一種不完備系統故障診斷的生成粒子濾波器方法
2023-04-25 07:17:36 2
一種不完備系統故障診斷的生成粒子濾波器方法
【專利摘要】本發明涉及一種不完備系統故障診斷的生成粒子濾波器方法,在粒子濾波器中通過設計一種抽象的未知故障模式描述所有的系統未建模動態,通過提取粒子集特徵判斷當前模式是否為未知模式。如果為已知模式,則利用常規粒子濾波器方法對系統進行診斷;如果為未知模式,則根據積累的樣本利用神經網絡學習並構造新模式的狀態轉移模型,並將新模式加入到故障模式集合中,構造出新的擴展故障空間。此後,粒子濾波器在擴展後的故障空間中對新的數據進行診斷。該技術方案在粒子濾波器框架下結合神經網絡實現,針對不完備混合動態系統,不僅可以診斷已知故障,還能識別和學習新的故障模式,能提高故障診斷系統在實際應用中的可靠性。
【專利說明】一種不完備系統故障診斷的生成粒子濾波器方法
【技術領域】
[0001]本發明涉及一種不完備系統故障診斷的生成粒子濾波器方法,屬於故障診斷【技術領域】。
【背景技術】
[0002]模型不完備條件下的故障診斷問題是一個具有挑戰性的難點問題。已有的故障診斷方法大多數要求建立完備的故障模型。然而,由於以下幾方面的原因,系統模型通常是不完備的:(1)人們沒有掌握複雜系統的全部規律,導致部分動態未備建模;(2)由於系統複雜度非常高,為了簡化計算,通常忽略了一些高階動態;(3)由於系統及其環境的動態變化,導致不可能對系統完備建豐旲。
[0003]粒子濾波器是監視動態系統的蒙特卡羅(Monte Carlo,即隨機選擇)方法,通過帶權樣本(即粒子)集非參數化地近似概率分布.粒子濾波器提供了一種計算上可行的方法,來估計混合系統的狀態.除了計算上的優勢外,在單個粒子濾波器中可以同時表示離散和連續狀態,而且不受高斯假設的約束可以表示任意分布。然而,常規粒子濾波器方法同樣要求系統被完備建模。
[0004]從貝葉斯濾波角度,混合系統故障診斷問題可以簡要描述如下。多模型混合系統定義為,
【權利要求】
1.一種不完備系統故障診斷的生成粒子濾波器方法,其特徵在於:在粒子濾波器中通過保留非規格化權重以及閾值邏輯檢測未知故障,對於檢測到的未知故障,利用通過基於神經網絡的方法,建立未知模式的狀態方程x,+l =NNJxl);具體實現步驟如下: (1)初始化,具體包括: (Ia)設置粒子數Nto_,閾值α,已知模式集合S,先驗分布P(Stl),以及轉移概率τι Jj=P (st=j I S^1=I), ij e Sknown, Unknown_found=0 (Unknown_found 用於對連續發現未知模式進行識別),Learned_num=0 (Learned_num表示通過學習構建的模型數目),S— = 0 (8/(,_&表示通過學習構建的模型集合),Nleamed (新學習模式識別的粒子數目,由於新的模式模型不確定性強,該值設置通常遠遠大於Nto_); (Ib)從先驗分布P (Stl)採樣離散狀態{<八; (Ic)從先驗分布P(X丨41)採樣連續狀態; 對於每一時間步t,地推地進行預測、更新、估計以及重採樣過程(具體如下述步驟2~9); (2)狀態預測(重要性採樣),具體包括: (2a)根據離散狀態轉移概率抽取離散樣本{#},: pis'ls;:1,); (2b)根據樣本的離散狀態確定連續狀態轉移概率,並抽取樣本{#},χΜ: (3)權重更新,具體包括:` (3a)根據測量模型計算非規格化權重$ = WiL1Pizl I;
N known (3b)計算非規格化因子M = Σ砷];
,—=1 (3c)計算邊緣分布AO, IZ1..,) = ^ O,) ?』
i=\ 1 (4)離散狀態估計flzu);
s, (5)權重規格化<=貧V% ;
^ known (6)連續狀態估計i,=;
?=Ι (7)利用樣本集訓練神經網絡 (8)擴展模式診斷:如果Wt〈α且Learned_num>0則利用自適應粒子濾波器APF對新學習的模型集合Sleamed進行診斷;診斷的結果分為以下幾種:(a)當前模式為Sleamed中存在的模式Stawn l,則利用當前的樣本學習該模式sto_」;(b)當前模式為新的未知模式;步驟包括: (Sa)對Sleamed均勻採樣Nleamed個離散樣本{f I ; (8b)根據樣本}從對應神經網絡採樣連續樣本, Wlml^ '一) fd),其中Rleamed表示新學習模型方差;(8c)根據測量模型計算非規格化權重; (Sd)計算非規格化因子
【文檔編號】H03H21/00GK103795373SQ201310653704
【公開日】2014年5月14日 申請日期:2013年11月29日 優先權日:2013年11月29日
【發明者】段琢華, 鄒昆, 楊亮, 徐翔 申請人:電子科技大學中山學院