非线性系统的鲁棒故障诊断

论文摘要

随着动态系统对安全性和可靠性越来越高的要求,近年来故障诊断受到更多的关注,其中基于模型的方法是一个热点研究领域。因为非线性系统和建模不确定在实际中的广泛存在,所以非线性系统的鲁棒故障诊断在理论和实际中都具有重大的意义,但相应的研究成果还较少。本论文主要采用如下两类方案:未知扰动解耦和自适应学习,实现非线性系统的鲁棒故障诊断。首先,我们提出了两种新的未知扰动解耦的非线性滤波算法,并成功应用于故障的检测和分离。第一个算法是基于著名的扩展卡尔曼滤波,并且利用线性矩阵不等式证明了其收敛性。然而,扩展卡尔曼滤波在应用上具有一定局限,因此又进一步提出了扰动解耦的粒子滤波算法,其具有更广的应用对象;并且基于多模型似然比检验方法,实现了非线性随机系统的故障诊断。其次,我们深入研究了自适应学习的方案。对于故障检测与估计问题,通过在观测器中引入滑模项提高了故障检测速度,理论证明了该结论并通过仿真得到了验证;而自适应率的改进保证了估计的有界性。对故障分离问题提出了自适应分离估计算法,相比普通的自适应观测器,分离算法具有许多优势。通过适当设计自适应阈值实现了故障检测和分离;基于故障响应空间的概念,还系统地分析了故障的可检测性与可分离性条件。鉴于上述两项研究的对象具有特殊性,接下来又对更一般的非线性Lipschitz系统提出了其自适应观测器的设计方案,并通过小增益定理证明了其稳定性;采用与此前类似的框架可以将其成功应用于故障诊断问题。事实上,上述两类方案都可以统一于系统状态和参数估计的框架下,因此考虑对系统的状态和参数直接进行估计:基于滑动窗估计理论,应用两种新提出的混合优化算法从而实现了故障诊断的目的。最后还指出了未来的一些研究方向:如最优化性能设计、残差评价技术及网络化控制系统的故障诊断等。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.2 非线性系统的鲁棒故障诊断综述
• 1.2.1 鲁棒故障诊断的基本概念
• 1.2.2 未知扰动解耦的方法
• 1.2.2.1 双线性系统的未知输入观测器
• 1.2.2.2 多项式系统的未知输入观测器
• 1.2.2.3 基于微分几何的扰动解耦方法
• 1.2.3 自适应估计的方法
• 1.2.4 非线性等价空间方法
• 1.2.5 应用领域
• 1.2.6 小结
• 1.3 论文结构安排
• 第2章 未知输入扩展卡尔曼滤波及故障诊断
• 2.1 引言
• 2.2 未知输入卡尔曼滤波器
• 2.2.1 UIKF 算法1(Keller
• 2.2.2 UIKF 算法2（Darouach）
• 2.3 未知输入扩展卡尔曼滤波
• 2.3.1 UIEKF 算法
• 2.3.2 UIEKF 的收敛性
• 2.4 鲁棒故障检测与分离策略
• 2.5 基于三容水箱DT5200 的仿真研究
• 2.6 小结
• 第3章 未知扰动解耦的粒子滤波及故障诊断
• 3.1 引言
• 3.2 粒子滤波简介
• 3.2.1 递推贝叶斯估计的基本原理
• 3.2.2 粒子滤波的发展概况
• 3.2.3 粒子滤波的 SIS 算法
• 3.3 未知扰动解耦的粒子滤波
• 3.3.1 未知输入观测器的基本原理
• 3.3.2 未知扰动解耦的粒子滤波器
• 3.4 基于多模型似然比的残差评价及故障诊断策略
• 3.5 仿真研究
• 3.6 小结
• 第4章 基于自适应估计的快速鲁棒故障检测
• 4.1 引言
• 4.2 系统描述及观测器形式
• 4.3 鲁棒故障诊断策略及其稳定性分析
• 4.4 故障的可检测性和检测时间
• 4.5 仿真研究
• 4.6 小结
• 第5章 基于自适应估计的鲁棒故障分离及可分离性
• 5.1 引言
• 5.2 问题描述
• 5.3 鲁棒故障检测和分离的多自适应观测器策略
• 5.3.1 故障检测观测器及其阈值设计
• 5.3.2 自适应分离估计算法及故障分离观测器
• 5.3.3 故障分离的自适应阈值
• 5.3.4 有关自适应分离估计算法的深入讨论
• 5.4 故障的可检测性和可分离性
• 5.5 仿真研究
• 5.6 小结
• 第6章 非线性 Lipschitz 系统的自适应观测器及故障诊断
• 6.1 引言
• 6.2 Lipschitz 观测器简述及小增益定理
• 6.3 非线性Lipschitz 自适应观测器的设计及收敛性
• 6.4 仿真研究
• 6.5 小结及展望
• 第7章 基于智能优化的非线性系统故障诊断研究
• 7.1 引言
• 7.2 基本优化算法简介
• 7.2.1 单纯形法
• 7.2.2 模拟退火算法
• 7.2.3 微粒群算法
• 7.3 混合优化算法的设计
• 7.3.1 SMSA 混合算法
• 7.3.2 PSOSA 混合算法
• 7.4 基于滑动窗估计的故障诊断方案
• 7.5 仿真研究
• 7.6 小结
• 第8章 结论与展望
• 参考文献
• 致谢
• 个人简历、在学期间发表的学术论文与研究成果