混杂系统故障诊断的粒子滤波与键合图方法
2015-04-01林吉凯帕孜来马合木提
自动化仪表 2015年12期
林吉凯 帕孜来·马合木提
(新疆大学电气工程学院,新疆 乌鲁木齐 830047)
0 引言
混杂系统是一类其所含元件同时包含了连续和离散状态行为的系统,对其进行准确的状态估计是设计其闭环控制系统和基于模型的故障诊断算法的关键。混杂系统的建模和诊断方法有多种[1-3],其中,键合图对混杂系统建模有其独特的优势,在机械及电气系统中得到了广泛的应用;粒子滤波算法在递推非线性状态估计领域显示了其优越性,广泛应用于信号处理、经济学和工程学等领域,故障诊断是其中一个重要方面。文献[4]以混杂键合图为基础,提出基于功率的模式跟踪方法,可有效识别系统故障,但对计算要求高。文献[5]用粒子滤波实现了系统状态和参数的在线估计,但系统模型的精确性有待提高。
1 基于故障诊断的粒子滤波算法
1.1 粒子滤波理论
令非线性随机系统的状态空间模型为:

式中:xk∈Rn表示k 时刻的系统状态向量,其初始概率密度函数已知为p(x0);uk∈Rp表示k 时刻的输入(控制)向量;zk∈Rq表示输出向量;vk和wk分别为状态噪声和观测噪声;f(·)和g(·)分别表示状态转移函数和观测函数。
假设vk,wk,xk相互独立且vk和wk的分布已知,将系统状态看作是马尔科夫链的,即p(xk∣x0:k-1,z1:k-1,u1:k)=p(xk∣xk-1,uk),粒子滤波就是通过系统的测量输出zk来递推构建状态的后验概率密度函数p(xk∣z1:k)。因此,粒子滤波包含两个阶段:预测和更新。预测阶段利用式(1)中的状态转移函数来预测前一时刻状态的概率密度,即先验概率密度。更新阶段利用最新的观测值,通过贝叶斯递推来修正先验概率密度,得到后验概率密度。……
登录APP查看全文
