混杂系统故障诊断的粒子滤波器方法

上海交通大学学报（自然版） ›› 2015, Vol. 49 ›› Issue (06): 849-854.

• 自动化技术、计算机技术 • 上一篇下一篇

混杂系统故障诊断的粒子滤波器方法

李雄杰1,2，周东华2

(1.浙江工商职业技术学院电子与信息工程学院，浙江宁波 315012；2.清华大学自动化系，北京 100084)

收稿日期:2015-01-15 出版日期:2015-06-29 发布日期:2015-06-29
基金资助:
国家自然科学基金项目（61210012），广东省石化装备故障诊断重点实验室开放基金项目（201332）

Fault Diagnosis Based on Particle Filter for Hybrid System

LI Xiongjie1,2，ZHOU Donghua2

(1. Department of Electronic and Information Engineering, Zhejiang Business Technology Institute， Ningbo 315012， Zhejing, China； 2. Department of Automation， Tsinghua University， Beijing 100084， China)

Received:2015-01-15 Online:2015-06-29 Published:2015-06-29

摘要/Abstract

摘要：

摘要：针对混杂系统故障诊断难题，在对混杂系统描述的基础上，根据混杂系统的随机滤波公式，给出了混杂系统状态估计及离散模态识别的粒子滤波算法，并将此算法扩展到混杂系统状态与参数的联合估计，最后利用修正的Bayes算法作出故障判决，实现了混杂系统的故障诊断.通过对两容水箱这个典型混杂系统的仿真实验，结果表明，此方法不仅能准确、快速地诊断出混杂系统故障，而且在故障发生时能够保持比较高的状态与参数估计精度.本方法可推广应用于混杂系统的自适应滤波、可靠性预测、容错控制等领域.

关键词: 混杂系统, 粒子滤波器, 故障诊断, 状态估计, 离散模态识别

Abstract:

Abstract： Aimed at the problem of fault diagnosis in the hybrid system, a particle filter algorithm for hybrid system state estimation and discrete modal identification was proposed. The proposed algorithm was spread to joint estimation of state and parameters, modified Bayes algorithm was utilized to give fault judgment, and fault diagnosis of hybrid system was implemented. The results of the simulation of the twotank state estimation and fault diagnosis show that the proposed algorithm can not only accurately diagnose the hybrid system fault, maintain better state and parameter estimation accuracy when fault occurs, but also be used for adaptive filtering, reliability prediction, fault tolerant control and many other fields.

Key words: hybrid system, particle filter, fault diagnosis, state estimation, discrete modal identification

中图分类号:

TP 277

李雄杰1,2，周东华2. 混杂系统故障诊断的粒子滤波器方法[J]. 上海交通大学学报（自然版）, 2015, 49(06): 849-854.

LI Xiongjie1,2，ZHOU Donghua2. Fault Diagnosis Based on Particle Filter for Hybrid System[J]. Journal of Shanghai Jiaotong University, 2015, 49(06): 849-854.

参考文献

［1］Witsenhausen H S. A class of hybridstate continuoustime dynamic systems［J］. IEEE Trans on Automatic Control, 1966, 11(6): 665683.

［2］Cellier F E. Combined continuous/discrete system simulation by use of digital computer: Techniques and tools［M］. Zurich, Switzerland: Swiss Federal Institute of Technology, 1979.

［3］Mosterman P J. Biswas G. Building hybrid observers for complex dynamic systems using model abstractions［C］//Proc ICBGM’99, San Francisco, CA. 1999: 157162.

［4］Rezai M, Lawrence P D, Ito M R. Analysis of faults in hybrid systems by global Petri nets［C］//Proc of IEEE International Conference on Systems. Man and Cybernetics,1995: 22512256.

［5］Bemporad A. Mignone D, Morari M. Moving horizon estimation for hybrid systems and fault detection［C］//Proc of ACC’99, San Diego. CA, USA, 1999: 24712475.

［6］Hibey J L, Charalambous C D. Conditional densities for continuoustime nonlinear hybrid systems with applications to fault detection［J］. IEEE Trans on Automatic Control, 1998, 44(11): 21642169.

［7］Li X R, Yaakov B S. Multiplemodel estimation with variable structure［J］. Automatic Control, IEEE Transactions on, 1996，41(4): 478493.

［8］Zhao F, Koutsoukos X, Haussecker H, et al. Monitoring and fault diagnosis of hybrid systems［J］. IEEE Trans on SMC Part B: Cybernetics, 2005, 35(6): 793801.

［9］Lerner U, Parr R, Koller D, et al. Bayesian fault detection and diagnosis in dynamic systems［C］//Proc of the 17th National conference on Artificial Interlligence(AAAI). Austin. Texas, 2000: 531537.

［10］Sampath M, Sengupta R, Lafortune S, et al. Failure diagnosis using discreteevent models［J］. Control Systems Technology, IEEE Transactions on, 1996，4(2): 105124.

［11］李雄杰，周东华. 混杂系统故障诊断的强跟踪滤波器算法［J］. 计算机工程与应用，2009, 45(9): 233236.

LI Xiongjie, ZHOU Donghua. Fault diagnosis based on strong tracking filter for hybrid systems［J］. Computer Engineering and Applications, 2009, 45(9): 233236.

［12］王法胜, 鲁明羽, 赵清杰, 等. 粒子滤波算法［J］. 计算机学报，2014，37(8): 16791694.

WANG Fasheng, LU Mingyu, ZHAO Qingjie, et al. Particle filtering algorithm ［J］. Chinese Journal of Computer, 2014, 37(8): 16791694.

［13］曹洁, 李玉琴, 吴迪. 基于改进差分进化的高精度粒子滤波算法［J］. 上海交通大学学报,2014,48(12): 17141720.

CAO Jiea, Li Yuqina, WU Di. A high precision particle filter based on improved differential evolution ［J］. Journal of Shanghai Jiaotong University, 2014, 48(12): 17141720.

［14］万磊，杨勇，李岳明. 水下机器人执行器的高斯粒子滤波故障诊断方法［J］.上海交通大学学报,2013,47(7): 10721076.

WEN Lei, YANG Yong, LI Yueming. Actuator fault dignosis of automatic underwater vehicle using gaussian particle filter［J］. Journal of Shanghai Jiaotong University, 2013, 47(7): 10721076.

［15］LENG Hongze， SONG Junqiang. Hybrid threedimensional variation and particle filtering for nonlinear systems［J］. Chinese Physics B, 2013, 22(3): 030505.

［16］周东华，叶银忠. 现代故障诊断与容错控制［M］. 北京：清华大学出版社，2000：106109.

编辑推荐 0

Metrics

阅读次数

全文

171

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	5	0	166

来源	本网站	其他网站

次数	27	144
比例	16%	84%

摘要

680

最新录用	在线预览	正式出版

65	0	615

来源	本网站	其他网站

次数	334	346
比例	49%	51%

[1]	徐晨辉, 俞芳慧, 何德峰. 基于扰动块的柔性臂分布式滚动时域估计[J]. 上海交通大学学报, 2022, 56(7): 868-876.
[2]	许勇, 蔡云泽, 宋林. 基于数据驱动的核电设备状态评估研究综述[J]. 上海交通大学学报, 2022, 56(3): 267-278.
[3]	卢地华, 陈自强. 基于双充电状态的锂离子电池健康状态估计[J]. 上海交通大学学报, 2022, 56(3): 342-352.
[4]	刘秀丽, 徐小力. 基于特征金字塔卷积循环神经网络的故障诊断方法[J]. 上海交通大学学报, 2022, 56(2): 182-190.
[5]	马航宇, 周笛, 卫宇杰, 吴伟, 潘尔顺. 变工况下基于自适应深度置信网络的轴承智能故障诊断[J]. 上海交通大学学报, 2022, 56(10): 1368-1377.
[6]	胡晓强，仲训昱，张霄力，彭侠夫，何荧. 基于支持向量机辅助的四轴陀螺两级故障诊断方法[J]. 上海交通大学学报, 2020, 54(11): 1151-1156.
[7]	逯程1，徐廷学1，王虹2. 基于属性粒化聚类与回声状态网络的末制导雷达故障诊断[J]. 上海交通大学学报（自然版）, 2018, 52(9): 1112-1119.
[8]	严正1，孔祥瑞1，徐潇源1，谢伟2. 微型同步相量测量单元在智能配电网运行状态估计中的应用[J]. 上海交通大学学报（自然版）, 2018, 52(10): 1195-1205.
[9]	贾雷，董炜，孙新亚，吉吟东，陈华. 基于节点电压增量方程的含容差轨道电路软故障诊断[J]. 上海交通大学学报（自然版）, 2017, 51(6): 679-685.
[10]	侯彦东，闫治宇，金勇. 小样本下基于特征子空间估计的故障诊断算法[J]. 上海交通大学学报（自然版）, 2015, 49(06): 825-829.
[11]	邱路1，叶银忠2. 基于多Agent系统的动态网络系统拓扑结构故障诊断方法[J]. 上海交通大学学报（自然版）, 2015, 49(06): 902-906.
[12]	王秀青1，侯增广2，曾慧3，吕锋1，潘世英1. 基于多传感器信息融合的机器人故障诊断[J]. 上海交通大学学报（自然版）, 2015, 49(06): 793-798.
[13]	杨旭1，彭开香1，罗浩2，KRUEGER Minjia2,宗大桥1，DING Steven X2. 基于EEMD和SVM的冷轧机垂直振动相关故障的诊断[J]. 上海交通大学学报（自然版）, 2015, 49(06): 751-756.
[14]	李元1，吴杰1，王国柱2. k近邻补值方法在工业过程故障诊断中的应用[J]. 上海交通大学学报（自然版）, 2015, 49(06): 830-836.
[15]	徐兵1,2，朱亚橙2，苏俊2，范秋敏2. 基于特征Petri网建模的冷水机组故障诊断系统[J]. 上海交通大学学报（自然版）, 2015, 49(06): 923-928.

混杂系统故障诊断的粒子滤波器方法

Fault Diagnosis Based on Particle Filter for Hybrid System

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐 0

Metrics

本文评价