混杂估计器生成的残差及协方差;
所述
根据
其中,跳转概率μji=pr{w(k+1)=j|w(k)=i,y(k)}。
判断单元根据所述rc(k)判断所述执行器故障是否对所述风能转换系统产生影响,其具体操作为:
判断单元根据所述rc(k)的数学期望e[rc(k)]判断所述执行器故障是否对所述风能转换系统产生影响,其中,所述rc(i)(k)与uf(i)(k-1)满足高斯分布,即:
当e[rc(i)(k)]为0,则所述执行器故障未对所述风能转换系统产生影响;若e[rc(i)(k)]不为0,则所述执行器故障已对所述风能转换系统产生影响。
此外,为了能够确定执行器故障中的哪个输入分量对该风能转换系统产生了影响,所述判断单元还可以基于统计决策进行下述操作:
确定故障分量参数ξi(k):
对ξi(k)求差分得δξi(k),当δξi(k)接近于0,则该执行器故障未对第i个输入分量产生影响;当
本发明实施例的第二方面,还提供了一种基于鲁棒混杂估计器的随机混杂系统的故障诊断方法,如图3和图4所示,该方法包括:
s1、输入未知的执行器故障uf(k)至随机混杂系统,确定所述随机混杂系统的故障模型;
所述鲁棒混杂估计器的数目为多个,鲁棒混杂估计器表达式为:
其中,y(k+1)=cx(k+1),x(k+1)为第k+1时刻所述故障模型的状态变量,c为常数,
使得该鲁棒混杂估计器的最小化均方估计误差、以及所述执行器故障与所述故障模型的估计误差,均满足解耦条件,从而确定所述l(w(k))。
s2、基于鲁棒混杂估计器和所述故障模型,分别确定随机混杂系统在离散状态下和连续状态下的连续状态估计
δ为归一化常数,其为常数,离散概率pr{w(k)=i|w(k+1)=j,y(k)},pr{·}表示事件的概率,i,j∈w,w为离散状态的集合,rj(k+1)和sj(w(k+1))是由第j个鲁棒混杂估计器生成的残差及协方差;
所述
在此之后,得到残差,所述rc(k)的表达式为:
其中,跳转概率μji=pr{w(k+1)=j|w(k)=i,y(k)}。
s3、根据所述rc(k)判断所述执行器故障是否对所述随机混杂系统产生影响。
所述rc(k)的表达式为:
其中,跳转概率μji=pr{w(k+1)=j|w(k)=i,y(k)}。
更进一步地,为了能够确定执行器故障中的哪个输入分量对该随机混杂系统产生了影响,当所述执行器故障已对所述随机混杂系统产生影响时,该方法还可以基于统计决策进行下述步骤:
确定故障分量参数ξi(k):
对ξi(k)求差分得δξi(k),当δξi(k)接近于0,则该执行器故障未对第i个输入分量产生影响;当
综上,本发明的基于鲁棒混杂估计器将未知的执行器故障与混合系统的估计误差动态分离,从而保证估计误差的收敛,可以准确的估计未知的执行器故障的信息。
除非有所知名为相反之意,本说明书及所附权利要求中的数值参数是近似值,能够根据通过本发明的内容所得的所需特性改变。具体而言,所有使用于说明书及权利要求中表示组成的含量、反应条件等等的数字,应理解为在所有情况中是受到“约”的用语所修饰。
再者,“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的“一”或“一个”不排除存在多个这样的元件。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。