一種不完備系統(tǒng)故障診斷的生成粒子濾波器方法
【專利摘要】本發(fā)明涉及一種不完備系統(tǒng)故障診斷的生成粒子濾波器方法，在粒子濾波器中通過設(shè)計(jì)一種抽象的未知故障模式描述所有的系統(tǒng)未建模動(dòng)態(tài)，通過提取粒子集特征判斷當(dāng)前模式是否為未知模式。如果為已知模式，則利用常規(guī)粒子濾波器方法對(duì)系統(tǒng)進(jìn)行診斷；如果為未知模式，則根據(jù)積累的樣本利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)并構(gòu)造新模式的狀態(tài)轉(zhuǎn)移模型，并將新模式加入到故障模式集合中，構(gòu)造出新的擴(kuò)展故障空間。此后，粒子濾波器在擴(kuò)展后的故障空間中對(duì)新的數(shù)據(jù)進(jìn)行診斷。該技術(shù)方案在粒子濾波器框架下結(jié)合神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，針對(duì)不完備混合動(dòng)態(tài)系統(tǒng)，不僅可以診斷已知故障，還能識(shí)別和學(xué)習(xí)新的故障模式，能提高故障診斷系統(tǒng)在實(shí)際應(yīng)用中的可靠性。
【專利說明】一種不完備系統(tǒng)故障診斷的生成粒子濾波器方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種不完備系統(tǒng)故障診斷的生成粒子濾波器方法，屬于故障診斷【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]模型不完備條件下的故障診斷問題是一個(gè)具有挑戰(zhàn)性的難點(diǎn)問題。已有的故障診斷方法大多數(shù)要求建立完備的故障模型。然而，由于以下幾方面的原因，系統(tǒng)模型通常是不完備的:(1)人們沒有掌握復(fù)雜系統(tǒng)的全部規(guī)律，導(dǎo)致部分動(dòng)態(tài)未備建模；(2)由于系統(tǒng)復(fù)雜度非常高，為了簡(jiǎn)化計(jì)算，通常忽略了一些高階動(dòng)態(tài)；(3)由于系統(tǒng)及其環(huán)境的動(dòng)態(tài)變化，導(dǎo)致不可能對(duì)系統(tǒng)完備建豐旲。
[0003]粒子濾波器是監(jiān)視動(dòng)態(tài)系統(tǒng)的蒙特卡羅(Monte Carlo，即隨機(jī)選擇)方法，通過帶權(quán)樣本(即粒子)集非參數(shù)化地近似概率分布.粒子濾波器提供了一種計(jì)算上可行的方法，來估計(jì)混合系統(tǒng)的狀態(tài).除了計(jì)算上的優(yōu)勢(shì)外，在單個(gè)粒子濾波器中可以同時(shí)表示離散和連續(xù)狀態(tài)，而且不受高斯假設(shè)的約束可以表示任意分布。然而，常規(guī)粒子濾波器方法同樣要求系統(tǒng)被完備建模。
[0004]從貝葉斯濾波角度，混合系統(tǒng)故障診斷問題可以簡(jiǎn)要描述如下。多模型混合系統(tǒng)定義為，
【權(quán)利要求】
1.一種不完備系統(tǒng)故障診斷的生成粒子濾波器方法，其特征在于:在粒子濾波器中通過保留非規(guī)格化權(quán)重以及閾值邏輯檢測(cè)未知故障，對(duì)于檢測(cè)到的未知故障，利用通過基于神經(jīng)網(wǎng)絡(luò)的方法，建立未知模式的狀態(tài)方程x,+l =NNJxl);具體實(shí)現(xiàn)步驟如下: (1)初始化，具體包括: (Ia)設(shè)置粒子數(shù)Nto_，閾值α，已知模式集合S，先驗(yàn)分布P(Stl),以及轉(zhuǎn)移概率τι Jj=P (st=j I S^1=I), ij e Sknown, Unknown_found=0 (Unknown_found 用于對(duì)連續(xù)發(fā)現(xiàn)未知模式進(jìn)行識(shí)別)，Learned_num=0 (Learned_num表示通過學(xué)習(xí)構(gòu)建的模型數(shù)目)，S— = 0 (8/(,_&表示通過學(xué)習(xí)構(gòu)建的模型集合)，Nleamed (新學(xué)習(xí)模式識(shí)別的粒子數(shù)目，由于新的模式模型不確定性強(qiáng)，該值設(shè)置通常遠(yuǎn)遠(yuǎn)大于Nto_)； (Ib)從先驗(yàn)分布P (Stl)采樣離散狀態(tài){<八； (Ic)從先驗(yàn)分布P(X()丨41)采樣連續(xù)狀態(tài); 對(duì)于每一時(shí)間步t，地推地進(jìn)行預(yù)測(cè)、更新、估計(jì)以及重采樣過程(具體如下述步驟2~9)； (2)狀態(tài)預(yù)測(cè)(重要性采樣)，具體包括: (2a)根據(jù)離散狀態(tài)轉(zhuǎn)移概率抽取離散樣本{#}，: pis'ls；:1,)； (2b)根據(jù)樣本的離散狀態(tài)確定連續(xù)狀態(tài)轉(zhuǎn)移概率，并抽取樣本{#}，χΜ: (3)權(quán)重更新，具體包括:` (3a)根據(jù)測(cè)量模型計(jì)算非規(guī)格化權(quán)重$ = WiL1Pizl I；



N known (3b)計(jì)算非規(guī)格化因子M = Σ砷];



,—=1 (3c)計(jì)算邊緣分布AO, IZ1..,) = ^ O,) ?’

i=\ 1 (4)離散狀態(tài)估計(jì)flzu);



s, (5)權(quán)重規(guī)格化<=貧V% ；


^ known (6)連續(xù)狀態(tài)估計(jì)i,=；


?=Ι (7)利用樣本集<少,>訓(xùn)練神經(jīng)網(wǎng)絡(luò) (8)擴(kuò)展模式診斷:如果Wt〈α且Learned_num>0則利用自適應(yīng)粒子濾波器APF對(duì)新學(xué)習(xí)的模型集合Sleamed進(jìn)行診斷；診斷的結(jié)果分為以下幾種:(a)當(dāng)前模式為Sleamed中存在的模式Stawn l，則利用當(dāng)前的樣本學(xué)習(xí)該模式sto_」；(b)當(dāng)前模式為新的未知模式；步驟包括: (Sa)對(duì)Sleamed均勻采樣Nleamed個(gè)離散樣本{f I ; (8b)根據(jù)樣本}從對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)采樣連續(xù)樣本, Wlml^ '一) fd)，其中Rleamed表示新學(xué)習(xí)模型方差；(8c)根據(jù)測(cè)量模型計(jì)算非規(guī)格化權(quán)重; (Sd)計(jì)算非規(guī)格化因子
【文檔編號(hào)】H03H21/00GK103795373SQ201310653704
【公開日】2014年5月14日 申請(qǐng)日期:2013年11月29日 優(yōu)先權(quán)日:2013年11月29日
【發(fā)明者】段琢華, 鄒昆, 楊亮, 徐翔 申請(qǐng)人:電子科技大學(xué)中山學(xué)院