CN102799176A - 基于模糊理论的非线性时滞离散***故障诊断方法 - Google Patents

基于模糊理论的非线性时滞离散***故障诊断方法 Download PDF

Info

Publication number
CN102799176A
CN102799176A CN2012102961409A CN201210296140A CN102799176A CN 102799176 A CN102799176 A CN 102799176A CN 2012102961409 A CN2012102961409 A CN 2012102961409A CN 201210296140 A CN201210296140 A CN 201210296140A CN 102799176 A CN102799176 A CN 102799176A
Authority
CN
China
Prior art keywords
output
observer
time
input
fuzzy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2012102961409A
Other languages
English (en)
Inventor
胡卓焕
茅今哲
童正明
叶立
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN2012102961409A priority Critical patent/CN102799176A/zh
Publication of CN102799176A publication Critical patent/CN102799176A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于模糊理论的非线性时滞离散***故障诊断方法，在现有的观测器设计方法上，加入基于模糊***理论中的误差反馈算法。利用误差反馈算法能够在线估计非线性***的输出，在不重新改变现场工业控制***的情况下，实现了已知线性部分与未知非线性部分的工业控制***故障的在线诊断。适合工业现场的应用，并且将该故障方法应用在离散域中，误差反馈算法通过编程来完成，更进一步降低了硬件成本并提高了***的灵活性，可靠性和准确性。

Description

基于模糊理论的非线性时滞离散***故障诊断方法
技术领域
本发明涉及一种故障诊断技术，特别涉及一种基于模糊理论的非线性时滞离散***故障诊断方法。
背景技术
近几十年来，随着工业控制***规模越来越大，功能越来越复杂。***中任何微小的故障，如果不能及时的发现和排除，都会产生连锁反映，从而导致整个***的崩溃，造成重大的经济和人员的损失。1986的切尔诺贝利核电站发生核泄漏事故，酿成了世界和平利用核能史上的最惨重灾难。核泄漏过程持续了10天，核反应堆泄漏出的大量锶、铯、钚等放射性物质散到乌克兰、白俄罗斯、俄罗斯以及其他欧洲国家。事故发生20天后，核反应堆中心的温度仍然高达270摄氏度。数十万当地居民被紧急疏散，放射危险性将持续10万年。2005年，载有七名宇航员的美国哥伦比亚号航天飞机在结束了为期16天的太空任务之后，返回地球，由于隔热瓦的微小故障，在着陆前发生意外，航天飞机解体坠毁。
众多研究者对工业控制***的故障诊断研究做出了巨大的贡献。Frank在文献Fault Diagnosis in Dynamic Systems Using Analytical and Knowledge-Based Redundancy: A Survey and Some New Results中，总结了自己和前人的大部分线性***的故障诊断工作，开创了故障诊断研究的新里程。Patton 在文献Fault Diagnosis in Dynamic Systems: Theory and Application提出动态工业控制线性***的故障诊断各种方法，尤其详细介绍了基于观测器的故障诊断方法，是故障诊断研究的基石。而对于实际的工业控制***，大多的***都是非线性***，这些传统的方法对于非线性***的灵敏度和鲁棒性都有很大的局限性。
为了解决工业控制***的非线性***，一些学者对此进行了研究。Zadeh于1965年创立模糊***理论，随后模糊***理论在工业控制非线性领域的获得了广泛的应用。王立新在文献Fuzzy Systems Are Universal Approximators 和Back-Propagation Fuzzy Systems As Nonlinear Dynamic System Identifier提出了基于误差反馈的模糊估计器来在线估计非线性***的输出，并利用Stone-Weierstrass定理证明了其稳定性。误差反馈的模糊估计器分为三层，通过一定步长的智能学习后，即可固定其中的参数，然后投入在线运行以估计工业控制非线性***的输出。
发明内容
本发明是针对传统的方法对于非线性***故障诊断有很大的局限性的问题，提出了一种基于模糊理论的非线性时滞离散***故障诊断方法，是一种基于模糊***理论中的误差反馈算法，针对一类同时包含已知线性部分与未知非线性部分的离散***，通过状态观测器的设计，基于快速有效的误差反馈技术实现观测器在线自学习，在不重新改变现场工业控制***的情况下，自动估计包含非线性和时滞的实际控制对象的实时输出，并与实际工业过程的输出做比较，从而达到较为满意的在线故障诊断效果。
本发明的技术方案为：一种基于模糊理论的非线性时滞离散***故障诊断方法，具体包括如下步骤：
1）搭建故障诊断***：在现有工业控制***的基础上，增加输入和输出监控模块、上位机和故障报警器，输入和输出监测模块采集现有工业控制***输入和输出信号，将采集信号送入上位机，上位机判断故障后输出故障信号到故障报警器发出***故障警报；
2）上位机实时监控现有工业控制***的输入                                               
Figure 466239DEST_PATH_IMAGE002
和输出
Figure 521919DEST_PATH_IMAGE004
，根据现有工业控制***已知的线性部分设计观测器；
3）上位机确定观测器增益
Figure 338566DEST_PATH_IMAGE006
的取值；
4）设计出观测器以后，在故障诊断的开始阶段采用误差反向传递算法来训练模糊估计器的参数；
5）确定故障报警的阀值
Figure 75577DEST_PATH_IMAGE008
；
6）故障诊断***投入现有工业控制***的正常工作中，输入和输出监控模块实时检测***的输入和输出，上位机通过观测器加入误差反馈算法判断当前时刻的残差
Figure 661280DEST_PATH_IMAGE010
和阀值
Figure 153441DEST_PATH_IMAGE008
的大小，当大于
Figure 797753DEST_PATH_IMAGE008
时，故障诊断***即发出故障报警。
所述步骤4）采用误差反向传递算法来训练模糊估计器的参数，具体方法为：设定k时刻误差为
Figure 441224DEST_PATH_IMAGE014
并以此作为模糊逼近的精度性能指标，采用基于误差反向传递算法的迭代运算来训练观测器中模糊估计器的参数，迭代直至
Figure 838708DEST_PATH_IMAGE016
到达精度指标，然后再进行k+1时刻的模糊观测器参数的训练，直到模糊观测器能够准确跟踪***中未知的非线性部分，即可停止训练，固定模糊估计器参数。
本发明的有益效果在于：本发明基于模糊理论的非线性时滞离散***故障诊断方法，具有诊断非线性时滞离散***故障的能力，同时又具有较强的鲁棒性。可广泛应用于能源、冶金、石化、轻工、医药、建材、纺织等行业中各类企业的生产过程控制。
附图说明
图1为本发明实现的硬件结构框图；
图2为本发明基于模糊理论的非线性时滞离散***故障诊断方法实施例中的实际工业过程输出与观测器输出对比图；
图3为本发明基于模糊理论的非线性时滞离散***故障诊断方法实施例中的残差输出和报警阀值比对图。
具体实施方式
本发明在现有的观测器设计方法上，加入误差反馈算法。利用误差反馈算法能够在线估计非线性***的输出，实现了非线性工业控制***故障的在线诊断。适合工业现场的应用，并将该故障方法应用在离散域中，误差反馈算法通过编程来完成，更进一步降低了硬件成本并提高了***的灵活性，可靠性和准确性。
本发明主要有两个部分组成：数据采集部分和故障诊断算法部分。数据采集部分在不改变现有工业控制***的前提下，采集实际控制对象的输入和输出情况。故障诊断算法根据实际控制对象的输入和输出情况，判断实际工业过程是否有故障发生。
实现方法首先如图1所示硬件结构框图建立故障诊断硬件***，本发明在不改变原有工业控制***4的基础上，加入输入和输出监控模块1、上位机2和故障报警器3设备。输入和输出监测模块1始终对***实时输入和输出进行检测，并将信息离散化后输入上位机2，由上位机2既定算法程序及时判断实际工业过程运行状态和是否需要通过故障报警器3发出***故障警报。
对故障诊断方法进行实验验证：如图2所示本发明实施例中的实际控制对象输出与观测器输出对比图。实例中，实际控制对象输出为实线，观测器输出为虚线，500s-600s的故障为0.5，600s-700s的故障为1。从图中可以看出，当实际工业过程正常运行时，本文明所设计观测器的输出能准备跟踪实际工业过程的输出，在干扰情况下具有较强的鲁棒性。当实际工业过程发生故障时，观测器的输出与实际工业过程的输出存在偏差，并且这个偏差与故障大小成正比。
如图3所示为本发明基于模糊理论的非线性时滞离散***故障诊断方法实施例中的残差输出和报警阀值比对图。残差输出为实线，报警阀值为虚线，从中可以看出，当实际工业过程发生故障时，本发明的故障诊断算法的残差明显大于本算法设定的的报警阀值，说明本发明能够有效的诊断非线性时滞离散***的故障。
对一个包含已知线性部分与未知非线性部分、同时带有时滞的生产过程建立观测器方程式如下：
Figure 567629DEST_PATH_IMAGE018
应用本发明给出的故障诊断策略步骤：
第一步：按照图1搭建在线故障诊断***；
第二步：通过在线故障诊断***，上位机可以实时监控***的输入
Figure 708760DEST_PATH_IMAGE002
和输出
Figure 269055DEST_PATH_IMAGE004
，进而根据***已知的线性部分，本发明设计观测器如下：
Figure 40702DEST_PATH_IMAGE020
这里的
Figure 53657DEST_PATH_IMAGE022
和
Figure 936162DEST_PATH_IMAGE024
的初始值可以任意选取。
Figure 350963DEST_PATH_IMAGE026
是模糊估计器，其表达式为：
模糊估计器中
Figure 793763DEST_PATH_IMAGE030
、
Figure 276697DEST_PATH_IMAGE032
和
Figure 749267DEST_PATH_IMAGE034
为需要待定的三组参数，其具体数值由后面的误差反向传递算法确定，M可任意取正整数。
第三步：这里为了确定观测器增益的取值，先求解下面这个线性矩阵不等式方程得到和
Figure 139818DEST_PATH_IMAGE038
：
Figure 2012102961409100002DEST_PATH_IMAGE040
这里的
Figure 2012102961409100002DEST_PATH_IMAGE042
、
Figure 2012102961409100002DEST_PATH_IMAGE044
和
Figure 2012102961409100002DEST_PATH_IMAGE046
为任意正数，
Figure 2012102961409100002DEST_PATH_IMAGE048
即原***的时滞矩阵。
Figure 2012102961409100002DEST_PATH_IMAGE050
，这里
Figure 2012102961409100002DEST_PATH_IMAGE052
即原***的输出矩阵。
第四步：设计出观测器以后，在故障诊断的开始阶段，要采用误差反向传递算法来训练模糊估计器的参数。假设当前时刻是k，先命名：
Figure 450583DEST_PATH_IMAGE014
Figure 2012102961409100002DEST_PATH_IMAGE054
然后，进行误差反向传递算法迭代运算来训练模糊估计器的参数，
Figure 797250DEST_PATH_IMAGE030
、
Figure 272094DEST_PATH_IMAGE032
和
Figure 300093DEST_PATH_IMAGE034
三组参数的迭代运算方法为：
Figure 2012102961409100002DEST_PATH_IMAGE056
Figure 2012102961409100002DEST_PATH_IMAGE058
Figure 2012102961409100002DEST_PATH_IMAGE060
其中代表迭代的次数，迭代直至
Figure 683275DEST_PATH_IMAGE016
到达模糊逼近的精度性能指标，然后再进行k+1时刻的模糊观测器参数的训练，直到模糊观测器能够准确跟踪***中未知的非线性部分，即可停止训练，固定模糊估计器中
Figure 935264DEST_PATH_IMAGE030
、和
Figure 463515DEST_PATH_IMAGE034
三组参数不变。
第五步：确定故障报警的阀值，其计算方法如下：
第六步：***进入“运行阶段”。此阶段中，输入和输出监控模块和上位机一直处于工作状态，实时检测***的输入和输出，上位机通过相关计算后判断当前时刻的残差
Figure 312708DEST_PATH_IMAGE010
和阀值
Figure 699827DEST_PATH_IMAGE008
的大小。当
Figure 134875DEST_PATH_IMAGE012
大于
Figure 25471DEST_PATH_IMAGE008
时，***即发出故障报警。
在工业控制现场采用本发明提出的故障诊断方法时，最大的特点在于本方法即具有诊断非线性时滞离散***故障的能力，同时又具有较强的鲁棒性。采取本发明故障诊断方法的工控***可广泛应用于能源、冶金、石化、轻工、医药、建材、纺织等行业中各类企业的生产过程控制。

Claims (2)

1.一种基于模糊理论的非线性时滞离散***故障诊断方法，其特征在于，具体包括如下步骤：
1）搭建故障诊断***：在现有工业控制***的基础上，增加输入和输出监控模块、上位机和故障报警器，输入和输出监测模块采集现有工业控制***输入和输出信号，将采集信号送入上位机，上位机判断故障后输出故障信号到故障报警器发出***故障警报；
2）上位机实时监控现有工业控制***的输入                                                
Figure 2012102961409100001DEST_PATH_IMAGE001
和输出
Figure 448003DEST_PATH_IMAGE002
，根据现有工业控制***已知的线性部分设计观测器；
3）上位机确定观测器增益
Figure 2012102961409100001DEST_PATH_IMAGE003
的取值；
4）设计出观测器以后，在故障诊断的开始阶段采用误差反向传递算法来训练模糊估计器的参数；
5）确定故障报警的阀值
Figure 905529DEST_PATH_IMAGE004
；
6）故障诊断***投入现有工业控制***的正常工作中，输入和输出监控模块实时检测***的输入和输出，上位机通过观测器加入误差反馈算法判断当前时刻的残差
Figure 2012102961409100001DEST_PATH_IMAGE005
和阀值
Figure 782218DEST_PATH_IMAGE004
的大小，当
Figure 666998DEST_PATH_IMAGE006
大于
Figure 934031DEST_PATH_IMAGE004
时，故障诊断***即发出故障报警。
2.根据权利要求1所述基于模糊理论的非线性时滞离散***故障诊断方法，其特征在于，所述步骤4）采用误差反向传递算法来训练模糊估计器的参数，具体方法为：设定k时刻误差为并以此作为模糊逼近的精度性能指标，采用基于误差反向传递算法的迭代运算来训练观测器中模糊估计器的参数，迭代直至
Figure 195248DEST_PATH_IMAGE008
到达精度指标，然后再进行k+1时刻的模糊观测器参数的训练，直到模糊观测器能够准确跟踪***中未知的非线性部分，即可停止训练，固定模糊估计器参数。
CN2012102961409A 2012-08-20 2012-08-20 基于模糊理论的非线性时滞离散***故障诊断方法 Pending CN102799176A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012102961409A CN102799176A (zh) 2012-08-20 2012-08-20 基于模糊理论的非线性时滞离散***故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012102961409A CN102799176A (zh) 2012-08-20 2012-08-20 基于模糊理论的非线性时滞离散***故障诊断方法

Publications (1)

Publication Number Publication Date
CN102799176A true CN102799176A (zh) 2012-11-28

Family

ID=47198302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012102961409A Pending CN102799176A (zh) 2012-08-20 2012-08-20 基于模糊理论的非线性时滞离散***故障诊断方法

Country Status (1)

Country Link
CN (1) CN102799176A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103543742A (zh) * 2013-10-23 2014-01-29 北京七星华创电子股份有限公司 Lpcvd设备的温控时滞***自校正方法与装置
CN104460322A (zh) * 2014-12-23 2015-03-25 冶金自动化研究设计院 不确定性时延双时标***模糊时延状态反馈控制方法
CN108733031A (zh) * 2018-06-05 2018-11-02 长春工业大学 一种基于中间估计器的网络控制***故障估计方法
CN111413903A (zh) * 2020-04-01 2020-07-14 镇江颀珑工程技术服务有限公司 一种用于工业生产中的非线性时滞远程监测***
GB2603714A (en) * 2016-09-14 2022-08-10 Emerson Process Man Power & Water Solutions Inc Method for improving process/equipment fault diagnosis

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2714750A1 (fr) * 1993-12-30 1995-07-07 Caterpillar Inc Système et procédé de diagnostic de défaut de machine.
CN101025618A (zh) * 2006-12-28 2007-08-29 上海电力学院 一种电厂热工设备智能状态诊断分析***
US20080316015A1 (en) * 2004-06-28 2008-12-25 Abb Research Ltd System and Method for Suppressing Redundant Alarms

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2714750A1 (fr) * 1993-12-30 1995-07-07 Caterpillar Inc Système et procédé de diagnostic de défaut de machine.
US20080316015A1 (en) * 2004-06-28 2008-12-25 Abb Research Ltd System and Method for Suppressing Redundant Alarms
CN101025618A (zh) * 2006-12-28 2007-08-29 上海电力学院 一种电厂热工设备智能状态诊断分析***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LI-XIN ET AL: "《IEEE International Conference on Digital Object Identifier》", 31 December 1992, article "Back-Propagation Fuzzy System as Nonlinear Dynamic System Identifiers", pages: 1410-1418 *
朱张青等: "基于自适应模糊神经网络的非线性***鲁棒故障诊断", 《火炮发射与控制学报》, no. 4, 31 December 2004 (2004-12-31), pages 48 - 51 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103543742A (zh) * 2013-10-23 2014-01-29 北京七星华创电子股份有限公司 Lpcvd设备的温控时滞***自校正方法与装置
CN103543742B (zh) * 2013-10-23 2016-08-17 北京七星华创电子股份有限公司 Lpcvd设备的温控时滞***自校正方法与装置
CN104460322A (zh) * 2014-12-23 2015-03-25 冶金自动化研究设计院 不确定性时延双时标***模糊时延状态反馈控制方法
GB2603714A (en) * 2016-09-14 2022-08-10 Emerson Process Man Power & Water Solutions Inc Method for improving process/equipment fault diagnosis
GB2603714B (en) * 2016-09-14 2022-12-14 Emerson Process Man Power & Water Solutions Inc Method for improving process/equipment fault diagnosis
CN108733031A (zh) * 2018-06-05 2018-11-02 长春工业大学 一种基于中间估计器的网络控制***故障估计方法
CN108733031B (zh) * 2018-06-05 2020-12-04 长春工业大学 一种基于中间估计器的网络控制***故障估计方法
CN111413903A (zh) * 2020-04-01 2020-07-14 镇江颀珑工程技术服务有限公司 一种用于工业生产中的非线性时滞远程监测***

Similar Documents

Publication Publication Date Title
CN102799176A (zh) 基于模糊理论的非线性时滞离散***故障诊断方法
CN105717912A (zh) 一种基于模糊动态故障树的机电作动器可靠性分析方法
CN103983453A (zh) 一种航空发动机的执行机构和传感器故障诊断的区分方法
Chen et al. A hybrid data-driven modeling method on sensor condition monitoring and fault diagnosis for power plants
CN104698839B (zh) 一种基于信息交互的多智能体故障检测与补偿控制方法
CN104390657A (zh) 一种发电机组运行参数测量传感器故障诊断方法及***
CN104808653A (zh) 基于滑模的电机伺服***加性故障检测和容错控制方法
Garcia et al. On the monitoring task of solar thermal fluid transfer systems using NN based models and rule based techniques
CN105243393A (zh) 一种基于特征的复杂机电***故障预报方法
Garcia Improving heat exchanger supervision using neural networks and rule based techniques
CN106873568A (zh) 基于h无穷鲁棒未知输入观测器的传感器故障诊断方法
CN108427400A (zh) 一种基于神经网络解析冗余的飞机空速管故障诊断方法
CN103678881A (zh) 一种基于人工免疫与证据理论相结合的复合故障诊断方法
Peng et al. Real-time simulations to enhance distributed on-line monitoring and fault detection in Pressurized Water Reactors
Lei et al. Prediction of crucial nuclear power plant parameters using long short‐term memory neural networks
Li et al. Tailings pond risk prediction using long short-term memory networks
CN104142680A (zh) 一种基于鲁棒输入训练神经网络的多传感器故障诊断***及方法
Lu et al. A hybrid Kalman filtering approach based on federated framework for gas turbine engine health monitoring
Zhou et al. Identification-based sensor and actuator fault diagnosis for industrial control systems and its application to HTR-PM
Hong et al. Intelligent anomaly detection of robot manipulator based on energy consumption auditing
CN110516960A (zh) 一种变电站继电保护设备的可靠性指标定量计算方法
Sklyar Application of reliability theory to functional safety of computer control systems
He et al. UIO based robust fault diagnosis approach for aero-engine fiber-optic sensor
Chen et al. EPBS_FIDMV: A fault injection and diagnosis methods validation benchmark for EPBS of EMU
Kong et al. Concurrent fault diagnosis method for electric-hydraulic system: Subsea blowout preventer system as a case study

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20121128