一种基于滑模—神经网络观测器的故障检测和诊断方法
马立玲1 江云波2 王福利2
(1.北京理工大学自动控制系 北京 100081; 2.东北大学信息科学与工程学院 沈阳 110004)
摘 要:本文针对一类非线性系统,提出了一种用于故障检测和诊断的滑模观测器方法.其中,观测器中的滑模项保证了该系统在无故障情况时的鲁棒性,并且系统运行的滑动区域提供了故障检测的条件.当检测出故障之后,观测器中的故障估计部分被启动,利用RBF神经网络估计故障,从而能在线辨识故障的形态.仿真结果验证了该方法的有效性.
关键词:故障检测;故障诊断;滑模;观测器;神经网络;鲁棒性
中图分类号:TP277 文献标识码:B
1 引言(Introduction)
由于在绝大多数实际的控制系统中,总是存在或多或少诸如建模误差、噪声干扰等不确定性因素,因此基于模型的故障检测与诊断技术(FDI)对这些不确定性因素的鲁棒性是一个至关重要的问题,并日益引起了人们的重视.改善FDI鲁棒性的研究工作目前主要集中于基于观测器的FDI方法.特征向量配置法[1]是基于未知输入观测器的FDI技术较为典型的设计方法之一,但是由于这种方法只是获得鲁棒故障检测的充分条件而非必要条件,因而它的应用范围受到许多不必要的限制.另外,特征向量配置设计过程复杂,不易掌握.Michael A. Demetriou[2]等人提出了用死区算子来处理系统中的不确定项,使策略具有鲁棒性,但是这些方法相关性能的证明受到许多假设条件的限制.
而基于滑模的方法,由于其具有鲁棒特性,可以处理系统中的不确定问题,减少了误报警的可能性,所以得到了广泛的应用.Rajiv Sreedhar[3,4]等人就把滑模观测器的概念引入到故障检测之中,但是只局限于线性系统.这些滑模观测器方法的设计只是用于故障检测,缺乏诊断方面的进一步研究.
本文针对一类非线性系统,设计了一种用于故
障检测和诊断的滑模神经网络观测器.在故障发生前,保证滑模的存在,并以此为条件,通过检验残差信号是否在规定的滑动区内,从而判断是否发生故障.当不满足判断条件时,说明滑模被破坏,有故障发生,则启动观测器中的“故障估计项”,利用神经网络在线辨识故障的形态.应用李亚普诺夫理论证明了该方法的稳定性.最后仿真结果验证了该方法的有效性.
了在系统发生突变故障时,观测器的残差能够及时地表现出来,出现很大的跳变,同时观测器中的神经网络部分开始工作,最终能很好的估计出故障地形态和大小.
5 结论(Conclusions)
本文将滑模观测器和神经网络结合起来,用于非线性系统的故障检测和故障诊断.通过适当设计观测器,可以保证系统运行在正常情况时,观测器的观测误差保持在边界层之内.故障的发生破坏了这个检测条件,RBF神经网络部分开始对故障的大小和形态进行估计,从而实现了故障检测和诊断.通过对单连接机器人的仿真研究表明,无论故障发生与否,即使在神经网络建模误差不为零的情况下,所设计的观测器仍然是稳定的,且其稳定性不受系统不确定性的影响,体现了故障检测和诊断策略的鲁棒性.
|
