CN105652795A - 一种基于残差观测器的3ptt-2r串并联数控机床伺服***故障预测装置及方法 - Google Patents
一种基于残差观测器的3ptt-2r串并联数控机床伺服***故障预测装置及方法 Download PDFInfo
- Publication number
- CN105652795A CN105652795A CN201610041273.XA CN201610041273A CN105652795A CN 105652795 A CN105652795 A CN 105652795A CN 201610041273 A CN201610041273 A CN 201610041273A CN 105652795 A CN105652795 A CN 105652795A
- Authority
- CN
- China
- Prior art keywords
- parallel
- serial
- residual error
- machine tool
- module
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4063—Monitoring general control system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31304—Identification of workpiece and data for control, inspection, safety, calibration
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明提供一种基于残差观测器的PTT-2R串并联数控机床伺服***故障预测装置及方法,属于机床故障信号检测领域。本发明不再单纯利用预测状态进行故障预测,而是将观测器的输出值与***输出值对比,?产生残差信号,?通过分析残差信号来反映***期望行为与运行模式之间的不一致,实现隐含故障的预测,取得了较为满意的效果。
Description
技术领域
本发明涉及一种基于残差观测器的3PTT-2R串并联数控机床伺服***故障预测装置及方法,属于机床故障信号检测领域。
背景技术
自20世纪70年代以来,基于模型的故障诊断方法一直是学术界与工程应用领域研究人员关注的热点方法。基于滤波器的方法主要包括基于卡尔曼滤波器(Kalmanfilter)的方法、基于强跟踪滤波器(strongtrackingfilter)的方法、基于模糊卡尔曼滤波器(fuzzyKalmanfilter)的方法和基于粒子滤波器(particlefilter)的方法。虽然取得了一些成果,但是也存在一些问题。以往利用滤波器方法进行故障预测时,往往都是先估计出故障参数的状态,然后将该状态与设定的阀值进行对比,进而判断故障。这会导致当设定的阀值与正常状态值太接近时,***极容易误报;而当设定的阀值太远离正常状态值时,***又会极容易出现漏报的问题。另一方面,大多数的实际***往往是非线性***。由于非线性***的实际模型具有不同程度的不确定性,如近似化、输入干扰,再加上环境中各种噪声的影响,对于故障参数变化函数未知的情况,上述非线性滤波对于故障参数的估计精度不高,甚至可能发散。而这会导致误报和***的灵敏度降低。
针对上述问题,本发明提高一种基于残差观测器的故障预测方法,不再单纯利用预测状态进行故障预测,而是将观测器的输出值与***输出值对比,产生残差信号,同时,提出改进的强跟踪滤波方法对残差信号进行滤波处理,解决噪声干扰等对非线性***的影响,提高了***鲁棒性。通过分析残差信号来反映***期望行为与运行模式之间的不一致,实现隐含故障的预测,避免了单一状态阀值造成的漏报和误报,取得了较为满意的效果。
发明内容
本发明目的是为了解决传统故障预测方法单纯利用预测状态进行故障预测,同时,非线性滤波对于故障参数的估计精度不高,极易造成误报和漏报的问题,提供了一种基于残差观测器的3PTT-2R串并联数控机床伺服***故障预测装置及方法。
本发明所述一种基于残差观测器的3PTT-2R串并联数控机床伺服***故障预测装置,目的在于解决纯利用预测状态进行故障预测,同时,非线性滤波对于故障参数的估计精度不高,极易造成误报和漏报的问题。因此,本发明的3PTT-2R串并联数控机床伺服***进行故障预测装置包括3PTT-2R串并联数控机床动力学模型模块、残差观测器模块、改进的强跟踪滤波模块和故障预测模块。
3PTT-2R串并联数控机床动力学模模块根据控制器输出的转速等状态信号构建串并联数控机床动力学模型,并根据动力学模型将速度、位移等信号进行工作输出,残差观测器模块同时接收串并联机床动力学模型输出的实际转速等状态信号和控制器输出的转速等状态信号,残差观测器模块输出串并联机床转速等状态变量的残差给改进的强跟踪滤波模块,经滤波处理后的残差信号输出给故障预测模块,残差经过故障预测模块处理后输出故障结果。
基于所述的一种基于残差观测器的3PTT-2R串并联数控机床伺服***故障预测装置的故障预测方法,该方法包括以下步骤:
步骤一,根据控制器的输出的状态信号,3PTT-2R串并联数控机床动力学模型模块(1)将机床的速度、位移等信号输出;
步骤二,根据残差观测器模块(2)构造串并联机床转速等状态变量的残差信号;
步骤三,根据改进的强跟踪滤波模块(3)将残差信号滤波;
步骤四,根据滤波后的残差信号,由故障预测模块(4)预测故障并预报。
本发明具有以下优点:
1)本发明所提出的故障预测方法充分利用了3PTT-2R串并联数控机床特殊的结构关系,充分地利用了***的动力学模型知识,无需依赖额外的传感器,有利于提高故障预测算法的有效性。
2)本发明所提出的故障预测方法充分利用了强跟踪滤波算法对具有模型不确定性的非线性***的鲁棒性强,估计精度高等特点,增强了故障预测能力。
3)本发明所提出的故障预测方法算法简明有效,计算量小,实时性好,便于进行实时故障预测。
附图说明
图1是串并联机床故障预测装置结构图;
图2是串并联机床预测预测效果图;
图3是应用改进的强跟踪滤波的残差对比图。
具体实施方式
具体实施方式一:下面结合图1说明本实施方式,本实施方式所述一种基于残差观测器的3PTT-2R串并联数控机床伺服***故障预测装置,目的在于解决纯利用预测状态进行故障预测,同时,非线性滤波对于故障参数的估计精度不高,极易造成误报和漏报的问题。因此,本发明的3PTT-2R串并联数控机床伺服***进行故障预测装置包括3PTT-2R串并联数控机床动力学模型模块、残差观测器模块、改进的强跟踪滤波模块和故障预测模块。
3PTT-2R串并联数控机床动力学模模块根据控制器输出的转速等状态信号构建串并联数控机床动力学模型,并根据动力学模型将速度、位移等信号进行工作输出,残差观测器模块同时接收串并联机床动力学模型输出的实际转速等状态信号和控制器输出的转速等状态信号,残差观测器模块输出串并联机床转速等状态变量的残差给改进的强跟踪滤波模块,经滤波处理后的残差信号输出给故障预测模块,残差经过故障预测模块处理后输出故障结果。
本发明的目的在于提出一种基于残差观测器的3PTT-2R串并联数控机床伺服***故障预测方法,充分利用动力学模型,将残差观测器和改进的强跟踪滤波算法相结合,使预测方法计算量小,实时性高,提供***鲁棒性。
本发明的目的是通过以下技术方案实现的:对3PTT-2R串并联数控机床伺服***进行动力学建模,构造残差观测器和改进的强跟踪滤波器,设计故障检测阈值,判断滤波后的残差是否超过阀值,实现3PTT-2R串并联数控机床伺服***故障预测。
具体实施方式二:下面结合图1说明本实施方式,本实施方式是对实施方式一做进一步的说明:串并联机床动力学模型模块1构建的串并联机床动力学模型为:
x(k+1)=A(k,x(k))·x(k)+Bu(k)
其中,状态向量x(k)、输入向量u(k)、输出向量y(k)和系数矩阵为:
x(k)=[Id(k)Iq(k)ω(k)θ(k)TL(k)υ(k)]T,
u(k)=[Ud(k)Uq(k)],y(k)=[Id(k)Iq(k)],
a12=Tcω(k);a13=TcIq(k);a21=-Tcω(k);
观测方程可以写成:
y(k+1)=Cx(k+1)
其中,
具体实施方式三:下面结合图1说明本实施方式,本实施方式是对实施方式一做进一步的说明:残差观测器模块2构建的残差观测器方程为:
其中,为残差矩阵,且F1=(I-C)A,F2=(I-C)B.
具体实施方式四:下面结合图1说明本实施方式,本实施方式是对实施方式一做进一步的说明:改进的强跟踪滤波模块3为:
1)求出状态变量的一步预报值
2)求出增益矩阵:
3)求出预报误差协方差矩阵:
4)更新误差协方差矩阵:
其中,
5)计算时变渐消因子λ(k+1)
其中,ci为预先确定的常数,λ0由下式得到:
式中,β≥1为一个给定的弱化因子.
式中,0<ρ≤1为遗忘因子.
6)求出状态变量的估计值:
具体实施方式五:下面结合图1说明本实施方式,本实施方式是对实施方式一做进一步的说明:故障预测模块4为:
其中,Γ2为***无故障时的残差协方差。
按照如下的逻辑规则预测故障:
其中,Λfault为满足一定概率分布的阀值。
具体实施方式六:下面结合图1说明本实施方式,本实施方式是基于实施方式一所述的一种基于残差观测器的3PTT-2R串并联数控机床伺服***故障预测装置的故障预测方法,该方法包括以下步骤:
步骤一,根据控制器的输出的状态信号,3PTT-2R串并联数控机床动力学模型模块(1)将机床的速度、位移等信号输出;
步骤二,根据残差观测器模块(2)构造串并联机床转速等状态变量的残差信号;
步骤三,根据改进的强跟踪滤波模块(3)将残差信号滤波;
步骤四,根据滤波后的残差信号,由故障预测模块(4)预测故障并预报。
具体实施方式七:下面结合图1说明本实施方式,本实施方式是对实施方式六做进一步的说明:步骤三中改进的强跟踪滤波对残差信号的获取过程为:
在强跟踪滤波算法中,引入了变次优渐消因子矩阵,可抵消旧观测值对***的影响,使强跟踪滤波算法具有对不准确模型的鲁棒性,又具有极强的快速跟踪估计状态的能力。但这也可能会导致一些问题的出现。当λ(k+1)矩阵中对角元素不相等时,误差协方差矩阵P(k+1|k)就不满足对称性.这会导致算法在进行更新误差协方差矩阵P(k+1|k+1)时,再左乘矩阵时仍然是不对称的.一旦误差协方差矩阵失去对称正定性,将会造成状态估计偏差越来越大,甚至出现发散现象。
为了保留原有强跟踪滤波算法中λ(k+1)矩阵对P(k+1|k)、P(k+1|k+1)的实时调整,同时又能避免引入的λ(k+1)对P(k+1|k+1)正定性的破坏,导致算法不稳定的问题,本发明提出一种改进的强跟踪滤波方法。设P(k+1|k+1)可以写为:
为了保留原有强跟踪滤波算法对协方差矩阵P(k+1|k+1)和增益矩阵K(k+1)的实时调整,同时λ(k+1)又不影响P(k+1|k+1)的对称性,首先,利用方根滤波的思想,矩阵Δ可分解为:
式中
而后,为了保证在每一步的迭代过程中误差协方差矩阵P(k+1|k+1)都能是正定对称的,修改更新误差协方差矩阵为:
这样,改进的强跟踪滤波算法在每一步的迭代过程中,时变次优渐消因子λ(k+1)通过适当的作用方式修正误差协方差矩阵P(k+1|k+1),当***突变时,通过时变次优渐消因子λ(k+1)增大当前观测值在强跟踪滤波算法迭代过程的作用,同时使更新的误差协方差矩阵P(k+1|k+1)始终能保持对称正定性,增强了算法稳定性。
具体实施方式八:下面结合图1说明本实施方式,本实施方式给出一个具体的实施例:
执行步骤一:设计串并联机床动力学模型模块。
x(k+1)=A(k,x(k))·x(k)+Bu(k)(1)
其中,状态向量x(k)、输入向量u(k)、输出向量y(k)和系数矩阵为:
x(k)=[Id(k)Iq(k)ω(k)θ(k)TL(k)υ(k)]T,
u(k)=[Ud(k)Uq(k)],y(k)=[Id(k)Iq(k)],
a12=Tcω(k);a13=TcIq(k);a21=-Tcω(k);
观测方程可以写成:
y(k+1)=Cx(k+1)(2)
其中,
本具体实施例中模型参数取值为绕组电阻R=2.8750Ω,定子电感Ls=8.5mH,转子永磁磁链ψ=0.175Wb,转子转动惯量J=0.8×10-3kg·m2,极对数p=4,摩擦转矩系数μ=0.0009。
执行步骤二:设计残差观测器模块。残差观测器模块的设计过程为:
考虑一类带有未知干扰项的非线性方程:
其中,d(k)为未知干扰项。
残差为:
为了消除残差方程γ(k+1)中的干扰项d(k),由方程(1)可知:
设将其代入到方程(5)中,得:
令F1=(I-C)A,F2=(I-C)B,这样残差观测器方程为:
本具体实施例中的参数取值与步骤二相同。
执行步骤三:设计改进的强跟踪滤波模块。设计过程为:
1)求出状态变量的一步预报值
2)求出增益矩阵:
3)求出预报误差协方差矩阵:
4)更新误差协方差矩阵:
其中,
5)计算时变渐消因子λ(k+1)
其中,ci为预先确定的常数,λ0由下式得到:
式中,β≥1为一个给定的弱化因子.
式中,0<ρ≤1为遗忘因子.
6)求出状态变量的估计值:
本具体实施例中测量噪声协方差初值为R0=10-4I(6);误差协方差初值为
P(0|0)=10-6I(6).且***状态服从N(0,1)分布,取遗忘因子ρ=0.95,弱化因子β=4.5。执行步骤四:设计故障预测模块。逻辑规则为:
其中,Γ2为***无故障时的残差协方差。
按照如下的逻辑规则预测故障:
其中,Λfault为满足一定概率分布的阀值,本具体实施例中取Λfault=11.598。
利用本具体实施实例进行故障预测。残差故障预测结果如图2所示,使用本预测方法中改进的强跟踪滤波预测的残差和普通没有用改进的强跟踪滤波的残差对比结果如图3所示。
以上仿真结果说明了基于残差观测器与改进的强跟踪滤波的故障预测诊断方法的有效性(更多的仿真结果不一一列出)。对于3PTT-2R串并联机床伺服控制***,该方法能够准确估计残差,快速地进行故障预测,显著提高预测精度。
Claims (8)
1.一种基于残差观测器的3PTT-2R串并联数控机床伺服***故障预测装置,其特征在于,针对3PTT-2R串并联数控机床伺服***进行故障预测的装置包括3PTT-2R串并联数控机床动力学模型模块(1)、残差观测器模块(2)、改进的强跟踪滤波模块(3)和故障预测模块(4);
3PTT-2R串并联数控机床动力学模模块(1)根据控制器输出的转速等状态信号构建串并联数控机床动力学模型,并根据动力学模型将速度、位移等信号进行工作输出,残差观测器模块(2)同时接收串并联机床动力学模型输出的实际转速等状态信号和控制器输出的转速等状态信号,残差观测器模块(2)输出串并联机床转速等状态变量的残差给改进的强跟踪滤波模块(3),经改进的强跟踪滤波模块(3)滤波处理后的残差信号输出给故障预测模块(4),残差经过故障预测模块(4)处理后输出故障结果。
2.根据权利要求1所述的一种基于残差观测器的3PTT-2R串并联数控机床伺服***故障诊断装置,其特征在于,串并联数控机床动力学模型模块(1)构建的3PTT-2R串并联数控机床动力学模型为:
x(k+1)=A(k,x(k))·x(k)+Bu(k)
其中,状态向量x(k)、输入向量u(k)、输出向量y(k)和系数矩阵为:
x(k)=[Id(k)Iq(k)ω(k)θ(k)TL(k)υ(k)]T,
u(k)=[Ud(k)Uq(k)],y(k)=[Id(k)Iq(k)],
a12=Tcω(k);a13=TcIq(k);a21=-Tcω(k);
观测方程可以写成:
y(k+1)=Cx(k+1)
其中,
3.根据权利要求2所述的一种基于残差观测器的3PTT-2R串并联数控机床伺服***故障诊断装置,其特征在于,残差观测器模块(2)建立的残差观测器方为:
其中,为残差矩阵,且F1=(I-C)A,F2=(I-C)B。
4.根据权利要求2所述的一种基于残差观测器的3PTT-2R串并联数控机床伺服***故障诊断装置,其特征在于,改进的强跟踪滤波模块(3)包括:
1)求出状态变量的一步预报值
2)求出增益矩阵:
3)求出预报误差协方差矩阵:
4)更新误差协方差矩阵:
其中,
5)计算时变渐消因子λ(k+1)
其中,ci为预先确定的常数,λ0由下式得到:
式中,β≥1为一个给定的弱化因子.
式中,0<ρ≤1为遗忘因子.
6)求出状态变量的估计值:
5.根据权利要求2所述的一种基于残差观测器的3PTT-2R串并联数控机床伺服***故障诊断装置,其特征在于,故障预测模块(4)的预测模型为:
其中,Γ2为***无故障时的残差协方差。
6.根据权利要求1所述的一种基于残差观测器的3PTT-2R串并联数控机床伺服***故障预测装置的故障预测方法,其特征在于,该方法包括以下步骤:
步骤一,根据控制器的输出的状态信号,3PTT-2R串并联数控机床动力学模型模块(1)将机床的速度、位移等信号输出;
步骤二,根据残差观测器模块(2)构造串并联机床转速等状态变量的残差信号;
步骤三,根据改进的强跟踪滤波模块(3)将残差信号滤波;
步骤四,根据滤波后的残差信号,由故障预测模块(4)预测故障并预报。
7.根据权利要求6所述的一种基于残差观测器的3PTT-2R串并联数控机床伺服***故障预测方法,其特征在于,步骤三残差信号滤波过程中的更新误差协方差矩阵为:
其中,
8.根据权利要求6所述的一种基于残差观测器的3PTT-2R串并联数控机床伺服***故障预测方法,其特征在于,步骤四中的故障预测模块(4)按照如下逻辑预测:
其中,Λfault为满足一定概率分布的阀值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610041273.XA CN105652795B (zh) | 2016-01-22 | 2016-01-22 | 一种基于残差观测器的3ptt-2r串并联数控机床伺服***故障预测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610041273.XA CN105652795B (zh) | 2016-01-22 | 2016-01-22 | 一种基于残差观测器的3ptt-2r串并联数控机床伺服***故障预测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105652795A true CN105652795A (zh) | 2016-06-08 |
CN105652795B CN105652795B (zh) | 2021-08-17 |
Family
ID=56487057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610041273.XA Expired - Fee Related CN105652795B (zh) | 2016-01-22 | 2016-01-22 | 一种基于残差观测器的3ptt-2r串并联数控机床伺服***故障预测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105652795B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106569487A (zh) * | 2016-11-16 | 2017-04-19 | 北京理工大学 | 一种基于观测器的伺服***的故障检测方法 |
CN110017857A (zh) * | 2019-04-04 | 2019-07-16 | 广东工业大学 | 基于自适应学习与神经网络的非线性传感器故障诊断方法 |
CN115079639A (zh) * | 2022-07-13 | 2022-09-20 | 深圳市协和传动器材有限公司 | 凸轮分割器的加工机床运行异常报警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1068630A (ja) * | 1996-08-27 | 1998-03-10 | Toyo Commun Equip Co Ltd | Avmシステム |
KR20040035614A (ko) * | 2004-03-18 | 2004-04-29 | 광인정보통신(주) | 무선통신용 원격제어장치 |
CN104948312A (zh) * | 2014-03-26 | 2015-09-30 | 通用汽车环球科技运作有限责任公司 | 非模型预测控制到模型预测控制过渡 |
-
2016
- 2016-01-22 CN CN201610041273.XA patent/CN105652795B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1068630A (ja) * | 1996-08-27 | 1998-03-10 | Toyo Commun Equip Co Ltd | Avmシステム |
KR20040035614A (ko) * | 2004-03-18 | 2004-04-29 | 광인정보통신(주) | 무선통신용 원격제어장치 |
CN104948312A (zh) * | 2014-03-26 | 2015-09-30 | 通用汽车环球科技运作有限责任公司 | 非模型预测控制到模型预测控制过渡 |
Non-Patent Citations (1)
Title |
---|
姚禹 等: "改进的强跟踪滤波算法及其在3PTT-2R伺服***中的应用", 《自动化学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106569487A (zh) * | 2016-11-16 | 2017-04-19 | 北京理工大学 | 一种基于观测器的伺服***的故障检测方法 |
CN106569487B (zh) * | 2016-11-16 | 2019-02-26 | 北京理工大学 | 一种基于观测器的伺服***的故障检测方法 |
CN110017857A (zh) * | 2019-04-04 | 2019-07-16 | 广东工业大学 | 基于自适应学习与神经网络的非线性传感器故障诊断方法 |
CN115079639A (zh) * | 2022-07-13 | 2022-09-20 | 深圳市协和传动器材有限公司 | 凸轮分割器的加工机床运行异常报警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105652795B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Demetriou et al. | Incipient fault diagnosis of dynamical systems using online approximators | |
Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
CN105867360B (zh) | 一种机电控制***的初值预估迭代学习故障诊断算法 | |
CN106487297A (zh) | 一种基于协方差匹配无迹卡尔曼滤波算法的pmsm参数辨识方法 | |
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 | |
CN105652795A (zh) | 一种基于残差观测器的3ptt-2r串并联数控机床伺服***故障预测装置及方法 | |
Luo et al. | Intelligent model-based diagnostics for vehicle health management | |
Zhou et al. | Identification based fault detection: Residual selection and optimal filter | |
Bechhoefer et al. | A state-space model for vibration based prognostics | |
Zhou et al. | Identification-based sensor and actuator fault diagnosis for industrial control systems and its application to HTR-PM | |
Zhao et al. | Actuator fault detection for masonry robot manipulator arm with the interval observer | |
Morsalin et al. | Induction motor inter-turn fault detection using heuristic noninvasive approach by artificial neural network with Levenberg Marquardt algorithm | |
CN113848876B (zh) | 一种低通讯和计算消耗的多agv定距巡航***故障检测方法 | |
Zhang et al. | Set-membership filtering approach for fault detection of systems with unknown-but-bounded noises | |
Cao et al. | An adaptive UKF algorithm for process fault prognostics | |
Li et al. | Parameter intervals used for fault isolation in non-linear dynamic systems | |
Simani et al. | Active fault tolerant control of wind turbines using identified nonlinear filters | |
Ling et al. | A practical system for online diagnosis of control valve faults | |
Li et al. | Research on Fault Diagnosis Model of Coal Mills based on FPGA | |
Patton et al. | A review of parity space approaches to fault diagnosis applicable toaerospace systems | |
Miao et al. | Research on Signal Reconstruction Technology for Nuclear Power Plant Based on Self-Associative Kernel Regression | |
Yu et al. | A hybrid fault isolation method for acceleration sensors in maglev train using auto-regression model and improved extended state observer | |
Ma et al. | Fault diagnosis of the motor of electro-mechanical transmission of the high speed rotorcraft | |
Zhang et al. | Fault diagnosis of wind energy conversion systems with sensor faults | |
Patton et al. | A review of parity space approaches to fault diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210817 Termination date: 20220122 |
|
CF01 | Termination of patent right due to non-payment of annual fee |