廉价诊断用结构建模和模糊逻辑的检测课件.ppt

1、廉价廉价诊断用结构建模和模糊诊断用结构建模和模糊逻辑逻辑的的检测检测Cheap diagnosis using structural modelling and fuzzy-logic-based detection1313级检测级检测 董佳董佳目录目录 概述概述 结构模型结构模型 船舶标杆船舶标杆 故障检测与模糊输出观测器故障检测与模糊输出观测器 总结总结概述一概述一 实用的故障诊断可以根据简单高效且基于工厂的状态冗余信息的分析，诊断算法可以不用在详细而昂贵的建模下工作。本文展示了它的可能性。结构分析部分，展示了线性或非线性的动态行为的冗余关系，并为模糊输出观测器的设计提供有效的诊断方法。模

2、糊自适应阈值是用来应对实际的不确定性。概述二概述二 客观的结构方法是识别在工厂测量/部件/子系统中包含的冗余信息。冗余信息可以被分析并用于诊断那些采用了适当的方法的故障。该系统的结构模型不依赖于发电站的具体情况或动态关系。本文的主题是两者的结合，结构分析的方法来揭示其中的故障可能被诊断，而且主要是支持这样的诊断；模糊输出观测器则提供实际的诊断。这种组合方式在船舶推进标杆实例中具体说明。结构模型结构模型 第一部分主要是构建诊断对象的结构模型。结构模型的分析可以识别部分固有的可用于诊断的冗余信息。然后诊断算法从模糊输出观测器构造比较测量。模糊自适应阈值就是专门用来处理未建模的不确定的影响动力学的参

3、数。其方法的性能由两个特定的故障在推进系统基准测试中用来显示。结构模型结构模型令令 S 为系统，关系式if，1,.,0,1nipfzzp中的每组变量和参数,1,.,jZjn。其中if代表一个动态，静态，线性或非线性关系。这些关系也被称为约束，该系统的结构模型为受约束集12,.,mFfff和一组变量12,.,nZKXz zz，X 是未知量，KUPY是一组已知的变量/参数,即输入信号 U,已知常量(P)，和检测信号(Y)结构模型结构模型定义 1、该系统的结构图是一三方向图,G F Z A,凡在弧集合中的元素AFZ由以下映射定义:c 其中元素被定义如下：结构模型结构模型元素1ija 表示有一个有向弧

4、连接所述第 j 个与第 i 个未知变量的关系；0ija 表示没有有向弧。可以用关联矩阵mdI代表结构图如下：结构模型结构模型定义 2（可计算性）、令,1,.,.,jzjpn是关系式if 的相关变量，可表示为1,.,.,0ipnfzzz，如果其它变量jz的值都已知的条件下变量pz的值可以通过约束关系式if，1,.,jn jp，计算出来。结构模型结构模型就结构模型来说，它所展示的系统的目的即：确定系统内部的哪个部分(子系统)中有固有的冗余信息存在。这一环节通过完成匹配含有未知变量 X 和关系式 F，在结构化图像的应用匹配中，可以将系统分解成有冗余信息的部分和没有冗余信息的部分。基本思想在下一个部分

5、船舶实例中详细体现。船舶标杆船舶标杆 水面船舶运动的控制一直备受关注，它具有大惯性、大时滞、非线性等特点，又受外界干扰影响。从燃料到船舶航行中，整个能源转换效率由三部分组成：发动机效率，传输效率和推进效率。在非人为操作的状况下，有三个因素，即发动机转速，螺旋桨螺距比和方向舵的活动，以及实际情况和噪声。模型中的推进系统的要素是：柴油发动机动力，轴动力学，螺旋桨的特性，船舶速度动力学，桨距角和轴转速控制器，并最终协调控制级。船舶标杆船舶标杆 结构分析方法应用在下面的转矩相关部分。Y是燃料索引，engpropQQ和分别是发动机和螺旋桨的扭矩。nU和表示轴和舰速度，表示螺旋桨桨距，yK是发动机增益，由

6、于我们感兴趣的是检测增益故障，而且我们也知道发动机增益的标准值，在这里定义了一个虚拟元件（传感器）即4C，这涉及未知的变量yk(已知yK的值)，在没有故障的情况下yykK，该螺旋桨产生的扭矩propQ是,nU和的函数。船舶标杆船舶标杆 如果测量噪声忽略不计，则：下面用一个简单的网络来说明函数f与各个变量之间的关系。m,.mnn船舶标杆船舶标杆 相关的约束如下：船舶标杆船舶标杆 f5在图4中没有匹配的，因为它有8个关系式和7个未知变量。线性代数中相似，关系式比未知变量多的（方程式）意味着一个变量可以通过不同的组来计算。船舶标杆船舶标杆 类似的比较下残差信号，残差的生产如下：船舶标杆船舶标杆因为矩

7、关系式7f中的propQ涉及到变量,nU和，他们的值分别可以通过相对应的关系式计算出，我们可以得到如下关系式：这个方程中的所有的变量或者是已知的或者是可以计算的，等号成立时是没有误差的。因此残差 r 可以被定义为：当故障不存在时残差为 0，有故障时则为非零残差。船舶标杆船舶标杆 有两种故障需要考虑：故障在轴的转速测量n和发动机故障增益yK。故障检测与模糊输出观测器故障检测与模糊输出观测器 由于船舶运动系统是一个动态的过程，用一个静态的网络去逼近一个动态的过程，可能会使闭环系统在行为上失去很多，尽管公式7中的残差表达是有效的，它的计算依赖于图表，为了解决这种情况，采用一个模糊输出观测器来应对二者

8、的误差和系统的非线性特性以及由于缺乏了解该系统的动力学的某些细节。故障检测与模糊输出观测器故障检测与模糊输出观测器 动态神经网络研究船舶运动控制比较有前途，特别采用动态神经网络与模糊系统相结合。神经模糊模型神经模糊模型 参数a,b,c,d见图6。考虑到系统有两个输入12uu和，一个输出 y，用12UU和表示12uu和的范围，模糊集1A的范围1U被定义为一组序列对：其中1u为在1A中1u的隶属函数，梯形隶属函数定义如下：故障检测与模糊输出观测器故障检测与模糊输出观测器故障检测与模糊输出观测器故障检测与模糊输出观测器 模糊自适应阈值它是一种模糊为基础的方法，它用于故障检测中的稳健阈值的选择。模糊自

9、适应阈值以前由一个预定义的（但是常数）值TF0和一个自适应的值TF。该阈值由下式确定：TF(y,u)=TF0+TF(y,u)0FT指的是一个标称过程中的最佳阈值。自适应这项TF(y,u)结合了建模误差的影响和不确定性的影响。作为基准，在动态中的变化主要是建模误差。这得到充分的解决，通过用螺旋桨桨距和轴的速度的参考信号的变化率的函数来表示自适应，因而TF（nref/T,ref/T）。在船舶经济模式的运行下，参考信号同时改变。因此，使用其中一个参考信号就够了。考虑到这一点，运用这一事实，这一事实是螺旋桨桨距的参考信号还受到超载模块的影响，选择自适应的那一部分作为在桨距参考信号变化率的函数是可行的。

10、因此阈值由下式确定：TF(ref/T)=TF0+TF(ref/T)故障检测与模糊输出观测器故障检测与模糊输出观测器 仿真结果 模糊输出观测及相关自适应阈值产生的残余信号残差定义为 mr tnnF 总结总结 结构分析方法被用于以图为基础的分析，这个分析是对没有采用非常详细建模工作的动力系统的故障诊断的可能性分析。运用自适应神经模糊方法开发的诊断算法中的详细建模也是没有必要 的。对于神经模糊输出观测器的设计和适用。我们发现有必要设计一个模糊自适应阈值，以配合实际的不确定性。它的结果表明，当故障条件下的系统行为的知识是可用的，故障检测和隔离是可能的。总结总结 对比分析基准点问题的解决方案的早期结果表明，质量的检测与其他诊断算法是相似的。一个重要的缺点是，统计特性不能被用来作为设计参数。唯一的突出特征是需要神经模糊诊断方法去大大减少建模工作量。本文也因此证明了运用相结合的方法的可行性，这种相结合的方法是基于诊断对象的建模工作量低的一种廉价的方法。