CN109799802B - 一种分子量分布控制中传感器故障诊断与容错控制方法 - Google Patents
一种分子量分布控制中传感器故障诊断与容错控制方法 Download PDFInfo
- Publication number
- CN109799802B CN109799802B CN201811489086.3A CN201811489086A CN109799802B CN 109799802 B CN109799802 B CN 109799802B CN 201811489086 A CN201811489086 A CN 201811489086A CN 109799802 B CN109799802 B CN 109799802B
- Authority
- CN
- China
- Prior art keywords
- fault
- molecular weight
- output
- representing
- probability density
- 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.)
- Active
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出了一种分子量分布控制中传感器故障诊断与容错控制方法,步骤为:通过质量光谱仪或激光测试技术在线获得化工反应过程分子量的分布,得到输出概率密度函数,用B样条神经网络逼近输出概率密度函数;建立***的状态空间模型,经扫描辨识法变换后得到状态空间模型的参数,设计学习故障诊断观测器;利用学习故障诊断观测器实时监控传感器是否有故障发生,当有故障发生,及时估计出故障信息;利用估计的故障信息对***的输出权值进行补偿;将设计好的控制信号输入***,使***输出分子量分布跟踪期望分子量的分布。本发明可为***运行过程中的可靠性和安全性提供保障,为相关企业人员的生命安全和财产安全保驾护航。
Description
技术领域
本发明涉及传感器故障诊断与容错控制的技术领域,尤其涉及一种分子量分布控制中传感器故障诊断与容错控制方法。
背景技术
化工过程控制中***分子量分布控制是典型的随机分布控制***的应用,并在其相关的领域饱受重视。随机分布***的概念由造纸工业生产过程中提出,后来延伸到磨矿、锅炉燃烧、化工反应等领域,由于其应用十分广泛,所以在其相关领域饱受相关专家和学者们的重视。由于生产环境所限相关行业大多采用机械化和智能化生产线,其中需要大量传感器执行器等部件,而在这样的生产环境下长时间、不间断工作难免发生故障,如果不能及时诊断出故障并进行容错控制将造成严重的后果。随机分布***的控制对象是整个***的输出概率密度函数,其输入、噪声和故障类型并不一定服从高斯分布,其随机变量是非高斯型的,是一类非高斯随机分布***。随机分布***所受的扰动多为非高斯的,其分布难以描述,影响故障诊断的性能。
而传统的故障诊断方法主要是基于模型设计观测器或滤波器进行故障诊断。现有的故障诊断与容错控制方法只针对非高斯随机分布***的执行器进行故障诊断与容错控制并未考虑传感器发生故障时对传感器进行故障诊断以及容错控制。
发明内容
针对现有的非高斯随机分布***只针对执行器进行故障诊断与容错控制,未考虑传感器发生故障的现状的技术问题,本发明提出一种分子量分布控制中传感器故障诊断与容错控制方法,解决了非高斯随机分布控制***的传感器故障诊断问题,解决了非高斯随机分布控制***传感器发生故障时的容错控制问题。
为了达到上述目的,本发明的技术方案是这样实现的:一种分子量分布控制中传感器故障诊断与容错控制方法,其步骤如下:
步骤100:通过质量光谱仪或激光测试技术在线获得化工反应过程分子量的分布,得到输出概率密度函数,用B样条神经网络逼近输出概率密度函数;
步骤200:根据逼近的输出概率密度函数建立***的状态空间模型,经扫描辨识法变换后得到状态空间模型的参数,设计学习故障诊断观测器;
步骤300:将设计好的学习故障诊断观测器在计算机上实现,实时监控传感器是否有故障发生,当有故障发生,学习故障诊断观测器及时估计出故障信息;
步骤400:当***有故障发生故障诊断观测器准确估计出故障信息,利用估计的故障信息对***的输出权值进行补偿;
步骤500:将设计好的控制信号输入***使***输出分子量分布跟踪期望分子量的分布。
所述步骤100中输出概率密度函数为给出:
其中,φi(y)表示第i个B样条基函数,n表示B样条基函数的个数,y表示***的输出,t表示时间,u(t)为控制输入,ωi(t)为第i个B样条基函数的权值;
由于输出概率密度函数γ(y,u(t))在其定义区间[a,b]的积分等于1,采用B样条神经网络用线性B样条基函数神经网络逼近其输出概率密度函数为:
γ(y,u(t))=C(y)V(t)+T(y);
其中,线性径向基函数和参数φ1(y),φ2(y),φ3(y)均为***输出y的线性B样条基函数;V(t)=[ω1(t),ω1(t),…ω3(t)]T为输出权值向量,ωi(t)为第i个B样条基函数的权值,i=1,2,3。
所述步骤200中根据逼近的概率密度函数建立***的状态空间模型为:
其中,x(t)为原***的状态变量,u(t)为控制输入,f(t)为故障向量,V(t)为权值向量,表示状态变量x(t)的一阶导数,As表示和状态变量同维度的单位矩阵,xs(t)表示与输出权值有关的状态变量,表示状态变量xs(t)的一阶导数,A、B、D和G分别为参数矩阵;
设计学习故障诊断观测器如下:
其中,表示新***状态变量观测值的一阶导数,表示新***状态变量的观测值,表示观测器增益矩阵,ε(t)表示观测值与实际值得残差,表示观测权值,表示观测概率密度函数,Z(t)表示与故障同维度的向量,Z(t-τ)表示向量Z(t)的τ时刻前的值,ε(t-τ)表示τ时刻前的残差,K1、K2和W表示观测***参数,表示故障观测值的导数。
所述步骤500中期望分子量的概率密度函数表示为γ(y,u(t))=C(y)Vg+T(y),Vg为期望权值;设计如下切换函数和控制律实现故障后的分子量分布跟踪期望分布:
设计切换函数如下:
当检测到***故障发生后将***的控制律调整为:
通过计算机求解以下线性矩阵不等式:
0<(6+3σ)K1 TK1≤I;
P2(A1+MK3)+(A1+MK3)TP2+Q2≤0;
解得满足条件的故障诊断观测器参数以及满足跟踪给定分布的控制输入条件的参数,实现容错控制以及跟踪期望分子量分布的目的;其中,R1,Q1,Q2,P1,P2为适维正定对称矩阵,σ,γ1为小的正常数,A1=DAD-1,I为一维单位矩阵;∑表示1×2的矩阵。
本发明的有益效:所设计的故障诊断观测器对非高斯随机分布***传感器进行故障诊断,设计的容错控制方案在***发生传感器故障后可以有效的进行补偿,使***输出的概率密度函数跟踪期望输出。本发明可用于化工反应、造纸、磨矿、锅炉燃烧等输出可用概率密度函数描述的随机过程的传感器故障诊断与容错控制,由于其涉及大多是高温高压、有毒等生产环境,本发明可为***运行过程中的可靠性和安全性提供保障,为相关企业人员的生命安全和财产安全保驾护航。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程图;
图2为聚合过程分子量分布闭环控制示意图。
图3为本发明的故障与故障估计图;
图4为本发明***期望输出概率密度函数(PDF)图;
图5为本发明***无容错控制输出概率密度函数(PDF)图;
图6为本发明***有容错控制输出概率密度函数(PDF)图;
图7为本发明***有容错控制时期望概率密度函数与实际输出概率密度函数二维效果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种化工过程中分子量分布控制传感器故障诊断与容错的方法,其步骤如下:
步骤100:通过质量光谱仪或激光测试技术在线获得化工反应过程分子量分布的概率密度函数,用B样条神经网络逼近其概率密度函数。
逼近原理如下,概率密度函数由下式给出:
其中,φi(y)表示第i个B样条基函数,n表示B样条基函数的个数,y表示***的输出,t表示时间,u(t)为控制输入,ωi(t)为第i个B样条基函数的权值。由于输出概率密度函数γ(y,u(t))在其定义区间[a,b]的积分等于1,即:
ω1(t)φ1(y)+ω2(t)φ2(y)…+ωn(t)φn(y)=1 (2)
具体采用以下3个线性B样条基函数神经网络逼近其概率密度函数,即公式(2)中的n=3,线性B样条基函数表示如下:
γ(y,u(t))=C(y)V(t)+T(y) (4)
其中,V(t)=[ω1(t),ω1(t),ω3(t)]T为输出权值向量,a、b表示概率密度函数的定义区间。
步骤200:根据概率密度函数建立***的状态空间模型,经扫描辨识法变换后得到状态空间模型的参数,设计学习故障诊断观测器。
***的状态空间模型如下:
其中,x(t)为原***的状态变量,u(t)为控制输入,f(t)为故障向量,V(t)为权值向量,表示状态变量x(t)的一阶导数,As表示和状态变量同维度的单位矩阵,xs(t)表示与输出权值有关的状态变量,表示状态变量xs(t)的一阶导数,A、B、D和G分别为参数矩阵。
设计学习故障诊断观测器如下:
其中,表示新***状态变量观测值的一阶导数,表示新***状态变量的观测值,表示观测器增益矩阵,ε(t)表示观测值与实际值得残差,表示观测权值,表示观测概率密度函数,Z(t)表示与故障同维度的向量,Z(t-τ)表示向量Z(t)的τ时刻前的值,ε(t-τ)表示τ时刻前的残差,K1、K2和W表示观测***参数,表示故障观测值的导数。
步骤300:将设计好的学习故障诊断观测器在计算机上实现该算法,具体原理是通过原***输入输出信息构造一个观测***,观测***的状态趋近原***的状态,当有故障发生时,基于原***和观测***的输出之差构造残差,利用残差估计出故障信息。通过计算机实时监控传感器是否有故障发生,当有故障发生,学习故障诊断观测器及时估计出故障信息。
步骤500:将设计好的控制信号输入***使***输出分子量分布跟踪期望分布。如图4-7所示。
Vg为期望权值,期望分子量的概率密度函数可表示为γ(y,u(t))=C(y)Vg+T(y),设计如下切换函数和控制律实现故障后的分子量分布跟踪期望分布:
设计切换函数如下:
当检测到***故障发生后将***的控制输入调整为式(10),实现容错控制以及跟踪期望分子量分布的目的:
通过计算机求解线性矩阵不等式(11)、(12)、(13)和(14),解得满足条件的故障诊断观测器参数以及满足跟踪给定分布的控制输入条件的参数如下:
0<(6+3σ)K1 TK1≤I (12)
P2(A1+MK3)+(A1+MK3)TP2+Q2≤0 (14)
其中,R1,Q1,Q2,P1,P2为适维正定对称矩阵,σ,γ1为小的正常数,A1=DAD-1,M=DB,I为一维单位矩阵。解得满足条件的故障诊断观测器参数以及满足跟踪给定分布的控制输入条件的参数,实现容错控制以及跟踪期望分子量分布的目的,即得到:
K1=0.07,K2=-0.5,H=[0.4 -0.1],K3=[12.1635 0.0389]
本发明的建模和控制方法应用于苯乙烯本体聚合动态过程分子量分布形状控制。聚合过程分子量分布闭环控制示意图如图2所示。
***模型可以表示为:
其中,是反应物的平均停留时间;I0是引发剂的初始浓度(mol·ml-1);I是引发剂浓度(mol·ml-1);M0是单体的初始浓度(mol·ml-1);M是单体的浓度(mol·ml-1);Ki,Kp,Ktrm是反应速率常数;Kd,KI,KM是与控制输入相关的常数;Ri(i=1,2,...,q)是自由基。
如该反应釜中温度传感器发生故障,所测得的温度与釜内实际温度不符,将会影响各反应成分的注入量或加热油的用量,继而影响釜内产品的分子量分布。当故障发生后所设计的观测器可以迅速获取该故障信息,并反馈给控制***。控制***将会切换到事先设计的控制输入式(10)进行容错控制。通过改变单体或引发剂的注入量、加热油的用量、搅拌速率等使该化学反应釜内温度适宜、反应物的比例适合,使反应产物分子量分布为期望分布。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种分子量分布控制中传感器故障诊断与容错控制方法,其特征在于,其步骤如下:
步骤100:通过质量光谱仪或激光测试技术在线获得化工反应过程分子量的分布,得到输出概率密度函数,用B样条神经网络逼近输出概率密度函数;
步骤200:根据逼近的输出概率密度函数建立***的状态空间模型,经扫描辨识法变换后得到状态空间模型的参数,设计学习故障诊断观测器;
步骤300:将设计好的学习故障诊断观测器在计算机上实现,实时监控传感器是否有故障发生,当有故障发生,学习故障诊断观测器及时估计出故障信息;
步骤400:当***有故障发生故障诊断观测器准确估计出故障信息,利用估计的故障信息对***的输出权值进行补偿;
步骤500:将设计好的控制信号输入***使***输出分子量分布跟踪期望分子量的分布;
所述步骤200中根据逼近的概率密度函数建立***的状态空间模型为:
其中,x(t)为原***的状态变量,u(t)为控制输入,f(t)为故障向量,V(t)为权值向量,表示状态变量x(t)的一阶导数,As表示和状态变量同维度的单位矩阵,xs(t)表示与输出权值有关的状态变量,表示状态变量xs(t)的一阶导数,A、B、D和G分别为参数矩阵;
设计学习故障诊断观测器如下:
2.根据权利要求1所述的分子量分布控制中传感器故障诊断与容错控制方法,其特征在于,所述步骤100中输出概率密度函数为给出:
其中,φi(y)表示第i个B样条基函数,n表示B样条基函数的个数,y表示***的输出,t表示时间,u(t)为控制输入,ωi(t)为第i个B样条基函数的权值;
由于输出概率密度函数γ(y,u(t))在其定义区间[a,b]的积分等于1,采用B样条神经网络用线性B样条基函数神经网络逼近其输出概率密度函数为:
γ(y,u(t))=C(y)V(t)+T(y);
4.根据权利要求1所述的分子量分布控制中传感器故障诊断与容错控制方法,其特征在于,所述步骤500中期望分子量的概率密度函数表示为γ(y,u(t))=C(y)Vg+T(y),Vg为期望权值;设计如下切换函数和控制律实现故障后的分子量分布跟踪期望分布:
设计切换函数如下:
当检测到***故障发生后将***的控制律调整为:
通过计算机求解以下线性矩阵不等式:
0<(6+3σ)K1 TK1≤I;
P2(A1+MK3)+(A1+MK3)TP2+Q2≤0;
解得满足条件的故障诊断观测器参数以及满足跟踪给定分布的控制输入条件的参数,实现容错控制以及跟踪期望分子量分布的目的;其中,R1,Q1,Q2,P1,P2为适维正定对称矩阵,σ,γ1为小的正常数,A1=DAD-1,I为一维单位矩阵;∑表示1×2的矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811489086.3A CN109799802B (zh) | 2018-12-06 | 2018-12-06 | 一种分子量分布控制中传感器故障诊断与容错控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811489086.3A CN109799802B (zh) | 2018-12-06 | 2018-12-06 | 一种分子量分布控制中传感器故障诊断与容错控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109799802A CN109799802A (zh) | 2019-05-24 |
CN109799802B true CN109799802B (zh) | 2021-06-25 |
Family
ID=66556516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811489086.3A Active CN109799802B (zh) | 2018-12-06 | 2018-12-06 | 一种分子量分布控制中传感器故障诊断与容错控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109799802B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579963A (zh) * | 2019-09-03 | 2019-12-17 | 浙江工业大学 | 一种基于自适应状态观测器的网络化运动控制***状态估计方法 |
CN111190429B (zh) * | 2020-01-13 | 2022-03-18 | 南京航空航天大学 | 一种基于强化学习的无人机主动容错控制方法 |
CN112684707B (zh) * | 2020-12-25 | 2022-04-26 | 扬州大学 | 基于干扰观测器的苯乙烯本体聚合抗干扰分布形状控制方法 |
CN115437359B (zh) * | 2022-11-07 | 2023-02-28 | 西北工业大学 | 一种面向传感器故障的飞机容错控制方法、***及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101481019A (zh) * | 2009-02-20 | 2009-07-15 | 华中科技大学 | 一种用于卫星姿态控制***的传感器容错观测方法 |
CN103399493A (zh) * | 2013-08-07 | 2013-11-20 | 长春工业大学 | 可重构机械臂传感器故障实时诊断和容错***及其方法 |
CN107023367A (zh) * | 2017-03-29 | 2017-08-08 | 北京航空航天大学 | 一种柴油机scr***氨气输入传感器故障诊断和容错控制方法 |
CN107035490A (zh) * | 2017-03-29 | 2017-08-11 | 北京航空航天大学 | 一种柴油机scr***氮氧化物输入传感器故障诊断方法 |
JP2017167599A (ja) * | 2016-03-14 | 2017-09-21 | 日本電気株式会社 | 故障診断装置、故障診断システム、故障診断方法、及び、プログラム |
CN107329083A (zh) * | 2017-07-28 | 2017-11-07 | 南京航空航天大学 | 针对高速列车牵引电机非线性***传感器的故障诊断方法 |
CN108536017A (zh) * | 2018-05-03 | 2018-09-14 | 山东师范大学 | 基于动态反馈控制的随机分布互联***协作容错控制方法 |
-
2018
- 2018-12-06 CN CN201811489086.3A patent/CN109799802B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101481019A (zh) * | 2009-02-20 | 2009-07-15 | 华中科技大学 | 一种用于卫星姿态控制***的传感器容错观测方法 |
CN103399493A (zh) * | 2013-08-07 | 2013-11-20 | 长春工业大学 | 可重构机械臂传感器故障实时诊断和容错***及其方法 |
JP2017167599A (ja) * | 2016-03-14 | 2017-09-21 | 日本電気株式会社 | 故障診断装置、故障診断システム、故障診断方法、及び、プログラム |
CN107023367A (zh) * | 2017-03-29 | 2017-08-08 | 北京航空航天大学 | 一种柴油机scr***氨气输入传感器故障诊断和容错控制方法 |
CN107035490A (zh) * | 2017-03-29 | 2017-08-11 | 北京航空航天大学 | 一种柴油机scr***氮氧化物输入传感器故障诊断方法 |
CN107329083A (zh) * | 2017-07-28 | 2017-11-07 | 南京航空航天大学 | 针对高速列车牵引电机非线性***传感器的故障诊断方法 |
CN108536017A (zh) * | 2018-05-03 | 2018-09-14 | 山东师范大学 | 基于动态反馈控制的随机分布互联***协作容错控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109799802A (zh) | 2019-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109799802B (zh) | 一种分子量分布控制中传感器故障诊断与容错控制方法 | |
Naidu et al. | Use of neural networks for sensor failure detection in a control system | |
Wang et al. | Fault detection for systems with model uncertainty and disturbance via coprime factorization and gap metric | |
Yao et al. | Fault diagnosis and fault‐tolerant control for non‐Gaussian non‐linear stochastic systems using a rational square‐root approximation model | |
CN110500339A (zh) | 一种电液伺服***加性故障检测方法 | |
Shashoa et al. | Sensor fault detection and isolation in a thermal power plant steam separator | |
Lu et al. | Fault detection, diagnosis, and performance assessment scheme for multiple redundancy aileron actuator | |
Peng et al. | New kernel independent and principal components analysis‐based process monitoring approach with application to hot strip mill process | |
Hongmei et al. | Fault diagnosis based on improved Elman neural network for a hydraulic servo system | |
Ren et al. | Collaborative fault tolerant control for non‐gaussian stochastic distribution systems based on adaptive control strategy | |
CN110889646B (zh) | 一种适应工况变化的发电机组运行参数正确性检验的方法 | |
Patel et al. | Passive fault-tolerant tracking for nonlinear system with intermittent fault and time delay | |
Shahriari‐kahkeshi et al. | Active fault tolerant control design for uncertain strict‐feedback non‐linear systems | |
Fravolini et al. | Minimal resource allocating networks for aircraft SFDIA | |
Dirion et al. | Elaboration of a neural network system for semi-batch reactor temperature control: an experimental study | |
Bernardi et al. | Reduced Order Observer Applied to a Linear Parameter Varying System with Unknown Input | |
Li et al. | Parameter intervals used for fault isolation in non-linear dynamic systems | |
Abougarair et al. | Supervisory Control and Simulation of Boiler Drum Water Level | |
Guo et al. | Fault diagnosis for actuators in a class of nonlinear systems based on an adaptive fault detection observer | |
Kousar et al. | Sensor fault detection in coupled liquid tanks system | |
Curry et al. | Robust fault detection using robust l/sub 1/estimation and fuzzy logic | |
Skitt et al. | Process monitoring using auto-associative, feed-forward artificial neural networks | |
Guan et al. | Fault diagnosis and statistical information tracking fault tolerant control for non-gaussian non-linear stochastic systems | |
Ren et al. | Fault tolerant control for sequentially connected stochastic distribution continuous systems | |
Skaf et al. | Fault detection and diagnosis for general discrete-time stochastic systems using output probability density estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |