基于粒子滤波与线性自回归的故障预测算法

粒子退化是粒子滤波在故障预测应用中存在的主要问题.针对粒子滤波算法样本贫化问题,提出一种基于粒子滤波与线性自回归的故障预测算法.在算法的状态估计阶段,使用混合状态系统模型和粒子滤波算法对系统状态的概率密度函数进行估计,并实时给出故障发生概率;在算法的状态预测阶段,采用线性自回归模型对故障征兆随时间的演化情况进行估计及修正,同时给出剩余使用寿命的概率密度函数.故障预测仿真实验结果证明了算法的有效性.     

混合系统二维离散与连续状态同步估计研究

在混合系统中,需要同时估计出系统的离散状态与连续状态.针对混合系统出现二维离散状态下的混合状态估计问题进行研究,根据系统特性,采用跳变马尔可夫线性系统建模,并应用Rao-Blackwellised粒子滤波算法对二维离散状态与连续状态进行同步估计.由于算法一定程度上缓解了粒子滤波算法在高维状态空间估计中的失效问题,并对离散状态单独采样,能提高系统状态的估计精度.仿真试验证明,方法能有效地同步估计出系统的二维离散状态与连续状态,其中,二维离散状态的估计准确率达到了96%.     

非线性系统的多扩展目标跟踪算法

目前扩展目标跟踪算法大都假设其系统为线性高斯系统，针对非线性系统的多扩展目标跟踪问题，提出了采用粒子滤波技术对目标状态和关联假设进行联合估计的多扩展目标跟踪算法。首先，提出了将多扩展目标状态和关联假设进行联合估计的思想，解决了在估计目标状态和数据关联时相互牵制的问题；其次，根据扩展目标演化模型、量测模型建立多扩展目标状态和关联假设的联合建议分布函数，并利用粒子滤波技术实现联合估计的Bayes框架；最后，为解决直接采用粒子滤波实现时存在的维数灾难问题，将目标联合状态粒子的产生和演化分解为各个目标状态粒子的产生和演化，对每个目标的粒子集根据与其相关的权重单独进行重抽样，这样在抑制目标状态估计较差部分的同时使每个目标都保留了对其状态估计较好的粒子。仿真实验结果表明，与扩展目标概率假设密度滤波器的高斯混合实现方式和序贯蒙特卡洛实现方式相比，所提算法的状态估计精度较高，形状估计的Jaccard距离分别降低了30%、20%左右，更适合于非线性系统的多扩展目标跟踪。     

基于混合系统状态估计的故障诊断

如果将故障的发生视为一个离散事件,则存在故障可能的系统可以看作随机混合系 统,那么故障诊断问题就可转化为混合系统的离散状态估计问题.文中试图从这个角度研究 在非高斯噪声环境下非线性系统的故障诊断问题.在发生故障后的系统模型是已知的假定条 件下,使用随机混合自动机对系统建模,并利用基于粒子滤波的混合估计算法估计出混合状 态,从而完成故障诊断.仿真结果表明,所提的方法是可行的,可以处理某类故障诊断.     

基于粒子滤波算法的混合系统监测与诊断

利用粒子滤波算法具有同时估计连续状态和离散状态的特点,提出一种可用于混合系 统状态监测与诊断的新方法.给出了该方法的理论推导和设计步骤,讨论了在诊断应用中粒子滤 波器所遇到的问题,并给出了改善的措施.仿真结果证明用粒子滤波器对混合系统进行监测与诊 断是可行的,所提的方法对估计结果有比较好的改善.     

不完备多模型混合系统故障诊断的粒子滤波算法

针对模型不完备的混合动态系统故障诊断问题提出了一种粒子滤波算法. 系统未建模动态利用未知故障模式描述, 当存在未知模式时, 常规的粒子滤波器算法存在发散现象. 本文分析了常规粒子滤波器发散的原因, 提取了两个基于粒子集合的统计量: 粒子集的规格化因子 W 以及最大后验概率估计状态的信度 B. 在此基础上设计了检测未知故障模式的阈值逻辑, 即当 W 几乎为0且 B 较小时离散状态为未知故障模式. 在一定假设下从理论上证明了算法的正确性. 通过不完备的非线性混合系统诊断问题验证了算法的有效性.     

非线性粒子滤波目标跟踪应用仿真

针对非线性环境中存在的机动目标跟踪问题,对基于贝叶斯估计的粒子滤波器进行研究,为解决混合退火粒子滤波重要密度函数构造的问题,在混合退火粒子滤波的基础上,通过对系统状态和观测粒子方差的研究,提出了非线性环境下动态退火参数粒子滤波的改进算法,在混合退火粒子滤波中引入动态退火参数来构造高效的重要密度函数,提高了混合退火粒子滤波的跟踪精度,应用该滤波方法对机动目标模型进行仿真,并对多种滤波跟踪算法进行性能测试和比较,仿真实验结果表明,在非线性环境下该粒子滤波方法可行有效.     

利用混合卡尔曼滤波的混沌信号盲估计

针对混沌动力学系统时变参数未知的混沌信号,在含有状态噪声的情况下,利用混合卡尔曼滤波提出一种盲估计算法.对未知参数和混沌状态构成的高维状态进行估计,先利用卡尔曼滤波给出线性高斯部分的最优精确估计,剩余部分利用粒子滤波方法给出次优估计,文中详细研究了高斯噪声以及非高斯噪声下的最优重要性函数选取并推导了重要性权重的计算公式,最终基于有效粒子的最小均方误差准则实现了信号的盲估计.仿真结果表明该算法能有效实现含有状态噪声混沌信号的盲估计,并取得了比基本粒子滤波算法更优的性能.     

基于粒子群优化粒子滤波的电容剩余寿命预测

在电路系统中,电解质电容的故障与否对电路的健康状态有着很大的影响。提出应用一种粒子群优化粒子滤波算法对电解质电容进行状态估计以及剩余寿命的预测。该算法使用NASA已公布的电容数据集,建立一种指数结合多项式的经验退化模型,用粒子群优化算法优化粒子滤波算法中的序贯重采样环节,改善粒子滤波中的粒子贫化问题,实现更准确的电解质电容剩余寿命预测。     

基于混合粒子滤波的故障诊断方法

结合了模糊递归神经网络和粒子群算法,在此基础上改进粒子滤波的故障诊断方法．故障诊断作为智能控制的研究热点,其算法层出不穷．粒子滤波故障诊断作为基于解析模型的状态估计诊断方法的一种,一直在工业生产中起着重要的作用,但其自身的缺点也限制了它的进一步发展,保留粒子滤波的优势,提出一种基于混合算法的粒子滤波故障诊断方法,该方法不但一定程度上解决了权值退化的问题,而且改进了粒子群算法,并结合神经网络算法在啤酒发酵温控系统中形成了故障检测、预测和辨识为一体的故障诊断方法．     

离散时间线性时变系统的传感器故障估计滤波器设计

针对一类离散时间线性时变系统提出了一种传感器故障诊断方法.本文首先通过状态增广的方式将被研究的系统转化为描述系统的形式,并且基于该描述系统模型,采用方差最小化原则设计了一种能够同时估计系统状态和传感器故障的故障估计滤波器,然后利用一组故障估计滤波器提出了一种故障诊断方法.本文的主要贡献在于针对离散线性时变系统提出了一种不需要对故障动态进行假设的传感器故障诊断方法.所提出方法的另一个优点是该方法能够在存在过程和测量噪声的情况下实现故障检测、分离与估计.仿真结果说明了所提出方法的有效性.     

一类非线性时滞过程的传感器主动容错控制

通过结合非线性过程的一般模型控制(GMC)、强跟踪预测器(STP)和强跟踪滤波器(STF),本文提出了一类具有输入时滞非线性时变过程的传感器主动容错控制方法.基于强跟踪预测器对未来状态的预测,传统的一般模型控制被扩展到一类具有输入时滞的非线性过程.然后采用强跟踪滤波器估计过程状态及传感器偏差,传感器偏差估计用于驱动一个故障检测逻辑.当某一传感器故障被检测出来时,STF的状态估计值将用于重构过程输出(代替真实输出),此重构输出被STP用于继续进行状态预测,从而确保系统性能.最后,三容水箱系统仿真结果证明该方法的有效性.     

基于降阶卡尔曼滤波器的水下机器人滑模容错控制

针对水下机器人执行器时变、非线性故障,提出一种基于降阶卡尔曼滤波器的故障估计和滑模容错控制方法.用降阶卡尔曼滤波器估计水下机器人故障解耦子系统的状态,受故障的影响,子系统状态可测.由估计的状态和测量的状态可进一步得到水下机器人执行器的故障信息.滑模容错控制器根据所估计的执行器故障调整控制器的输出以实现容错控制.仿真结果验证了所提出的故障辨识与容错控制算法的有效性.     

基于融合EKF的航空发动机气路性能健康预测

针对集中式滤波算法存在计算效率不高、容错性差,引入融合滤波的思想,提出采用非线性融合的联邦式扩展卡尔曼滤波器进行发动机气路健康性能预测.子滤波器根据量测参数完成发动机部分健康性能的局部估计,主滤波根据子滤波器估计参数完成融合滤波估计,并将状态估计值和协方差反馈至子滤波器用于下一步健康预测.通过某型涡扇发动机仿真表明:融合EKF滤波器能准确地预测发动机的健康状态,估计稳定收敛时间短、计算时间短、效率高.     

基于粒子滤波状态估计的滚动轴承故障识别方法

提出了一种基于粒子滤波状态估计的滚动轴承故障识别方法,该方法主要包括故障模型建立和故障识别两个步骤。在故障模型建立部分,首先依据滚动轴承不同故障状态下的振动信号,建立对应的自回归模型,作为故障模型;在故障识别部分,将正常状态下对应的模型,转化为状态空间模型,设计粒子滤波器,然后对不同的故障状态进行估计,提取其残差的相关特征,并结合模型参数特征应用BP神经网络识别算法进行故障识别。最后以美国凯斯西储大学的滚动轴承振动数据为例,验证了该方法的有效性。