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.     

一类非线性系统参数突变故障的检测与诊断

本文针对一类非线性系统提出了一种非线性自适应故障检测滤波器,可以实时检测并分离、估计出其参数的突变故障。仿真实例说明了本文方法的有效性。     

一类非线性系统参数偏差型故障的实时检测与诊断

本文针对一类较一般的多变量非线性时变随机系统,给出了一种全新的用于其参数偏差型故障的实时检测与诊断方法。这类故障包容了诸如部件参数的阶跃型和缓变型故障等,所给仿真实例证实了本文方法的有效性。     

非线性系统的鲁棒故障检测与诊断

研究了一类具有未建模动态或扰动的非线性系统的鲁棒故障检测与诊断问题,利用神经网络、模糊系统或小波网络等对非线性故障模式进行在线逼近的方法进行故障诊断.第一步,对用于鲁棒故障检测的观测器,建立了保证观测器稳定的增益阵的选择条件;第二步,若检测出发生故障,则用神经网络、模糊系统或小波网络进行故障的在线估计,建立了估计误差界,结果显示输出估计误差将收敛到由扰动上界或建模误差上界线性确定的范围内.     

空调系统中传感器故障检测与诊断方法的研究

提出了空调系统传感器故障检测,故障识别、故障重构的主成分分析方法。主成分分析法将测量空间分为主成分子空间和残差子空间。SPE指数和SVI指标分别用来检测和识别故障,沿着故障方向,测量数据逐步逼近主成分子空间可以实现数据的重构,通过对空调监测系统的传感器故障检测与诊断结果展示出PCA方法具有良好的故障检测,识别和重构建能力。     

一类非线性系统的故障检测与容错控制算法

针对仿射非线性系统提出了一种稳定的故障检测及容错控制算法.该算法利用神经网络对系统故障进行建模,在线估计故障向量,监测系统运行情况;在反馈回路中引用故障辅助反馈控制回路,实现容错控制;并基于Lyapunov方法进行了稳定性分析.控制系统可运行于两种模式:系统正常时,采用常规反馈控制器(CC);有故障发生时,引入补偿控制来削弱故障影响,保障系统的正常运行.最后对一类非线性电机的仿真控制结果表明了此容错控制方法的有效性.     

一种基于小波分析的故障检测与诊断

小波分析是一种时变信号时－频两维分析方法。根据小波分析的思想,构造出一种新型机械设备故障诊断装置,使得机械故障的诊断晚加准确,并在实际应用中取得了良好效果。实践证明这种拟小波理论的信号处理方法在故障诊断中是十分有效的。     

一类基于神经网络非线性观测器的鲁棒故障检测和诊断

利用神经网络的非线性建模能力,对一类具有建模不确定项的非线性系统提出一种基于观测器的故障检测和诊断的方法。设计的观测器不仅能实现故障检测,而旦应用神经网络设计的故障估计器能在线估计系统中的故障向量。通过分析验证了该方法对系统中的建模误差和外部扰动具有良好的鲁棒性。仿真结果表明所提出的方法是有效的。     

直流绝缘故障检测智能传感器系统

为实现直流供电系统中的绝缘故障检测,研制了一种以AVR单片机为核心的智能传感器系统。该系统利用电磁感应原理检测直流供电系统中电气负载馈电回路的不平衡电流,实现了对电气负载绝缘故障的检测。经过现场测试,该智能传感器系统具有低功耗、高可靠性和易使用的特点,试验结果表明:系统达到了检测准确度要求。     

非线性系统传感器偏差故障的UKF递推检测方法

针对传统的推广卡尔曼滤波器方法(EKF)的不足,为检测非线性系统传感器的偏差型故障,提出了一种新的基于unscented卡尔曼滤波(UKF)的实时递推检测算法,该方法应用UKF作为传感器故障残差发生器,并利用残差加权平方和检测策略进行故障的检测.仿真结果表明,与基于EKF的传感器故障检测方法相比,该方法有更好的故障预示能力,并提高了故障检测的准确率.     

基于模型的控制系统故障诊断技术的最新进展

评述了近三年来基于模型的控制系统故障诊断技术的发展状况.介绍了这一技术在九个方面的最新进展及十一项最新的应用.对故障诊断技术目前的状况进行了分析和总结,给出了这一领域中值得进一步研究的一些问题和可能的发展方向.     

Multi-faults detection and estimation for nonlinear stochastic system based on particle filter and hypothesis test

This paper is concerned with the fault detection and estimation for nonlinear stochastic system with additive multi-faults. The states of system are estimated by the improved particle filter which composed of basic particle filter and preliminary fault estimation. Since the preliminary fault estimation contains noise, the faults are detected by the method of hypothesis testing, while the amplitude of each fault is estimated by the average of the sample of preliminary fault estimation. Meanwhile, the relationship of the sample size, the significance level of two types of error, the amplitude of fault and the variance of the error of preliminary fault estimation are also given. The effectiveness of the proposed method is verified by the simulation of three-vessel water tank system.     

Robust Analytical Redundancy Relations for Fault Diagnosis In Nonlinear Systems

The problem of robust analytical redundancy relations design for fault diagnosis in nonlinear systems is investigated. An approach is proposed to solve this problem through an extension of the system state‐space by means of constant (or slow varying) unknown parameters, followed by designing analytical redundancy relations that are insensitive both to state variables and unknown parameters. To make the design practicable, some problems related to nonlinear transformation of the extended system model into observable one are considered. The quasi‐linear computational form for robust analytical redundancy relations is described. Fault detectability and distinguishability conditions are formulated, and a recommendation for choosing the size of the moving time window is made. The results are demonstrated through an example involving an SISO nonlinear model of an underwater vehicle.