基于遗传粒子滤波器传感器故障诊断.docVIP

基于遗传粒子滤波器传感器故障诊断 　　摘 要： 针对标准粒子滤波器（PF）中存在的粒子退化及计算量过大问题，将遗传算法中的选择、交叉、变异操作引入到PF中，代替传统的重采样方法，提出了一种改进的遗传粒子滤波器（GPF）算法。算法采用实数运算，从而避免了二进制编码操作。应用GPF与PF诊断三种常见的恒偏差、恒增益、卡死传感器故障，并比较了两者的诊断效果。仿真结果表明，GPF增加了粒子多样性，能有效解决粒子退化问题，提高滤波精度和实时性。 关键词： 粒子滤波器； 遗传算法； 故障诊断； 传感器 中图分类号： TN391?34 文献标识码： A 文章编号： 1004?373X（2013）18?0016?04 在状态估计故障诊断方法中，以卡尔曼滤波（KF）方法为基础建立起的故障诊断方法获得了广泛应用。但是现代故障诊断面对的大多数是参数时变的非线性系统，建模不准，且由于外界干扰，容易产生故障误报；此外，系统噪声的统计特性一般不服从高斯分布，而传统的滤波器方法在解决非线性非高斯系统问题时，很难达到最优状态估计。而近几年发展起来的粒子滤波算法能较好地适应观测信息出现异常突变时的情况（鲁棒性较强），并且它完全突破了传统的卡尔曼滤波理论框架，可适用于任何非线性、非高斯系统，对系统的过程噪声和量测噪声没有任何限制，容易得到状态的最优估计[1?3]。因此近几年来国内外有学者将粒子滤波技术应用于传感器故障诊断中[4?8]。 但是标准粒子滤波器存在粒子退化现象，造成粒子多样性的降低，影响算法估计精度，目前的解决方法主要是选择好的重要密度函数，由此出现了许多改进的粒子滤波器算法，如高斯粒子滤波器、高斯和粒子滤波器、高斯?厄米特粒子滤波器、边缘粒子滤波器等。也有学者考虑用优化思想来解决粒子退化问题[9]。 但是现有的算法一般都是采用遗传算法对粒子进行进化操作后得到优质粒子集，没有避免二进制编码操作，增加了算法复杂度。本文将遗传算法中的选择、交叉、变异操作引入到PF中，不需要二进制编码操作，代替重采样方法，得到遗传粒子滤波器（GPF）算法，并应用于传感器的故障诊断中。仿真结果表明，GPF不仅能有效克服粒子退化问题，而且能提高算法的实时性。 1 基于滤波器的传感器故障诊断 2.1 故障类型的辨识 故障诊断既要检测出故障，还要求能够根据残差对故障进行辨识，包括故障的大小和故障的类型。故障的大小是可以辨识出来的，残差幅值[g（sk+1）]表征了故障的大小。对于不同类型的故障，残差信号会表现出不同的变化趋势，因此通过分析残差的形状和大小，就能辨识出故障类型。当发生传感器恒偏差故障时，偏差幅值[g（sk+1）]会有一个跃变，当GPF的预测输出值迅速跟上实际输出值后，跃变消失，故障残差均值变为零，即[E（ek+1）→0]。 如果在系统过渡过程阶段发生传感器恒增益故障，残差幅值也会发生跃变。如果系统过渡过程为上升阶段，残差幅值跃变是递增的；当系统过渡过程为下降阶段时，残差幅值跃变是递减的。当GPF预测输出值跟上实际输出值时，残差幅值均值又变为零；如果在系统稳定后发生该故障，残差幅值的变化和恒偏差故障的情况类似。 当发生传感器卡死故障时，实际输出值恒定，偏差幅值会出现相应的跃变，当GPF预测输出值跟上实际输出值时，残差均值变为零。因此根据发生故障时残差曲线的形状和大小变化情况，再结合系统的实际情况和经验知识，就可以辨识出发生了何种类型的故障。 2.2 基于GPF的故障诊断算法 由于系统的状态不能直接测量，并且系统中存在的噪声会使系统输出和状态变量表现出随机性，因此系统状态变量的估计精度就直接决定了故障诊断的准确程度。本文采用遗传粒子滤波器（GPF）进行状态估计，预测输出，与实际输出对比后获得残差，进行故障诊断。 GPF算法主要考虑将遗传算法中的选择、交叉、变异进化思想引入到粒子滤波器（PF）中，代替传统的重采样方法。由于遗传算法具有独特的寻优能力，可以使粒子的运算效率得到提高，使逼近后验概率分布最大值所需的粒子数大大减少，并且避免了重采样，也就在一定程度上减少了计算量，从而能有效提高算法估计的实时性；另一方面，遗传运算能有效增加粒子的多样性，解决粒子退化问题，从而可以提高算法的滤波精度，有效防止滤波发散现象，提高状态估计的精度。本文中的GPF算法采用实数运算，从而避免了二进制编码操作。 图1和图2是蒸汽压力传感器在200 s发生恒偏差故障时的残差曲线，残差幅值为1；图3和图4是蒸汽压力传感器在300 s发生增益为0.01的恒增益故障时的残差曲线，从图中可以看出，残差幅值约为1.4；图5和图6是蒸汽压力传感器在400 s发生卡死故障时的残差曲线，从图中可以得到，残差幅值约为2。从以上仿真结果可以看出