故障诊断技术part3基于数学模型的控制系统故障诊断-4幻灯片.ppt

第三章 基于数学模型的控制系统故障诊断 基于数学模型的故障诊断原理 残差产生的方法 故障决策的阈值选取原则 就是这样，卡尔曼滤波器就不断的把协方差递归，从而估算出最优的温度值。 它运行的速度很快，而且只保留了上一时刻的协方差。上面的Kg，就是卡尔曼增益（Kalman Gain）。它可以随不同的时刻而改变它自己的值。 3、卡尔曼滤波器算法 引入一个离散控制过程的系统。该系统可用一个线性随机微分方程（Linear Stochastic Difference equation）来描述：X(k)=AX(k-1)+BU(k)+W(k) 系统的测量值：Z(k)=H X(k)+V(k) 上两式子中，X(k)是k时刻的系统状态， U(k)是k时刻对系统的控制量。 A和B是系统参数，对于多模型系统，它们为矩阵。 Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。 W(k)和V(k)分别表示过程和测量的噪声。 它们被假设成高斯白噪声(White Gaussian Noise)， 它们的方差 分别是Q，R（这里我们假设它们不随系统状态变化而变化）。 下面我们基于系统模型结合它们的协方差来估算系统的最优化输出（类似上面估计温度的例子）。 首先利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，由上一状态而预测出现在的状态：X(k|k-1)=A X(k-1|k-1)+B U(k) ……….. (1) 上式中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。 到现在为止，系统的结果已经更新了，可是，对应于X(k|k-1)的方差还没更新。我们用P表示方差：P(k|k-1)=A P(k-1|k-1) A’+Q ……… (2)上式中，P(k|k-1)是X(k|k-1)对应的方差，P(k-1|k-1)是X(k-1|k-1)对应的方差，A’表示A的转置矩阵，Q是系统过程的方差。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。 由式（1），（2）已经得到现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态k的最优化估算值X(k|k)：X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) ……… (3)其中Kg为卡尔曼增益(Kalman Gain)：Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ……… (4) 到现在为止，由式（3），（4）已经得到了k状态下最优的估算值X(k|k)。但是为了要使卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的方差：P(k|k)=（I-Kg(k) H）P(k|k-1) ……… (5)其中I 为1的矩阵（单位矩阵），对于单模型测量，I=1。当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去。 以上式（1）~（5）即为卡尔曼滤波器的5个基本公式，即基本算法原理。 图 卡尔曼滤波的两个计算回路和两个更新过程 为了更好地在计算机中实现，我们由如下框图的形式表示出卡尔曼滤波器的基本算法。 以前面预测房间温度为例，把房间看成一个系统，然后对这个系统建模。 我们所知道的这个房间的温度是跟前一时刻的温度相同的，所以A=1。没有控制量，所以U(k)=0。因此得出： 应用举例： P(k|k-1)=P(k-1|k-1) +Q ……… (7) X(k|k-1)=X(k-1|k-1) ……….. (6) 式子（2）可以改成： 因为测量的值是温度计的，跟温度直接对应，所以H=1。式子3，4，5可以改成以下： P(k|k)=（1-Kg(k)）P(k|k-1) ……… (10) X(k|k)= X(k|k-1)+Kg(k) (Z(k)-X(k|k-1)) ……… (8) Kg(k)= P(k|k-1) / (P(k|k-1) + R) ……… (9) 现在我们模拟一组测量值作为输入。假设房间的真实温度为25度，模拟20个测量值，这些测量值的平均值为25度，但是加入了标准偏差为几度的高斯白噪声。 设：卡尔曼两个零时刻的初始值，X(0|0)=1和P(0|0)=10。结果如下图所示。 基本的卡尔曼滤波算法只能应用于线性系统，对于在工程领域中占大多数的非线性系统，则需要引入扩展卡尔曼滤波算法（EKF）。 4、扩展卡尔曼滤波器 为了实现非线性系统的卡尔曼滤波，必须作如下基本假设：非线性微分方程的理论解一定存在，理论解与实际解之间的差能够用一个线性微分方程表示，此时理论解能够充分