基于 zonotopic Kalman 滤波的故障诊断方法
1. 相关公式与说明
在故障诊断的研究中,有一些重要的公式和概念。首先是以下几个公式:
[
\tilde{P}
{2i}(k) =
\begin{pmatrix}
\prod
{j = 1}^{i - 1} (A - L(k - j)C)
\end{pmatrix}
D G_w G_w^T D^T
\begin{pmatrix}
\prod_{j = 1}^{i - 1} (A - L(k - j)C)
\end{pmatrix}^T
]
[
\tilde{P}
{3i}(k) =
\begin{pmatrix}
\prod
{j = 1}^{i - 1} (A - L(k - j)C)
\end{pmatrix}
L(k - i) F G_v G_v^T F^T L^T(k - i)
\begin{pmatrix}
\prod_{j = 1}^{i - 1} (A - L(k - j)C)
\end{pmatrix}^T
]
[
Q_w = D G_w G_w^T D^T
]
[
Q_v = F G_v G_v^T F^T
]
需要注意的是,在某些定理推导中,假设 (S(k)) 是可逆的。若 (S(k)) 不可逆,则可以用 (S(k)) 的伪逆来代替其逆。即定理 6.9 中 (K(k) = R(k)S^+(k)),定理 6.11 中 (K_1(k) = R_1S^+(k)),(K_2(k) = R_2S^+(k))。
2. 故障诊断步骤
故障诊断主要分为两个步骤:故障检测和故障识别。
2.1 故障检测
当系统无故障时,与状态 (\hat{x}(k)) 一致的估计输出集 (\hat{Y}(k) = \langle\hat{p}
y(k), \hat{G}_y(k)\rangle) 的计算规则如下:
[
\hat{y}(k) = C \hat{x}(k) + F v(k)
\in (C \odot \langle\hat{p}(k), \hat{G}(k)\rangle) \oplus (F \odot \langle0, G_v\rangle)
= \langle C \hat{p}(k), [C \hat{G}(k) F G_v]\rangle
= \langle\hat{p}_y(k), \hat{G}_y(k)\rangle
]
其中 (\hat{p}_y(k) \in R^{n_y}) 且 (\hat{G}_y(k) \in R^{n_y \times r
{\hat{G}_y}})。由于噪声 (v(k)) 未知,(\hat{y}(k)) 的值无法确定,但可根据上述规则得到包含 (\hat{y}(k)) 的 zonotopic 集 (\hat{Y}(k))。
基于估计输出集 (\hat{Y}(k)),其上界 (\hat{y}
u(k)) 和下界 (\hat{y}_l(k)) 满足:
[
\hat{y}_u(k) = \hat{p}_y(k) +
\begin{bmatrix}
\sum
{j = 1}^{r_{\hat{G}
y}} |\hat{G}
{y1j}(k)| \
\vdots \
\sum_{j = 1}^{r_{\hat{G}
y}} |\hat{G}
{y{n_y}j}(k)|
\end{bmatrix}
]
[
\hat{y}
l(k) = \hat{p}_y(k) -
\begin{bmatrix}
\sum
{j = 1}^{r_{\hat{G}
y}} |\hat{G}
{y1j}(k)| \
\vdots \
\sum_{j = 1}^{r_{\hat{G}
y}} |\hat{G}
{y{n_y}j}(k)|
\end{bmatrix}
]
若真实输出值 (y_t(k)) 满足 (\hat{y} {l1}(k) \leq y {t1}(k) \leq \hat{y} {u1}(k), \cdots, \hat{y} {l{n_y}}(k) \leq y_{t{n_y}}(k) \leq \hat{y}_{u{n_y}}(k)),则 (y_t(k) \in \hat{Y}(k));否则 (y_t(k) \notin \hat{Y}(k))。
当系统出现参数故障时,会导致 (y_t(k) \notin \hat{Y}(k)),这表明系统一定存在故障。定义故障检测信号 (f(k)),当 (y_t(k) \in \hat{Y}(k)) 时 (f(k) = 0),表示系统无故障;当 (y_t(k) \notin \hat{Y}(k)) 时 (f(k) = 1),表示系统有故障。
故障检测方法基于最优 ZKF,通过检测系统真实输出值是否在估计输出的上下界内来完成。判断准则为:若真实输出值不在估计输出的上下界内,则系统有故障;否则系统无故障。该方法在给定噪声边界的情况下,不会产生误报,误报率为零。
2.2 故障识别
第 (i) 个故障在每个时间 (k) 时,估计状态与真实状态的误差可通过以下公式计算:
[
e_i(k) = \frac{|\hat{p}(k) - p_{i,0}(k)|}{|p_{i,0}(k)|} \quad (i = 1, 2, \cdots, q)
]
其中 (q) 是故障库中参数故障类型的数量,(p_{i,0}(k)) 是故障库中第 (i) 种故障类型的故障状态。
选择连续时间长度 (L),统计满足 (e_i(k - l) < \varepsilon(k))((l = 1, 2, \cdots, L))的估计误差数量为 (l_i(k))((i = 1, 2, \cdots, q)),其中 (\varepsilon(k)) 是选定的阈值。
(\varepsilon(k)) 的值是相对的,与实际系统和计算负载要求有关。在实际系统中,不同系统的每种故障类型的值不同,区分故障类型时对 (\varepsilon(k)) 的需求也不同。从计算负载要求来看,(\varepsilon(k)) 的值直接决定了识别系统故障所需的计算量。若要以较小计算负载尽快完成故障识别,可适当增大 (\varepsilon(k)) 的值。
若所有估计状态都不满足 (e_i(k - l) < \varepsilon(k))((l = 1, 2, \cdots, L),(i = 1, 2, \cdots, q)),则认为在时间 (k) 出现了故障库之外的新故障,记为故障 (f_{q + 1}),并记录此时新故障的数量为 (l_{q + 1}(k))。
计算故障库中每种故障类型的后验概率并记录为 (P_i(k))。考虑可能的新故障类型,共有 (q + 1) 种故障类型。初始时刻,每种故障类型的先验概率相同,即 (P_i(1) = \frac{1}{q + 1})((i = 1, 2, \cdots, q + 1))。故障类型为 (f_i)((i = 1, 2, \cdots, q + 1))的后验概率 (P_i(k)) 可通过以下公式计算:
[
P_i(k) = \frac{P_i(k - 1) l_i(k)}{\sum_{j = 1}^{q + 1} P_j(k - 1) l_j(k)}
]
当后验概率满足 (P_i(k) \geq 1 - \varsigma) 时,故障诊断完成,即识别该故障为 (f_i),其中 (\varsigma) 是设定的识别精度。
3. 仿真分析 - 数值模拟
考虑如下具有时间延迟的线性离散不确定系统:
[
\begin{cases}
x(k + 1) = A x(k) + A_h x(k - h) + B u(k) + D w(k) \
y(k) = C x(k) + F v(k)
\end{cases}
]
其中
[
A =
\begin{bmatrix}
0.6 & -0.4 \
-0.5 & 0.2
\end{bmatrix},
A_h =
\begin{bmatrix}
-0.05 & -0.03 \
0.04 & -0.03
\end{bmatrix},
B =
\begin{bmatrix}
0.2 \
0.2
\end{bmatrix},
D =
\begin{bmatrix}
-0.1 \
0.1
\end{bmatrix},
C =
\begin{bmatrix}
1 & 0 \
0 & 1
\end{bmatrix},
F =
\begin{bmatrix}
1 & 0 \
0 & 1
\end{bmatrix},
h = 5
]
选择 (u(k) = 6) 作为已知输入,假设系统的初始状态测量噪声和过程干扰分别满足:
[
x(k - h) \in X(k - h) =
\left\langle
\begin{bmatrix}
2 \
3
\end{bmatrix},
\begin{bmatrix}
2 & 0 \
0 & 2
\end{bmatrix}
\right\rangle, \quad 0 \leq k \leq h
]
[
w(k) \in W = \langle 0, 0.1 \rangle, \quad k \geq 0
]
[
v(k) \in V =
\left\langle
\begin{bmatrix}
0 \
0
\end{bmatrix},
\begin{bmatrix}
0.1 & 0 \
0 & 0.1
\end{bmatrix}
\right\rangle, \quad k \geq 0
]
3.1 无故障情况
当系统无故障时,设计的最优 ZKF 算法能有效估计系统状态,估计状态和真实状态都在估计状态的上下界内。系统真实输出值虽有小波动,但也在估计输出值的上下界内。估计状态和输出的上下界在初始时间段会有一定波动和收敛,系统稳定后保持不变,说明系统无故障,且最优 ZKF 方法对具有时间延迟的系统状态估计有效可行。
3.2 故障库内故障情况
假设系统故障由参数矩阵 (A) 引起,具有时间延迟的数值系统的故障库中有三种故障类型,具体参数变化如下:
| 故障类型 | 参数矩阵 (A) |
| ---- | ---- |
| (f_1) | (\begin{bmatrix}0.6 & -0.4 \ -0.4 & 0.2\end{bmatrix}) |
| (f_2) | (\begin{bmatrix}0.6 & -0.4 \ -0.4 & 0.5\end{bmatrix}) |
| (f_3) | (\begin{bmatrix}0.4 & -0.4 \ -0.4 & 0.2\end{bmatrix}) |
在 (k \in {50, 120}) 时间段内,系统加入故障 (f_1)。考虑故障期间历史数据的影响,故障开始时,真实状态与故障库中故障状态的差异较大,随后迅速减小并保持在一定范围内。因此,(\varepsilon(k)) 的值应动态设置,在故障检测点后的十个时间点内,(\varepsilon(k)) 的值从 1.2 变为 0.1,在后续故障识别过程中保持 0.1 不变。
对于 (\varsigma = 0.3) 和 (L = 5),故障诊断结果表明:系统初始时真实输出值在最优 ZKF 算法估计输出值的上下界内,约 (k = 50) 时,真实输出值超出上下界,表明系统出现故障;约 (k = 120) 时,真实输出值回到上下界内,系统恢复正常。
将正常故障匹配方法与所提出的故障诊断算法进行比较,正常故障匹配方法通过使第 (i) 个故障的估计状态与真实状态的误差在连续时间段 (L’) 内小于固定阈值 (\varepsilon’(k)) 来分离故障。在本次仿真中,(L’ = 20),(\varepsilon’(k) = 0.1)。结果显示,正常故障匹配算法能识别系统故障类型,但故障识别时间为 (k = 72),比所提出的算法慢 19 个时间点,说明所提出算法的故障识别速度明显更快。
以下是故障诊断流程的 mermaid 流程图:
graph TD;
A[开始] --> B[状态估计];
B --> C{是否故障检测};
C -- 是 --> D[计算误差和后验概率];
C -- 否 --> B;
D --> E{是否识别故障};
E -- 是 --> F[输出故障类型];
E -- 否 --> D;
F --> G[结束];
4. 仿真分析 - 风力发电机变桨系统
风力发电机在发电过程中容易出现故障,变桨系统是风力发电机叶片控制和桨距角转换的重要组成部分。
4.1 变桨系统数学模型
变桨系统的数学模型可以表示为:
[
\begin{bmatrix}
\dot{\beta} \
\dot{\beta}_a
\end{bmatrix}
=
\begin{bmatrix}
0 & 1 \
-\omega_n^2 & -2\zeta\omega_n
\end{bmatrix}
\begin{bmatrix}
\beta \
\beta_a
\end{bmatrix}
+
\begin{bmatrix}
0 \
\omega_n^2
\end{bmatrix}
\beta_r
]
其中,(\beta) 和 (\beta_a) 分别是桨距角和角速度,(\beta_r) 是桨距参考值,(\omega_n) 和 (\zeta) 是系统参数。设 (\omega_n = 11.11) rad/s 和 (\zeta = 0.6) 分别为系统的固有频率和阻尼系数。
系统可以表示为连续时间状态空间方程:
[
\dot{x} =
\begin{bmatrix}
0 & 1 \
-\omega_n^2 & -2\zeta\omega_n
\end{bmatrix}
x +
\begin{bmatrix}
0 \
\omega_n^2
\end{bmatrix}
u +
\begin{bmatrix}
0 & 0 \
-\frac{\omega_n^2}{2} & -\frac{\omega_n^2}{2}
\end{bmatrix}
w
]
[
y = Cx + Fv
]
其中,(x = [\beta \ \beta_a]^T),(u = \beta_r),(w) 和 (v) 分别是干扰和输出噪声。
设采样时间 (T_s = 0.01) s,对系统进行离散化,得到:
[
A =
\begin{bmatrix}
0.9941 & 0.0093 \
-1.1532 & 0.8695
\end{bmatrix},
B =
\begin{bmatrix}
0.0059 \
1.1532
\end{bmatrix},
F =
\begin{bmatrix}
1 & 0 \
0 & 1
\end{bmatrix},
D =
\begin{bmatrix}
-0.0030 & -0.0030 \
-0.5766 & -0.5766
\end{bmatrix},
C =
\begin{bmatrix}
1 & 0 \
0.5 & 0.1
\end{bmatrix}
]
考虑状态时间延迟的影响,选择 (A_h =
\begin{bmatrix}
-0.005 & -0.003 \
0.004 & -0.003
\end{bmatrix}),(h = 6)。选择正弦信号 (u(k) = 1.5\sin(6k) + 7) 作为外部激励信号,假设系统的初始状态、过程干扰和测量噪声分别满足:
[
x(k - h) \in X(k - h) =
\left\langle
\begin{bmatrix}
6.5 \
0
\end{bmatrix},
\begin{bmatrix}
5 & 0 \
0 & 5
\end{bmatrix}
\right\rangle, \quad 0 \leq k \leq h
]
[
w(k) \in W =
\left\langle
\begin{bmatrix}
0 \
0
\end{bmatrix},
\begin{bmatrix}
0.1 & 0 \
0 & 0.1
\end{bmatrix}
\right\rangle, \quad k \geq 0
]
[
v(k) \in V =
\left\langle
\begin{bmatrix}
0 \
0
\end{bmatrix},
\begin{bmatrix}
0.1 & 0 \
0 & 0.1
\end{bmatrix}
\right\rangle, \quad k \geq 0
]
4.2 无故障情况
当变桨系统无故障时,所提出的用于具有时间延迟的线性系统的最优 ZKF 算法具有足够的状态估计性能。估计状态曲线能快速跟踪系统的真实状态,两条曲线都在估计状态的上下界内。系统的真实输出值也在最优 ZKF 算法估计输出值的上下界内。
4.3 故障库外故障情况
变桨系统的故障库中有三种故障:压力下降、泵磨损和含气量增加,分别定义为故障 (f_1)、(f_2) 和 (f_3),故障库外的新故障定义为故障 (f_4)。故障参数值如下表所示:
| 故障类型 | 故障描述 | 参数 |
| ---- | ---- | ---- |
| (f_1) | 压力下降 | (\xi_1 = 0.45),(\omega_{n1} = 5.73) rad/s |
| (f_2) | 泵磨损 | (\xi_2 = 0.75),(\omega_{n2} = 7.27) rad/s |
| (f_3) | 含气量增加 | (\xi_3 = 0.90),(\omega_{n3} = 3.42) rad/s |
| (f_4) | 新故障 | (\xi_4 = 1.60),(\omega_{n4} = 15.00) rad/s |
假设在 (60 \leq k \leq 115) 期间,实际系统可能出现的故障类型为故障库中的故障和故障库外的新故障 (f_4)。设置 (\varsigma = 0.3),(L = 8),(\varepsilon(k)) 在故障期间动态变化,在故障检测点后的 10 个时间点内,其值从 0.2 减小到 0.1,然后在故障结束前保持 0.1 不变。
故障诊断结果表明:约 (k = 60) 时,变桨系统的真实输出值开始超出最优 ZKF 算法估计输出值的上下界;约 (k = 120) 时,真实输出值回到上下界内,表明系统故障开始和结束的时间。故障匹配概率 (f_{p4}) 在故障期间逐渐增加到 1,当 (f_{p4} > 1 - \varsigma) 时,对应的故障识别滤波器 (f_{l4}) 在 (k = 64) 时设置为 1,表明在变桨系统的整个工作期间,正常状态一段时间后出现了故障库外的新故障 (f_4)。
将所提出的故障诊断算法与正常故障匹配算法进行比较,结果显示,所提出的基于故障匹配方法和贝叶斯理论相结合的故障诊断算法的故障识别时间比正常故障匹配算法快 19 个时间点,说明所提出算法在故障识别速度上具有优势。
以下是变桨系统故障诊断的详细步骤列表:
1. 建立变桨系统的数学模型,包括状态方程和输出方程。
2. 对系统进行离散化处理,确定系统矩阵 (A)、(B)、(C)、(D)、(F) 和 (A_h)。
3. 选择外部激励信号 (u(k)),并设定初始状态、过程干扰和测量噪声的范围。
4. 使用最优 ZKF 算法进行状态估计。
5. 进行故障检测,判断真实输出值是否在估计输出值的上下界内。
6. 若检测到故障,计算误差 (e_i(k)) 和后验概率 (P_i(k))。
7. 根据后验概率和设定的识别精度 (\varsigma) 进行故障识别。
8. 输出故障类型,结束故障诊断过程。
5. 总结
基于 zonotopic Kalman 滤波的故障诊断方法通过故障检测和故障识别两个主要步骤,能够有效地对具有时间延迟的系统进行故障诊断。在数值模拟和风力发电机变桨系统的仿真分析中,该方法都表现出了良好的性能。
在无故障情况下,最优 ZKF 算法能够准确地估计系统状态,真实状态和估计状态都在估计状态的上下界内,真实输出值也在估计输出值的上下界内。在有故障的情况下,无论是故障库内的故障还是故障库外的新故障,该方法都能快速准确地检测到故障,并识别出故障类型。
与正常故障匹配方法相比,所提出的故障诊断算法在故障识别速度上具有明显优势,能够更快地完成故障诊断任务。同时,该方法在给定噪声边界的情况下,不会产生误报,误报率为零,具有较高的可靠性。
通过动态设置阈值 (\varepsilon(k)),可以根据系统的实际情况和故障特点,灵活调整故障诊断的精度和计算量,以满足不同系统的需求。
综上所述,基于 zonotopic Kalman 滤波的故障诊断方法是一种有效的故障诊断技术,在实际工程应用中具有广阔的前景。
以下是整个故障诊断过程的详细 mermaid 流程图:
graph TD;
A[开始] --> B[建立系统模型];
B --> C[离散化处理];
C --> D[选择激励信号和设定噪声范围];
D --> E[使用最优 ZKF 算法进行状态估计];
E --> F{是否故障检测};
F -- 是 --> G[计算误差和后验概率];
F -- 否 --> E;
G --> H{是否识别故障};
H -- 是 --> I[输出故障类型];
H -- 否 --> G;
I --> J[结束];
3017



被折叠的 条评论
为什么被折叠?



