智能检测理论和技术04.ppt

0.0669 0.0655 0.0128 0.0105 4.8×10-4 平均运行时间(s) 0.8796 2.2003 4.8606 4.8614 30.4602 RMSE的方差 6.7705 7.5230 16.5593 16.5596 20.1374 平均误差 STUKF UKF STFDEKF FDEKF EKF 算法 各种滤波算法的RMSE比较 各种滤波算法的RMSE的平均误差和方差 各种滤波算法平均误差及运行时间 4.2 基于状态估计的智能检测 第四章 基于状态估计和辨识的智能检测 Kalman滤波器实现软测量对过程状态的估计 强跟踪算法验证模型 ;Tk=25。 为了测试强跟踪滤波器STFDEKF和STUKF的强跟踪性能， 在k=200和k=360时，在状态x上加上外部强干扰，使状态x分别有幅度为-1和1的突变。 FDEKF和STFDEKF滤波结果比较 UKF和STUKF滤波结果比较 各种滤波算法滤波效果对比 0.0801 0.0804 0.0990 0.0641 0.1240 0.1248 RMSE 0.0003 0 -- 8 1 -- STUKF STUKF UKF STFDEKF STFDEKF FDEKF 算法 STUKF在不同的Q设置下的滤波结果 STUKF在不同的R设置下的滤波结果 STUKF滤波算法在不同初始参数条件下的滤波结果 STUKF滤波算法的鲁棒性实验研究 4.2 基于状态估计的智能检测 第四章 基于状态估计和辨识的智能检测 Kalman滤波器实现软测量对过程状态的估计 自适应噪声估计器 Sage-Husa噪声估计器在实际使用时，较容易出现滤波发散，造成滤波发散的原因是Q和R失去半正定性和正定性，易出现数值发散现象，为提高滤波稳定度，必须采取一定的措施对数值发散进行及时修正。 对一般非线性系统有次优无偏递推MAP噪声统计Sage-Husa估值器 STUKF和ASTUKF滤波结果比较 (Q=0.009, R=0.025) ASTUKF滤波中Q和R的估计 STUKF和ASTUKF滤波算法在不同Q和R条件下的滤波结果 4.2 基于状态估计的智能检测 第四章 基于状态估计和辨识的智能检测 输送管道泄漏定位及诊断 问题分析：在管道流体模型已知的情况下，这些状态变化可以用状态估计的方法即Kalman滤波进行估计，从获得的压力流量等状态再确定可能发生泄漏的管线位置。 管道输送过程分析：管道输送系统是分布参数非线性系统，管道内液体的流动可以近似认为是一维弹性波动问题简化液体流动模型，由流动的连续性原理和动量守恒原理，导出描述管道内流体动态流动的数学模型。采用Kalman滤波公式对系统各状态进行估计。 4.2 基于状态估计的智能检测 第四章 基于状态估计和辨识的智能检测 输送管道泄漏定位及诊断 实验检验：在长120m，内径10mm的管线上利用上述方法进行检验。 4.2 基于状态估计的智能检测 第四章 基于状态估计和辨识的智能检测 输送管道泄漏定位及诊断 结论：通过基于状态估计的软测量，只需把测到的入口压力或流量，出口压力或流量，某一点位置的压力或是流量等易测参数作为辅助变量或已知状态，即作为可测信息集，采用扩展Kalman算法，可以对整个管线各点状态进行估计，从而获得管道泄漏量和泄漏位置等主导变量的估计。 4.2 基于状态估计的智能检测 第四章 基于状态估计和辨识的智能检测 转炉钢水的含碳量估计 问题分析：钢冶炼过程中的含碳量主要取决于脱碳速率，也和废气体积含率相关，只要建立合适的数学模型，把含碳量作为状态变量，通过基于状态估计的软测量方法，从废气含率等辅助变量估计出含碳量。 工艺过程分析：由工艺机理得到吹炼脱碳速度模型、后期脱碳速率模型两不同阶段的脱碳速率模型，用Kalman 滤波器递推算法进行状态估计 。 4.2 基于状态估计的智能检测 第四章 基于状态估计和辨识的智能检测 转炉钢水的含碳量估计 仿真结果：把状态估计法获得的仿真数据和其他两种测量方法相比得到以下结论 。 结论：数据仿真结果表明，这种采用Kalman滤波算法的含碳量软测量法精度相当高。 工业酵母发酵过程正确参数配置下ASTUKF算法状态估计结果 工业酵母发酵过程错误参数配置下状态估计结果 4.2 基于状态估计的智能检测 第四章 基于状态估计和辨识的智能检测 Kalman滤波器实现软测量对过程状态的估计 基于状态估计的软测量技术就是在已知过程模型的条件下，从可测信息集通过运用Kalman滤波器对系统进行状态估计，把主导变量作为待估过程状态，用上述扩展Kalman滤波算法推导出主导变量的估计值，实现对用常规方法难以测量的参数的测量。 如何选择合适的过