基于模型的控制系统鲁棒故障诊断技术研究

论文摘要

在控制系统的状态监控与故障诊断中,基于模型的方法得到了广泛应用。但实际中,由于建模误差、系统工况的变化、干扰等原因,模型不可避免地具有一定的不确定性,这对故障检测与诊断的结果会产生重大影响。如何使得故障诊断系统具有良好的鲁棒性,即在模型存在不确定性的情况下仍能确保诊断的准确性,是基于模型的故障诊断面临的一个关键问题。本论文在“十五”部委级课题“机电产品BIT设计技术研究”的支持下,系统深入地研究了基于模型的控制系统鲁棒故障诊断问题,主要研究内容与结论包括:1、深入分析了模型不确定性对故障诊断的影响原因,得到了提高故障诊断系统鲁棒性的基本途径。归纳总结了导致模型不确定性的主要因素;提出了采用随机模型、集合模型、模糊模型以及作为系统的未知输入等描述模型不确定性的方法;由原理出发,分析了模型不确定性对故障诊断的影响原因,得到了抑制模型不确定性影响,提高故障诊断系统鲁棒性的基本途径,为后续有针对性地开展研究工作提供了指导。2、针对线性不确定系统,基于观测器/滤波器方法,研究和提出了在残差生成中抑制模型不确定性的影响来提高故障诊断系统鲁棒性的方法。（1）研究了基于最优未知输入观测器的鲁棒残差生成方法,在满足给定条件时,它可以使得模型不确定性对故障诊断的影响最小。（2）提出了基于多指标约束方法和基于不确定系统满意滤波的鲁棒残差生成方法。其中通过引入H∞性能指标和对无故障时残差方差的约束,抑制模型不确定性对故障诊断的影响;采用H?指数刻画对故障的灵敏度,并由满足H?指数指标确保对故障的灵敏度要求。从而实现了抑制模型不确定性的影响与确保故障灵敏度两方面有效的结合。3、针对线性不确定系统,基于自适应阈值方法,研究并提出了两种在诊断决策中抑制模型不确定性的影响来提高故障诊断系统鲁棒性的方法。（1）提出了基于解析模型的自适应阈值设计方法,基于“概率鲁棒”的思想,利用反映模型不确定性、控制输入等因素的无故障残差上界,得到了对于模型不确定性影响具有适应能力的阈值。基于该阈值的诊断决策,能够实现对故障检测率和虚警率的综合兼顾。（2）针对系统存在干扰,但难于确定干扰边界的情况,进一步提出了基于模糊理论的自适应阈值设计方法。在获取干扰影响残差变化的规律基础上,利用该规律对固定的阈值进行修正,使得阈值能够适应模型不确定性对残差的影响,从而提高故障诊断系统的鲁棒性。4、针对非线性不确定系统,基于支持向量机方法,研究并提出了两种在残差生成中抑制模型不确定性的影响来提高故障诊断系统鲁棒性的方法。（1）对于非线性函数满足Lipschitz条件,模型不确定性采用有界扰动描述的非线性不确定系统,提出了基于SVM（Support Vector Machine,支持向量机）状态观测器的鲁棒故障诊断方法。主要通过在线学习故障特性对系统进行监测,利用SVM的ε-不敏感损失函数控制SVM的输出,抑制模型不确定性的影响,从而提高故障诊断系统的鲁棒性。（2）对于存在强非线性行为的系统,在难于通过解析方法建立系统准确模型的情况下,提出了基于LS-SVM（least squares support vector machines,最小二乘支持向量机）建模与预测的故障检测诊断方法。通过支持向量机对非线性关系的逼近来建立反映系统输入输出关系的时序模型,利用其能够适应系统动态变化的特点来抑制模型不确定性的影响,从而提高故障诊断系统的鲁棒性。5、以某跟踪与稳定伺服平台为对象,应用本文提出的方法,设计并实现了BIT（Built-in Test,机内测试）故障诊断系统。以其中的惯导子系统和电控子系统为具体案例,进行了实验验证。结果表明:应用了鲁棒诊断方法的BIT系统,能够在模型不确定性影响下较准确地诊断故障,较好地抑制虚警。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.1.1 控制系统的鲁棒故障诊断
• 1.1.2 课题来源
• 1.2 文献综述
• 1.2.1 故障诊断的基本问题
• 1.2.2 故障诊断的基本方法
• 1.2.3 鲁棒故障诊断的主要方法
• 1.2.4 线性系统的鲁棒滤波与非线性系统状态估计的有关方法
• 1.2.5 鲁棒故障诊断中需要深入研究的一些问题
• 1.3 论文的主要研究工作及内容安排
• 第二章 模型不确定性及其对故障诊断影响的分析
• 2.1 基于模型的故障诊断中的模型不确定性分析
• 2.1.1 故障诊断中的模型概述
• 2.1.2 故障诊断中模型不确定性的工程背景与信息描述
• 2.2 模型不确定性影响故障诊断的分析
• 2.2.1 基于模型的故障诊断的基本原理
• 2.2.2 模型不确定性影响故障诊断的分析与解决问题的途径
• 2.3 本章小结
• 第三章 基于观测器/滤波器的线性不确定系统的鲁棒残差生成
• 3.1 基于最优未知输入观测器的鲁棒残差生成
• 3.1.1 最优未知输入观测器的基本原理
• 3.1.2 基于最优未知输入观测器的鲁棒残差生成
• 3.1.3 仿真实例
• 3.2 基于多指标约束方法的鲁棒残差生成
• 3.2.1 有关的基本概念
• 3.2.2 基于多指标约束方法的鲁棒残差生成
• 3.2.3 仿真实例
• 3.3 基于不确定系统满意滤波的鲁棒残差生成
• 3.3.1 基于不确定系统满意滤波的鲁棒残差生成
• 3.3.2 仿真算例
• 3.4 本章小结
• 第四章 基于自适应阈值的线性不确定系统的鲁棒诊断决策
• 4.1 基于解析模型的自适应阈值方法
• 4.1.1 系统及有关的描述
• 4.1.2 基于解析模型的自适应阈值设计
• 4.1.3 仿真算例
• 4.2 基于模糊理论的自适应阈值方法
• 4.2.1 基于模糊理论的自适应阈值设计
• 4.2.2 应用实例
• 4.3 本章小结
• 第五章 基于支持向量机的非线性不确定系统的鲁棒故障诊断
• 5.1 支持向量机的基本理论
• 5.1.1 广义最优分类面
• 5.1.2 支持向量机
• 5.1.3 支持向量机回归
• 5.2 基于SVM 观测器的非线性系统鲁棒故障诊断
• 5.2.1 系统描述
• 5.2.2 基于SVM 观测器的非线性系统鲁棒故障诊断
• 5.2.3 故障诊断系统的性能分析
• 5.2.4 仿真算例
• 5.3 基于LS-SVM 建模与预测的非线性系统故障诊断
• 5.3.1 基于LS-SVM 建模与预测的故障诊断
• 5.3.2 基于LS-SVM 的非线性系统建模与预测
• 5.3.3 应用实例
• 5.4 本章小结
• 第六章 技术应用与实验验证
• 6.1 某跟踪与稳定伺服平台的BIT 系统设计
• 6.1.1 跟踪与稳定伺服平台
• 6.1.2 跟踪与稳定伺服平台BIT 系统
• 6.2 多指标约束方法在惯导子系统BIT 中的应用
• 6.2.1 惯导子系统BIT
• 6.2.2 多指标约束方法在惯导子系统BIT 中的应用
• 6.3 LS-SVM 建模与预测的方法在电控子系统BIT 中的应用
• 6.3.1 电控子系统BIT
• 6.3.2 LS-SVM 建模与预测方法在电控子系统BIT 中的应用
• 6.4 本章小结
• 第七章 总结与展望
• 7.1 全文总结
• 7.2 研究展望
• 致谢
• 参考文献
• 作者在学期间取得的学术成果