故障和状态的估计方法及装置

IPC分类号 : G05B23/00

申请号

CN201310740077.8

可选规格: 数量

库存1件

确认取消

￥30000; 库存1件

首页

立即咨询

看了又看

可增加密封性的蝶阀

发明专利
一种旋转伸缩可拆卸型翅片热管

实用新型专利
一种油品脱氯方法

发明专利
雷公藤焦磷酸合酶TwCPS4及其制备松香烷型二萜化合物的应用

发明专利
办公用品收纳平台

实用新型
一种二阶段踏板感觉模拟器及其汽车制动踏板机构

发明专利
一种考虑组装工艺的自动化立体仓库调度方法

发明专利
一种用于机械设备零件的清洗装置

实用新型专利
一种防腐材料存放装置

实用新型专利
共享单车的二次收费管理方法、系统及云端信息处理装置

发明专利

专利摘要

本发明公开了一种故障和状态的估计方法及装置，能够对含有测量丢失的非线性系统进行状态与故障估计，从而实现状态监测和故障诊断。该方法包括：对事件驱动传输下含有测量丢失的非线性系统建模；设计估计器，应用估计器进行故障和状态的估计。本发明实施例对系统进行建模，得到含测量丢失的非线性系统模型，通过状态增广，系统状态和故障信号合并为故障估计总体系统模型，得到估计器的参数设计方案，通过对状态和故障进行联合估计，从而实现系统的状态监测和故障诊断。

权利要求

1.一种估计方法，其特征在于，包括：

对事件驱动传输下含有测量丢失的非线性系统建立如下模型：

$\{\begin{matrix} x_{k + 1} = g (x_{k}, u_{k}) + D_{k} w_{k} + E_{k} f_{k}, \\ y_{k} = h (x_{k}) + F_{k} v_{k}, \end{matrix}$

其中x_k为系统状态变量，u_k为控制输入，y_k为测量输出，f_k为故障信号，w_k为系统的过程噪声，v_k为系统的测量噪声， D_k为具有适当维数的矩阵，E_k为具有适当维数的矩阵，F_k为具有适当维数的矩阵；g和h为二阶连续可微非线性函数；

在每个采样时刻对系统的测量值进行采样，若当前测量y_k+j与上一个发送的测量y_k满足(y_k+j-y_k)^T(y_k+j-y_k)＞σ,其中σ为正实数，则向估计器发送信号，使得所述估计器根据发送的信号进行故障和状态的联合估计，发送的信号为 ${\tilde{y}}_{k} = y_{k_{i}}, k \in {k_{i}, k_{i} + 1, \cdot \cdot \cdot, k_{i + 1} - 1},,$ 其中k_i、k_i+1为发送时刻。

2.根据权利要求1所述的方法，其特征在于，所述估计器端接收的信号为其中α_k为服从0-1二项分布的随机量，

3.根据权利要求1所述的方法，其特征在于，时，对事件驱动传输下含有测量丢失的非线性系统建立如下模型：

$\{\begin{matrix} {\overline{x}}_{k + 1} = \overline{g} ({\overline{x}}_{k}, u_{k}) + {\overline{D}}_{k} w_{k}, \\ y_{k} = \overline{h} ({\overline{x}}_{k}) + F_{k} v_{k}, \end{matrix}$

其中

$\overline{g} ({\overline{x}}_{k}, u_{k}) = [\begin{matrix} g (x_{k}, u_{k}) + E_{k} f_{k} \\ f_{k} \end{matrix}], {\overline{D}}_{k} = [\begin{matrix} D_{k} \\ 0 \end{matrix}], \overline{h} ({\overline{x}}_{k}) = h (x_{k}) .$

4.根据权利要求3所述的方法，其特征在于，当估计器形式为，

${\hat{x}}_{k + 1 | k} = \overline{g} ({\hat{x}}_{k | k}, u_{k}), {\hat{x}}_{k + 1 | k + 1} = {\hat{x}}_{k + 1 | k} + K_{k + 1} [{\hat{y}}_{k + 1} - μ \overline{h} ({\hat{x}}_{k + 1 | k})]$ 时，初始值为为系统的一步预测，K_k+1为待设计增益，其中为对于系统的估计。

5.如权利要求4所述的方法，其特征在于，

将预测误差和估计误差分别记作 $e_{k + 1 | k} = {\overline{x}}_{k + 1} - {\hat{x}}_{k + 1 | k}$ 和 $e_{k + 1 | k + 1} = {\overline{x}}_{k + 1} - {\hat{x}}_{k + 1 | k + 1},$ 将它们的方差分别记作和所述预测误差为状态预测值与系统真实状态值之差，所述估计误差为状态估计值与系统真实状态之差；

预测误差为

$e_{k + 1 | k} = (A_{k} + L_{1, k} Δ_{1, k}) e_{k | k} + {\overline{D}}_{k} w_{k},$

估计误差为

$\begin{matrix} e_{k + 1 | k + 1} = e_{k + 1 | k} - α_{k + 1} K_{k + 1} ({\tilde{y}}_{k + 1} - y_{k + 1}) - (α_{k + 1} - μ) K_{k + 1} y_{k + 1} \\ - μ K_{k + 1} [\overline{h} ({\overline{x}}_{k + 1}) + F_{k + 1} v_{k + 1} - \overline{h} ({\hat{x}}_{k + 1 | k})] \end{matrix}$

其中，

$A_{k} = {\frac{\partial \overline{g} ({\overline{z}}_{k}, u_{k})}{\partial {\overline{z}}_{k}} |}_{{\overline{z}}_{k} = {\hat{x}}_{k | k}} = [\begin{matrix} {\frac{\partial g (z_{k}, u_{k})}{\partial z_{k}} |}_{z_{k} = H {\hat{x}}_{k | k}} & E_{k} \\ 0 & I \end{matrix}], H = [\begin{matrix} I & 0 \end{matrix}],$

$C_{k + 1} = {\frac{\partial \overline{h} ({\overline{z}}_{k})}{\partial {\overline{z}}_{k}} |}_{{\overline{z}}_{k} = {\hat{x}}_{k + 1 | k}} = {\frac{\partial h (z_{k})}{\partial z_{k}} |}_{z_{k} = H {\hat{x}}_{k + 1 | k}},$

L_1,k、L_2,k+1为比例矩阵，Δ_1,k和Δ_2,k+1为未知系数矩阵，且||Δ_1,k||≤1和||Δ_2,k+1||≤1；

对于任意时刻k，均可以找到估计误差方差的一个上界，且通过估计器设计，使得该上界最小。

6.如权利要求5所述的方法，其特征在于，均为正实数，如果初始值为的递推矩阵方程：

${\overline{P}}_{k + 1 | k} = (1 + ϵ_{3}) A_{k} {\overline{P}}_{k | k} A_{k}^{T} + (1 + ϵ_{3}^{- 1}) γ_{2, k} L_{1, k} L_{1, k}^{T} + {\overline{D}}_{k} W_{k} {\overline{D}}_{k}^{T}$

$\begin{matrix} {\overline{P}}_{k + 1 | k + 1} = (1 + ϵ_{1}) (1 + ϵ_{2}) (I - μ K_{k + 1} C_{k + 1}) {\overline{P}}_{k + 1 | k} {(I - μ K_{k + 1} C_{k + 1})}^{T} \\ + (1 + ϵ_{1}) (1 + ϵ_{2}^{- 1}) μ^{2} γ_{1, k + 1} K_{k + 1} L_{2, k + 1} K_{k + 1}^{T} + μσ (1 + ϵ_{1}^{- 1}) K_{k + 1} K_{k + 1}^{T} \\ + λ K_{k + 1} Φ_{k + 1} K_{k + 1}^{T} + μ^{2} K_{k + 1} F_{k + 1} V_{k + 1} F_{k + 1}^{T} K_{k + 1}^{T} \end{matrix}$

有正定解，则由估计器增益可计算得：

$K_{k + 1} = Z_{k + 1}^{T} Y_{k + 1}^{- 1}$

其中，

$\begin{matrix} Φ_{k + 1} = (1 + ϵ_{4}) \overline{h} ({\hat{x}}_{k + 1 | k}) {\overline{h}}^{T} ({\hat{x}}_{k + 1 | k}) + (1 + ϵ_{4}^{- 1}) (1 + ϵ_{5}) C_{k + 1} {\overline{P}}_{k + 1 | k} C_{k + 1}^{T} \\ + (1 + ϵ_{4}^{- 1}) (1 + ϵ_{5}^{- 1}) γ_{1, k + 1} L_{2, k + 1} L_{2, k + 1}^{T} + F_{k + 1} V_{k + 1} F_{k + 1}^{T} \end{matrix}$

$γ_{1, k + 1} I \geq {\overline{P}}_{k + 1 | k}$

$γ_{2, k} I \geq {\overline{P}}_{k | k}$

$\begin{matrix} Y_{k + 1} (1 + ϵ_{1}) (1 + ϵ_{2}) μ^{2} C_{k + 1} {\overline{P}}_{k + 1 | k} C_{k + 1}^{T} + (1 + ϵ_{1}) (1 + ϵ_{2}^{- 1}) μ^{2} γ_{1, k + 1} L_{2, k + 1} L_{2, k + 1}^{T} \\ + (1 + ϵ_{1}^{- 1}) μσI + λ Φ_{k + 1} + μ^{2} F_{k + 1} V_{k + 1} F_{k + 1}^{T}, \end{matrix}$

$Z_{k + 1} = (1 + ϵ_{1}) (1 + ϵ_{2}) μ C_{k + 1} {\overline{P}}_{k + 1 | k} .$

7.一种故障和状态的估计装置，其特征在于，包括：

建模单元，用于对事件驱动传输下含有测量丢失的非线性系统建立如下模型：

$\{\begin{matrix} x_{k + 1} = g (x_{k}, u_{k}) + D_{k} w_{k} + E_{k} f_{k}, \\ y_{k} = h (x_{k}) + F_{k} v_{k}, \end{matrix}$

发送单元，用于在每个采样时刻对系统的测量值进行采样，若当前测量y_k+j与上一个发送的测量y_k满足(y_k+j-y_k)^T(y_k+j-y_k)＞σ,其中σ为正实数，则向估计器发送信号，使得所述估计器根据发送的信号进行故障和状态的联合估计，发送的信号为 ${\tilde{y}}_{k} = y_{k_{i}}, k \in {k_{i}, k_{i} + 1, \cdot \cdot \cdot, k_{i + 1} - 1},,$ 其中k_i、k_i+1为发送时刻。

说明书

技术领域

本发明涉及计算机领域，尤其涉及一种故障和状态的估计方法及装置。

背景技术

随着计算机科学和微处理器的发展，事件驱动的信号传输得到了广泛研究。与传统的时间驱动传输相比，事件驱动中的输入输出信号只有在事件发生器中的某个预先设定的条件不满足时才会发送，以降低传输链路负担和传送能量消耗。因此，事件驱动传输具有重要的理论意义和实用价值。事件驱动下的最小方差滤波问题已经得到了一些初步研究。这些研究利用状态新息关于测量的条件概率密度计算后验概率密度。

然而当系统比较复杂，比如包含一定的非线性与随机性时，条件概率密度可能难以获得。因此，如何对含有测量丢失的非线性系统进行状态与故障估计是当前需要解决的问题。

发明内容

本发明实施例提供一种故障和状态的估计方法及装置，能够对含有测量丢失的非线性系统进行状态与故障估计，从而实现状态监测和故障诊断。

本发明实施例采用如下技术方案：

一种估计方法，包括：

对事件驱动传输下含有测量丢失的非线性系统建立如下模型：

xk+1=g(xk,uk)+Dkwk+Ekfk,yk=h(xk)+Fkvk,]]>

在每个采样时刻对系统的测量值进行采样，若当前测量y_k+j与上一个发送的测量y_k满足(y_k+j-y_k)^T(y_k+j-y_k)＞σ,其中σ为正实数，则向估计器发送信号，使得所述估计器根据发送的信号进行故障和状态的联合估计，发送的信号为 y~k=yki,k∈{ki,ki+1,···,ki+1-1},,]]>其中k_i、k_i+1为发送时刻。