基于信号重构的可重构机械臂主动分散容错控制

针对可重构机械臂系统传感器故障,提出一种基于信号重构的主动分散容错控制方法. 基于可重构机械臂系统模块化属性,采用自适应模糊分散控制系统实现正常工作模式时模块关节的轨迹跟踪控制. 当在线检测出位置或速度传感器故障时,分别采用数值积分器或微分跟踪器重构相应信号,并以之代替故障信号进行反馈实现系统的主动容错控制. 此方法充分利用了冗余信息,避免了故障关节控制性能的下降对其他关节的影响. 数值仿真结果验证了所提出容错控制方法的有效性.     

考虑传感器故障的导弹姿态控制系统主动容错控制研究

针对导弹姿态控制系统惯性传感器故障,提出了基于信号重构的主动容错控制方法.分别利用基于梯形算法的数值积分器和有限时间收敛微分器对姿态角信号和角速率信号进行重构,当在线诊断出姿态角或角速率传感器故障时,以重构信号代替故障信号进行反馈控制来实现系统的主动容错控制.在建立导弹姿态控制系统模型并采用次最优控制方法设计输出反馈控制器的基础上,对所设计的主动容错控制方法进行仿真,仿真结果表明该方法是有效的.     

基于级联观测器的多输入多输出非线性系统的故障诊断

将块观测方法应用于非线性系统的故障检测和分离.首先给出了非线性系统的块观测形式,针对传感器故障和执行器故障对非线性系统进行分块,得到了带有故障系统的块观测器形式.利用滑模观测器实现系统状态观测,得到观测器误差;利用所设计的观测器对非线性系统进行故障的诊断和分离;采用等效输出注入概念重构了故障信号,使得多变量输入输出非线性系统的故障诊断问题得到了解耦;针对异步电动机系统实现了传感器故障的分离.仿真结果证明了算法的有效性.     

双余度传感器的故障检测与识别

传感器是任何测控系统中不可缺少的部件,也是最容易出故障的环节,传感器故障检测、 识别和信号重构一直得到极大的重视.本文研究了仅利用双余度传感器的输出信号进行故障 检测与识别问题,提出了一个双余度传感器故障信号识别器(FSD),建立了故障信号识别的基 本原理,导出了相应的传感器故障检测与识别的递推算法,并给出了仿真结果.     

考虑多传感器故障的可重构机械臂主动取代分散容错控制

针对可重构机械臂系统位置传感器和速度传感器多故障, 提出一种主动取代分散容错控制方法. 基于可重构机械臂的模块化属性, 设计正常工作模式下的分散神经网络控制器. 利用微分同胚原理将子系统结构进行非线性变换, 将传感器故障转化成伪执行器故障, 设计分散滑模观测器以对多传感器故障进行实时检测, 并利用其输出信号取代故障传感器信号, 实现了多传感器故障情形下可重构机械臂的主动容错控制. 仿真结果表明了所设计的容错控制方法的有效性.     

机载位移传感器故障检测与信号重构

为了避免机载系统故障诊断与重构中单纯增加余度数目所带来的问题,针对电传飞控系统中应用较多的位移传感器,提出了一种基于特征的检测电路、检测方法以及信号重构方案;方案基于位移传感器工作时两次级线圈回路电压和值恒定的特征,实现了对初级、次级回路的一次断线检测,在检测到次级线圈一次断线时,又利用正常工作特征并根据另一次级线圈所获得的信息对断线信号进行重构;分析和测试表明,所提出的位移传感器故障检测以及重构算法仅需增加极少的硬件电路,且检测及重构方法实时性高,在不增加传感器余度数目的条件下,能大大提高系统的可靠性.     

基于小波包PCA的故障传感器数据重构方法

讨论了基于小波包的多尺度主元分析方法应用于故障传感器数据重构问题。传统的基于小波包的多尺度主元分析在进行传感器故障诊断时没有建立数据重构模型,在相关传感器信号进行小波包分解的基础上,在最佳数的所有节点上建立主元分析模型,将主元分析模型的重构结果组合后再进行小波逆变换,从而实现故障传感器的数据重构。最后,利用试车台液氢供应系统的传感器数据仿真了几种典型传感器故障,并对设计模型实现数据重构的实用性和有效性进行了验证。     

非线性过程控制系统传感器故障检测新方法

针对电厂热力系统故障检测和定位准确性低的问题,提出了基于鲁棒输入训练网络的传感器故障检测模型;采用带参数限制项的目标函数对网络进行训练,并在测试目标函数中引入影响因子,增加了模型训练精度,抑制了网络计算过程故障数据对正常值的影响,减小了残差污染,提高了模型准确性;以某300 MW电厂热力系统20组测点为对象进行算例分析,通过反复的实验,结果表明,该模型能够更加准确地对非线性系统故障点进行检测和分离,并更加精确重构各变量真实值,验证了该模型用于非线性过程传感器故障检测的有效性和可靠性.     

基于MSPCA的传感器故障诊断与数据重构

讨论了基于多尺度主元分析的故障传感器数据重构问题。传统的多尺度主元分析方法没有建立故障传感器数据重构模型,在相关传感器信号的所有尺度上建立主元分析模型进行传感器故障诊断的基础上,将主元分析模型的重构结果组合后进行小波逆变换,设计了能够实现故障传感器数据重构的多尺度主元分析模型,从而实现故障传感器的数据重构。最后,利用试车台液氢供应系统的传感器数据仿真了几种典型传感器故障,并对设计模型实现数据重构的实用性和有效性进行了验证。     

加权κ最近邻重构分析的工业过程故障诊断

k-最近邻(k-nearest neighbor,k-NN)是一种有效的基于数据驱动的故障检测方法,该方法在工业过程监视方面已经得到了广泛的应用.但在过程中存在故障时,精确地寻找故障根源和识别故障变量是故障诊断的重要目标,也是保证工业过程安全生产的重要任务.本文在k-NN故障检测技术的基础上,提出了一种加权的k-NN重构方法,对使控制指标减小最大(maximize reduce index,MRI)的过程变量依次进行重构,进而确定发生故障的传感器.根据理论分析并结合数值仿真对提出的方法进行了验证,数值仿真先从精度方面验证了该方法能够有效地对故障传感器数值进行重构,然后验证了该方法不仅适用于单一传感器故障诊断,对于同时发生或者因变量相关性而传播的传感器故障也具有很好的效果.最后,该方法被成功应用于TE(Tennessee Eastman)化工过程.     

基于自适应交互多模型算法的传感器故障诊断

在标准的交互多模型算法中,模型切换概率和模型噪声方差都假定为先验信息,但是系统的模型信息一般隐含在当前的量测信息中,因此本文提出一种在线辨识模型切换概率和噪声方差的自适应交互多模型算法,在建立传感器的全局故障和局部故障模型的基础上,对自主水下航行器多个传感器的局部故障与全局故障进行了诊断.在仿真过程中发现,与一般的多模型自适应估计方法(MMAE)相比,此方法算法简单,能够更加准确可靠地诊断故障.     

基于鲁棒自适应观测器的飞控系统传感器故障隔离与重构

考虑到飞行控制系统闭环反馈及实时的特性,设计了多个鲁棒自适应观测器用于传感器的故障隔离与重构.这样有效的抑制了噪声和模型不确定性,以及闭环传感器输出之间的相互影响.同时对残差进行时序概率比检验,避免了故障误报和漏报.应用某型战斗机地形跟随控制系统进行仿真验证,在保证闭环反馈系统稳定的前提下,实现了传感器的在线故障隔离与重构,达到了预期的效果.     

A new fault tolerant control approach for the three-tank system using data mining

In this study, we propose a knowledge-based approach for detection and isolation of sensor faults in fault tolerant control (FTC) of the three-tank system. Farthest first traversal algorithm (FFTA) of data mining is used first-time for the classification of faults in an FTC system. The sliding window is used to detect signal changes, which contain possible transients due to faults. The variance-changing ratio is calculated to extract the features of the sensor signal in each window. Then, FFTA is utilized for the isolation of sensor faults. In order to demonstrate the efficiency of the proposed method, seven types of artificial faults were applied to closed-loop fault tolerant control system in certain periods. All faults were detected and isolated immediately after they occurred. Moreover, fault isolation was achieved when multiple faults occurred simultaneously.     

Distributed sensor fault diagnosis in a class of interconnected nonlinear uncertain systems

In this paper, a distributed sensor fault detection and isolation (FDI) method is developed for a class of interconnected nonlinear uncertain systems. In the distributed FDI architecture, a FDI component is designed for each subsystem in the interconnected system. For each subsystem, its corresponding local FDI component is designed by utilizing local measurements and certain communicated information from neighboring FDI components associated with subsystems that are directly interconnected to the particular subsystem under consideration. Under certain assumptions, adaptive thresholds for distributed sensor fault detection and isolation in each subsystem are derived, ensuring robustness with respect to interactions among subsystems and system modeling uncertainty. Moreover, the fault detectability condition is rigorously investigated, characterizing the class of sensor faults in each subsystem that is detectable by the proposed distributed FDI method. Additionally, the stability and learning capability of the distributed adaptive fault isolation estimators is established. A simulation example of interconnected inverted pendulums mounted on carts is used to illustrate the effectiveness of the distributed FDI method.     

Incipient sensor fault isolation based on augmented Mahalanobis distance

Incipient sensor fault diagnosis is important to an efficient and optimal operating condition for modern industrial systems. Recently, a new fault detection index called augmented Mahalanobis distance (AMD) has been proposed in our previous work for incipient fault detection. Following detection, fault isolation is also quite desired so as to investigate root causes of the occurred fault. In the present work, the AMD statistic is first revisited and a geometric illustration of AMD is provided, which intuitively shows its superiority for incipient fault detection. Then, with available fault direction information, an incipient sensor fault isolation approach is proposed. Its fault isolability condition is analyzed theoretically and compared with that of the conventional method. For complex sensor faults whose fault direction information is unknown, a corresponding fault isolation strategy is also briefly discussed. Case studies on a high-speed train air brake system and the continuous stirred tank reactor (CSTR) process are carried out, which demonstrate the effectiveness of the AMD based fault detection and isolation methods, in comparison with conventional approaches.     

基于智能解析余度的容错飞控系统设计

常规的解析余度容错方法容易受到不确定因素和随机干扰的影响,本文以飞行控制系统为研究对象,提出基于智能解析余度的容错飞行控制系统设计方案,使用径向基神经网络的在线学习和全局逼近的性能,建立飞行控制系统传感器之间的解析余度关系,利用不相同传感器之间的解析关系进行残差分析从而进行传感器的故障隔离与信号重构.这样有效地抑制了测量噪声和模型不确定性.应用某型飞机进行仿真,实现了传感器的在线故障隔离与重构,验证了该方法的有效性.     

空气流量传感器智能测试系统的设计

论述了空气流量传感器智能测试系统的设计方法及其系统结构。系统采用了双闭环控制风道来保证供风系统的稳定。前置信号处理电路对信号进行预处理和隔离,采用基于小波变换的滤波方法进行信号去噪．有效抑制了干扰。针对传感器信号受风量扰动较大的问题．采用小渡的模极大值分析提高了传感器信号的测试精度和准确性。     

无人机控制系统传感器故障诊断的方案与仿真

应用卡尔曼滤波器对传感器进行故障诊断时,由于输入噪声和测量噪声的统计特性是不确定的,因此难以得到其准确的统计特性先验信息,而采用错误的噪声统计特性会产生滤波误差,甚至使滤波发散,因此该文提出了一种基于Sage-Husa时变噪声统计估计器的自适应卡尔曼滤波器算法,在滤波过程中利用噪声统计估计器对未知的统计特性进行在线估计,并对无人机控制系统的传感器故障进行在线诊断,此方法无须增加硬件余度和其他解析余度,易于实现,可靠性好,检测迅速.仿真表明该方法能够检测出系统故障并进行故障定位.     

基于神经网络的传感器冗余方法研究􀀁

本文把传感器硬件冗余技术、BP网络以及串并联Elman递归神经网络结合起来,提出了一种新方法用于构造具有传感器故障检测、分离且具有冗余能力的智能传感器系统。这可以减少硬件冗余技术中使用传感器的个数、消除硬件冗余技术中对冗余传感器应具有相同参数特性的要求,同时可以提高系统预报的准确性,仿真结果验证了这一方法的有效性。     

基于神经网络的控制系统在线故障诊断技术研究

对于远程自主式水下航行器,控制系统中传感器的实时故障诊断和容错控制是一项关键技术;采用BP神经网络设计了一种由主网络和局部网络构成的两级神经网络故障诊断算法,其中主网络用于水下航行器控制系统中传感器的故障检测,一旦发现有故障发生,则通过局部网络完成对故障的识别,因此可以减少运算量,提高故障诊断的实时性;通过仿真研究验证了该方法的有效性,为水下航行器控制系统的故障诊断及容错研究提出了一条新的途径。