CN110441669B - 不确定混杂电路***的渐变故障诊断和寿命预测方法 - Google Patents
不确定混杂电路***的渐变故障诊断和寿命预测方法 Download PDFInfo
- Publication number
- CN110441669B CN110441669B CN201910569868.6A CN201910569868A CN110441669B CN 110441669 B CN110441669 B CN 110441669B CN 201910569868 A CN201910569868 A CN 201910569868A CN 110441669 B CN110441669 B CN 110441669B
- Authority
- CN
- China
- Prior art keywords
- fault
- global
- uncertain
- augmented
- circuit system
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 230000003190 augmentative effect Effects 0.000 claims abstract description 58
- 230000015556 catabolic process Effects 0.000 claims abstract description 34
- 238000006731 degradation reaction Methods 0.000 claims abstract description 34
- 230000003044 adaptive effect Effects 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000010586 diagram Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000001419 dependent effect Effects 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 6
- 238000002955 isolation Methods 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 239000007983 Tris buffer Substances 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000000844 transformation Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2836—Fault-finding or characterising
- G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
一种不确定混杂电路***的渐变故障诊断和寿命预测方法,步骤为S1、对不确定的混杂电路***进行建模,得到不确定性全局诊断混杂键合图模型;S2、得到增广全局解析冗余关系AGARRs,并通过增广全局解析冗余关系AGARRs获得全局自适应阈值,在参数不确定条件下对混杂电路***进行故障检测;S3、分析增广全局解析冗余关系AGARRs的结构特性给出***的全局故障特征矩阵,以此为依据对可能出现的故障进行隔离;S4、利用时变衰减率的退化模型对渐变故障进行逼近,通过增强型扩展卡尔曼滤波算法估计故障值及故障发生时间,计算渐变退化模型系数,预测出故障元件的剩余使用寿命。利用上述方法可实现故障诊断和剩余使用寿命预测。
Description
技术领域
本发明涉及一种基于模型的不确定混杂***的渐变故障诊断和剩余使用寿命预测领域,特别涉及一种不确定混杂电路***的渐变故障诊断和寿命预测方法。
背景技术
不确定混杂电路***中在各行各业中都有运用,如果电路***中某一个或某一些元器件发生故障时,导致整个***失效,此时需要设备维修人员对设备做出及时的判断,或者能够有效的预防元器件的使用寿命。而***中的元器件的退化是渐变的,导致早起故障难以实现和及时检测并排除。
本申请最接近的现有技术为一篇“一种基于键合图模型的电动代步车车故障诊断和估计方法”的公开文本中,虽然公开了故障诊断和估计方法,并没有公开实时的故障参数估计和剩余使用寿命的预测方法。
发明内容
为了克服上述现有技术存在的不足,为此,本发明提供不确定混杂电路***的渐变故障诊断和寿命预测方法。
为实现上述目的,本发明采用以下技术方案:
不确定混杂电路***的渐变故障诊断和寿命预测方法,包括以下步骤:
S1、对不确定的混杂电路***进行建模,基于故障诊断和预测的视角,得到不确定性全局诊断混杂键合图模型;
S2、根据不确定性全局诊断混杂键合图模型得到增广全局解析冗余关系AGARRs,并通过增广全局解析冗余关系AGARRs获得全局自适应阈值,采用全局自适应阈值在参数不确定条件下对混杂电路***进行故障检测;
S3、当增广全局解析冗余关系AGARRs有参数发生故障时,分析增广全局解析冗余关系AGARRs的结构特性给出***的全局故障特征矩阵,以此为依据对可能出现的故障进行隔离;
S4、利用时变衰减率的退化模型对渐变故障进行逼近,通过增强型扩展卡尔曼滤波算法估计故障值及故障发生时间,由此来计算渐变退化模型系数,根据辨识出的渐变退化模型和预先定义的失效阈值,预测出故障元件的剩余使用寿命。
本发明的优点在于:
(1)本发明首先对带有参数不确定性的混杂电路***进行建模,配置因果关系,得到在参数不确定条件下的全局诊断混杂键合图模型;接着构造独立和非独立的增广全局解析冗余关系和全局自适应阈值,在***运行过程中,使用时变的全局自适应阈值可以更加灵敏和可靠的检测到故障发生。
(2)本发明利用时变衰减率的退化模型对渐变故障进行逼近,通过估计渐变故障过程中某些关键时间点,既可以实现对渐变故障较为准确的估计和剩余使用寿命预测,也简化了运算过程。
(3)本发明通过增强型扩展卡尔曼滤波算法估计故障值及故障发生时间。增强型扩展卡尔曼滤波算法可以更加快速地进行状态跟踪,实现对参数的快速、准确的估计。
(4)本发明以带有参数不确定性的混杂电路***为例,通过参数不确定性建模构造随时间和模式变化的全局自适应阈值,用于更加快速和准确的检测早期故障,同时构造独立和非独立的增广全局解析冗余关系,提高了故障的隔离能力,最后,利用时变衰减率的退化模型对渐变故障进行逼近,通过增强型扩展卡尔曼滤波算法估计故障值及故障发生时间,进一步在早期预测出故障参数的剩余使用寿命。
附图说明
图1为本发明的方法流程图;
图2为本发明所使用的混杂电路***实例电路图;
图3为本发明的带有参数不确定性的混杂电路***的全局诊断混杂键合图模型;
图4(a)为本发明的混杂电路***的AGARR1的自适应阈值;
图4(b)为本发明的混杂电路***的AGARR2的自适应阈值;
图4(c)为本发明的混杂电路***的AGARR3的自适应阈值;
图4(d)为本发明的混杂电路***的AGARR4的自适应阈值;
图5(a)为本发明的渐变参数型故障退化近似模型;
图5(b)为本发明的渐变非参数型故障退化近似模型;
图6(a)为本发明的电阻R3发生故障时,增广全局解析冗余关系AGARR1的波形;
图6(b)为本发明的电阻R3发生故障时,增广全局解析冗余关系AGARR2的波形;
图6(c)为本发明的电阻R3发生故障时,增广全局解析冗余关系AGARR3的波形;
图6(d)为本发明的电阻R3发生故障时,增广全局解析冗余关系AGARR4的波形;
图7(a)为本发明的电阻R3故障估计值;
图7(b)为本发明的电阻R3剩余使用寿命预测的概率密度图;
具体实施方式
如图1所示,不确定混杂电路***的渐变故障诊断和寿命预测方法,包括以下步骤:
S1、对不确定的混杂电路***进行建模,基于故障诊断和预测的视角,得到不确定性全局诊断混杂键合图模型;
S2、根据不确定性全局诊断混杂键合图模型得到增广全局解析冗余关系AGARRs,并通过增广全局解析冗余关系AGARRs获得全局自适应阈值,采用全局自适应阈值在参数不确定条件下对混杂电路***进行故障检测;
S3、当增广全局解析冗余关系AGARRs有参数发生故障时,分析增广全局解析冗余关系AGARRs的结构特性给出***的全局故障特征矩阵,以此为依据对可能出现的故障进行隔离;
S4、利用时变衰减率的退化模型对渐变故障进行逼近,通过增强型扩展卡尔曼滤波算法估计故障值及故障发生时间,由此来计算渐变退化模型系数,根据辨识出的渐变退化模型和预先定义的失效阈值,预测出故障元件的剩余使用寿命。
在此,不确定的混杂电路***如图2所示,根据步骤S1获得如图3中的不确定性全局诊断混杂键合图模型。
具体的,不确定性全局诊断混杂键合图模型包括全局诊断混杂键合图模型和参数不确定性键合图模型:所述全局诊断混杂键合图模型包括Se={V1,V2},阻性元件{R1,R2,R3,R4},容性元件{C1,C2,C3},势传感器{De1,De2,De3},开关{sw1,sw2}。
步骤S2具体包括如下步骤:
S21、通过因果路径覆盖法,根据带有参数不确定条件下的全局诊断混杂键合图模型,将全局诊断混杂键合图模型中的未知变量用已知变量或可测变量表示,可以得到三个独立的增广全局解析冗余关系分别为增广全局解析冗余关系AGARR1,增广全局解析冗余关系AGARR2,增广全局解析冗余关系AGARR3和一个非独立的增广全局解析冗余关系AGARR4,每个增广全局解析冗余关系AGARRs根据线性分式变换的特性可以被分成标称部分rs和不确定部分Us,分别可以由以下公式表示。
独立的增广全局解析冗余关系AGARR1为:
独立的增广全局解析冗余关系AGARR2为:
独立的增广全局解析冗余关系AGARR3为:
通常情况下,假设不确定的混杂电路***发生单个参数故障时,有时独立的AGARRs不能有效的实现故障隔离,基于以上的情况,可以使用非独立的增广全局解析冗余关系AGARRs扩展故障特征矩阵进一步提高故障隔离能力。在此将AGARR1和AGARR2联立,可以消去同时存在于两个独立的增广全局解析冗余关系AGARRs中的R3,得到非独立的增广全局解析冗余关系AGARR4。
非独立的增广全局解析冗余关系AGARR4为:
在以上的独立的增广全局解析冗余关系AGARRs和非独立的增广全局解析冗余关系AGARRs中,r1,r2,r3,r4表示增广全局解析冗余关系AGARRs的标称部分,如图4所示,U1,U2,U3,U4表示增广全局解析冗余关系AGARRs的不确定部分,用以生成全局自适应阈值。即全局自适应阈值的区间由[-U1,U1],[-U2,U2],[-U3,U3],[-U4,U4]给定。以此方法确定的全局自适应阈值不仅随运行时间变化,也随混杂***模式变化而变化,因此可以被用于更加灵敏和可靠的检测带有参数不确定性的混杂电路***故障。
在以上增广全局解析冗余关系AGARRs中,V1和V2为混杂电路***的输入电压,R1,R2,R3,R4分别表示混杂电路***的电阻值,C1,C2,C3分别表示混杂电路***的电容值,De1,De2,De3分别表示电路***电压传感器的测量值,a1,a2分别表示开关sw1,sw2的开闭状态,其中断开为0,闭合为1,分别表示V1,V2,De1,De2,De3的有效系数,分别表示R1,R2,R3,R4,C1,C2,C3的乘性不确定性系数,假定电阻乘性不确定系数为0.03,电容乘性不确定系数为0.04,表示对时间的微分运算。
获得故障检测结果后,当增广全局解析冗余关系AGARRs有参数发生故障时,步骤S3具体操作如下:
在***运行的过程中,一旦检测到故障发生,可以定义一组相干向量CV用来表示已经观察到的故障特征,即CV=[cv1 cv2 … cvi … cvs]T,其中, s为增广全局解析冗余关系AGARRs的数量。通过分析独立和非独立的增广全局解析冗余关系的结构特性可以给出***的全局故障特征矩阵,通过对比观测到的相干向量与全局故障特征矩阵确定一组可能故障集,***的全局故障特征矩阵如下表1所示:
表1:
其中,r1、r2、r3、r4为全局***的四个残差,r1、r2、r3、r4下方的列中,1表示残差对于所对应行的故障参数敏感,而0表示残差对于所对应行的故障参数不敏感,a1表示残差对于所对应行的故障参数敏感程度由a1决定,a2表示残差对于所对应行的故障参数敏感程度由a2决定。将***获得的残差与上述表格中每一行数据进行比对,如果与其中一行的故障特征相同,则将该行对应的参数隔离。
通过故障检测和隔离得到可能故障集后,步骤S4具体如下:
S41、通过步骤S2的故障检测和步骤S3的隔离,得到可能故障集,对故障类型和幅值进行估计,将故障根据参数型元件和非参数型元件分成两类,分别为参数型故障和非参数型故障,利用时变衰减率的退化模型对所有元件的渐变故障进行描述,渐变故障的数学模型由以下公式表示:
其中,
表示一个参数型元件或非参数型元件的标称值,K表示离散时间变量,KI表示故障数值改变的时间,其中,I=0,1,2,...,N,FkI表示在时间间隔[kI,kI+1]之间未知的故障值。如图5所示,为了确保渐变的单调性,表示单调递增故障,表示单调递减故障;对于参数型故障来说,单调递增故障和单调递减故障均可能出现,而对于非参数型故障来说,通常是以有效因子的单调递减故障出现。
一般情况下,为了进行故障元件的剩余使用寿命预测,需要得到退化模型的具体变化趋势,本方案利用时变衰减率的退化模型对渐变故障进行逼近获得渐变退化模型,渐变退化模型由以下公式所示:
其中,T为采样时间,dF为衰减率,λF为衰减系数;在上述公式所描述的退化模型中,对于参数故障,λF可取正值或负值,对于非参数故障,λF只取负值;渐变退化模型对应的公式中,共有两个未知参数需要估计,分别为衰减系数λF和故障发生时间k0,故障发生时间k0可以通过全局自适应阈值检测到故障的时间点获得,所以,只剩衰减系数λF需要进行估计。通过以上方法,可以将可能故障集的估计问题转化成对应参数λF的估计问题。
S42、通过增强型扩展卡尔曼滤波算法估计故障值FkI及故障值发生改变的时间KI,由此来辨识渐变退化模型中衰减系数λF;扩展卡尔曼滤波算法在混杂电路***的实时故障估计过程中的操作步骤如下:
通过增广全局解析冗余关系AGARRs的标称部分rs获得混杂电路***的离散模型,写成如下形式:
xk=f(xk-1,uk-1,ak-1)+wk-1
yk=h(xk)+vk
其中,k为离散时间变量,具体的,K∈k,xk为混杂电路***状态,uk-1为混杂电路***输入,ak-1为混杂电路***模式,yk为混杂电路***输出,f(*)表示非线性可微状态转移方程,h(*)表示非线性可微观测方程,wk-1表示协方差为Qk-1的高斯过程噪声,vk表示协方差为Rk的高斯测量噪声;
因为故障值是渐变故障过程中的一个未知参数,所以增广的混杂电路***状态表示为其中,xaug,k为包含未知故障参数值的增广的混杂电路***状态,参数中的下标1表示第一个可能故障,k0表示第一个可能故障的初始值,表示第一个故障在初始值为k0时对应的渐变故障的值,中M为表示第M个可能故障;通过对混杂电路***状态增广,混杂电路***由以下的***状态方程表示:
xaug,k=faug(xaug,k-1,uk-1,ak-1)+waug,k-1
yk=haug(xaug,k)+vk
其中,faug(*)为增广状态转移方程,haug(*)为增广观测方程,waug,k-1表示协方差为Qaug,k-1的增广过程噪声;
当估计状态接近收敛值时,传统扩展卡尔曼滤波算法估计后验估计误差协方差会持续减小,一旦故障值突变引起状态突然发生改变,此时较小的后验估计误差防方差值导致估计状态的跟踪能力变弱,使得状态跟踪速度缓慢。为提高EKF的状态跟踪性能,需要对原EKF进行一定的改进,因此,在检测到突变之后定义突变指标χ如下:
S43、根据已确定的渐变退化模型和自定义的失效阈值Ffail,预测出故障元件的剩余使用寿命;在突变时间k1时,渐变退化模型的衰减系数λF通过步骤S42被确定,当渐变故障参数值超出失效阈值Ffail时,所对应的时刻即为元件的终止寿命keol:
因此,该元件的剩余使用寿命RULF通过下式得到:
RULF=keol-k1。
在图2对应的不确定条件下的混杂电路,设定采样时间T为0.05秒。参数型故障以电阻R3为例,根据表1,对应的r1=1,r2=1,r3=0,r4=0,与故障检测结果图6对应,图6中虚线表示全局自适应阈值,实线表示增广全局解析冗余关系AGARRs的值,电阻R3的故障估计值和剩余使用寿命预测RULF的结果如图7所示;非参数型故障以执行器(电压源)有效因了和为例,故障检测结果如图8所示,其中虚线表示自适应阈值,实线表示增广全局解析冗余关系AGARRs的值,故障估计结果如图9所示。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (5)
1.不确定混杂电路***的渐变故障诊断和寿命预测方法,其特征在于,包括以下步骤:
S1、对不确定的混杂电路***进行建模,基于故障诊断和预测的视角,得到不确定性全局诊断混杂键合图模型;
S2、根据不确定性全局诊断混杂键合图模型得到增广全局解析冗余关系AGARRs,并通过增广全局解析冗余关系AGARRs获得全局自适应阈值,采用全局自适应阈值在参数不确定条件下对混杂电路***进行故障检测;
S3、当增广全局解析冗余关系AGARRs有参数发生故障时,分析增广全局解析冗余关系AGARRs的结构特性给出***的全局故障特征矩阵,以此为依据对可能出现的故障进行隔离;
S4、利用时变衰减率的退化模型对渐变故障进行逼近,通过增强型扩展卡尔曼滤波算法估计故障值及故障发生时间,由此来计算渐变退化模型系数,根据辨识出的渐变退化模型和预先定义的失效阈值,预测出故障元件的剩余使用寿命。
2.根据权利要求1所述的不确定混杂电路***的渐变故障诊断和寿命预测方法,其特征在于,步骤S1所述的不确定性全局诊断混杂键合图模型包括全局诊断混杂键合图模型和参数不确定性键合图模型:
所述全局诊断混杂键合图模型包括势源Se={V1,V2,…,Vi},阻性元件{R1,R2,…,Rj},容性元件{C1,C2,…,Cm},势传感器{De1,De2,…,Den},开关{sw1,sw2,…,swp};其中,i,j,m,n,p分别表示***中势源,阻性元件,容性元件,势传感器,开关的数量;
参数不确定性键合图模型是由参数的线性分式变换的形式来表示,同时,线性分式变换也用于生成时变的全局自适应阈值。
3.根据权利要求2所述的不确定混杂电路***的渐变故障诊断和寿命预测方法,其特征在于,步骤S2具体包括如下步骤:
S21、通过因果路径覆盖法,将不确定性全局诊断混杂键合图模型中的未知变量用已知变量或可测变量表示,得到若干个独立和非独立的增广全局解析冗余关系AGARRs;
S22、根据线性分式变换的特性将增广全局解析冗余关系AGARRs分成标称部分rs和不确定部分Us,分别由以下公式表示:
其中g(*)表示关于括号内变量的函数关系,Vi为混杂电路***的输入电压,Rj表示混杂电路***的电阻值,Cm表示混杂电路***的电容值,Den表示混杂电路***电压传感器的测量值,ap分别表示开关s wp的开闭状态,其中断开为0,闭合为1,分别表示Vi,Den的有效系数,分别代表Rj,Cm的乘性不确定性系数;
S23、根据步骤S22中所得到的不确定部分Us,用以生成在混杂电路***运行过程中增广全局解析冗余关系AGARRs的全局自适应阈值;全局自适应阈值的区间由[-Us,Us]给定,采用全局自适应阈值在参数不确定条件下对混杂电路***进行故障检测,当故障检测结果在全局自适应阈值范围内时,判断增广全局解析冗余关系AGARRs中所有参数无故障,当故障检测结果超出全局自适应阈值范围时,则增广全局解析冗余关系AGARRs有参数发生故障。
5.根据权利要求4所述的不确定混杂电路***的渐变故障诊断和寿命预测方法,其特征在于,步骤S4的具体操作步骤包括:
S41、通过步骤S2的故障检测和步骤S3的隔离,得到可能故障集,对故障类型和幅值进行估计,将故障根据参数型元件和非参数型元件分成两类,分别为参数型故障和非参数型故障,利用时变衰减率的退化模型对所有元件的渐变故障进行描述,渐变故障的数学模型由以下公式表示:
其中,
表示一个参数型元件或非参数型元件的标称值,K表示离散时间变量,KI表示故障数值改变的时间,其中,I=0,1,2,...,N,FkI表示在时间间隔[kI,kI+1]之间未知的故障值;表示单调递增故障,表示单调递减故障;
利用时变衰减率的退化模型对渐变故障进行逼近获得渐变退化模型,渐变退化模型由以下公式所示:
其中,T为采样时间,dF为衰减率,λF为衰减系数;在上述公式所描述的退化模型中,对于参数故障,λF可取正值或负值,对于非参数故障,λF只取负值;
S42、通过增强型扩展卡尔曼滤波算法估计故障值FkI及故障值发生改变的时间KI,由此来辨识渐变退化模型中衰减系数λF;扩展卡尔曼滤波算法在混杂电路***的实时故障估计过程中的操作步骤如下:
通过增广全局解析冗余关系AGARRs的标称部分rs获得混杂电路***的离散模型,写成如下形式:
xk=f(xk-1,uk-1,ak-1)+wk-1
yk=h(xk)+vk
其中,k为离散时间变量,具体的,K∈k,xk为混杂电路***状态,uk-1为混杂电路***输入,ak-1为混杂电路***模式,yk为混杂电路***输出,f(*)表示非线性可微状态转移方程,h(*)表示非线性可微观测方程,wk-1表示协方差为Qk-1的高斯过程噪声,vk表示协方差为Rk的高斯测量噪声;
增广的混杂电路***状态表示为其中,xaug,k为包含未知故障参数值的增广的混杂电路***状态,参数中的下标1表示第一个可能故障,k0表示第一个可能故障的初始值,表示第一个故障在初始值为k0时对应的渐变故障的值,中M为表示第M个可能故障;通过对混杂电路***状态增广,混杂电路***由以下的***状态方程表示:
xaug,k=faug(xaug,k-1,uk-1,ak-1)+waug,k-1
yk=haug(xaug,k)+vk
其中,faug(*)为增广状态转移方程,haug(*)为增广观测方程,waug,k-1表示协方差为Qaug,k-1的增广过程噪声;
在检测到突变之后定义突变指标χ如下:
S43、根据已确定的渐变退化模型和自定义的失效阈值Ffail,预测出故障元件的剩余使用寿命;在突变时间k1时,渐变退化模型的衰减系数λF通过步骤S42被确定,当渐变故障参数值超出失效阈值Ffail时,所对应的时刻即为元件的终止寿命keol:
因此,该元件的剩余使用寿命RULF通过下式得到:
RULF=keol-k1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910569868.6A CN110441669B (zh) | 2019-06-27 | 2019-06-27 | 不确定混杂电路***的渐变故障诊断和寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910569868.6A CN110441669B (zh) | 2019-06-27 | 2019-06-27 | 不确定混杂电路***的渐变故障诊断和寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110441669A CN110441669A (zh) | 2019-11-12 |
CN110441669B true CN110441669B (zh) | 2021-09-17 |
Family
ID=68428380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910569868.6A Active CN110441669B (zh) | 2019-06-27 | 2019-06-27 | 不确定混杂电路***的渐变故障诊断和寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110441669B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275293A (zh) * | 2020-01-09 | 2020-06-12 | 南京亚派软件技术有限公司 | 一种机电设备非线性故障预测方法 |
CN112100953B (zh) * | 2020-08-31 | 2023-04-07 | 电子科技大学 | 一种辐射环境下buck电路的失效仿真方法 |
CN112329352A (zh) * | 2021-01-06 | 2021-02-05 | 山东广域科技有限责任公司 | 应用于电力***的超级电容器寿命预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013219902A (ja) * | 2012-04-06 | 2013-10-24 | Fuji Electric Co Ltd | 電力系統の状態推定方法 |
CN103853889A (zh) * | 2014-03-12 | 2014-06-11 | 南京航空航天大学 | 一种基于键合图的电力电子***故障诊断方法 |
CN105301470A (zh) * | 2015-08-12 | 2016-02-03 | 南京航空航天大学 | 一种crh5型高速列车牵引传动***igbt故障诊断方法 |
CN108437798A (zh) * | 2018-01-29 | 2018-08-24 | 合肥工业大学 | 一种基于键合图模型的电动代步车故障诊断和估计方法 |
CN109783832A (zh) * | 2017-11-14 | 2019-05-21 | 中国人民解放军陆军工程大学 | 一种基于贝叶斯修正的液压泵性能退化建模方法 |
-
2019
- 2019-06-27 CN CN201910569868.6A patent/CN110441669B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013219902A (ja) * | 2012-04-06 | 2013-10-24 | Fuji Electric Co Ltd | 電力系統の状態推定方法 |
CN103853889A (zh) * | 2014-03-12 | 2014-06-11 | 南京航空航天大学 | 一种基于键合图的电力电子***故障诊断方法 |
CN105301470A (zh) * | 2015-08-12 | 2016-02-03 | 南京航空航天大学 | 一种crh5型高速列车牵引传动***igbt故障诊断方法 |
CN109783832A (zh) * | 2017-11-14 | 2019-05-21 | 中国人民解放军陆军工程大学 | 一种基于贝叶斯修正的液压泵性能退化建模方法 |
CN108437798A (zh) * | 2018-01-29 | 2018-08-24 | 合肥工业大学 | 一种基于键合图模型的电动代步车故障诊断和估计方法 |
Non-Patent Citations (3)
Title |
---|
Enhanced Prognosis of Hybrid Systems with Unknown Mode Changes;Mojtaba Danes等;《MODARES JOURNAL OF ELECTRICAL ENGINEERING》;20151231;第15卷(第2期);1815-1825 * |
Fault detection, isolation and identification for hybrid systems with unknown mode changes and fault patterns;Ming Yu等;《Expert Systems with Applications》;20121231;9955-9965 * |
典型液压***故障诊断与隔离方法研究;张丽霞等;《***仿真学报》;20180331;第30卷(第5期);21-26 * |
Also Published As
Publication number | Publication date |
---|---|
CN110441669A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110441669B (zh) | 不确定混杂电路***的渐变故障诊断和寿命预测方法 | |
US6898554B2 (en) | Fault detection in a physical system | |
Li et al. | Particle filtering based likelihood ratio approach to fault diagnosis in nonlinear stochastic systems | |
Lunze et al. | Sensor and actuator fault diagnosis of systems with discrete inputs and outputs | |
US9322871B2 (en) | Current measurement circuit and method of diagnosing faults in same | |
JP5140722B2 (ja) | 間欠的故障を判断する方法及びプログラム、並びに現実世界のシステムをトラブルシュートする方法 | |
CN108398637B (zh) | 一种非线性机电***的故障诊断方法 | |
CN101477172B (zh) | 一种基于神经网络的模拟电路故障诊断方法 | |
CN107544459B (zh) | 一种控制***的多重故障诊断优化方法 | |
JP2006105142A (ja) | 装置の障害検出方法および障害検出/切離しシステム | |
JP2003526859A5 (zh) | ||
Baghernezhad et al. | Computationally intelligent strategies for robust fault detection, isolation, and identification of mobile robots | |
CN108427400B (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 | |
US7912669B2 (en) | Prognosis of faults in electronic circuits | |
Samantaray et al. | Bicausal bond graphs for supervision: From fault detection and isolation to fault accommodation | |
US20220156586A1 (en) | System for monitoring a circuit breaker | |
CN113341305A (zh) | 一种基于融合建模的模拟电路故障预测方法 | |
Wibowo et al. | Sensor array fault detection technique using kalman filter | |
CN109116219B (zh) | 一种电路***的分布式故障诊断方法 | |
KR100973527B1 (ko) | 반도체식 가스센서의 고장진단장치 및 방법 | |
CN116167007A (zh) | 基于门控递归单元自编码神经网络的模拟电路检测方法 | |
Schadler et al. | Fault detection using online selected data and updated regression models | |
CN107957269B (zh) | 一种惯导***故障特性判定及测试性预计方法 | |
JPH06109498A (ja) | 非定常および異常状態の検出装置 | |
Simani | Fuzzy model identification of a sugar cane crushing process for fault diagnosis application |
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 |