基于混合模型的故障检测与诊断方法的分析与应用-analysis and application of fault detection and diagnosis method based on hybrid model.docx

承诺书本人声明所呈交的硕士学位论文是本人在导师指导下进行的研究 工作及取得的研究成果。除了文中特别加以标注和致谢的地方外，论文 中不包含其他人已经发表或撰写过的研究成果，也不包含为获得南京航 空航天大学或其他教育机构的学位或证书而使用过的材料。本人授权南京航空航天大学可以将学位论文的全部或部分内容编 入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、 汇编学位论文。（保密的学位论文在解密后适用本承诺书）作者签名： 日期： 摘 要现代化生产系统日趋复杂，通常具有非线性、强耦合、不确定性、高维数等特点，且经过 长期的运作和损耗，系统不可避免地会发生故障。如何有效地检测并诊断故障、使系统尽快恢 复正常工作状态，是学术界和工业界共同的研究热点。快速、准确的故障检测与诊断离不开高精度的系统模型。常用的传统建模方法可粗略分为 机理建模、知识建模和数据驱动建模。机理模型能准确表达系统的内在联系，参数可解释性强， 模型外延性好，但建模难度较大。知识建模适用于难以定量建模的系统，但模型移植性差。数 据驱动模型不需要对象先验知识，但模型精度和泛化能力高度依赖于建模数据。对于现代复杂 系统，仅仅依靠单一建模手段难以得到高质量模型，而混合建模策略是获得准确可靠模型的有 效手段之一。本文结合数据模型和机理模型的特点，采用串联型混合建模策略，提出了基于混合模型的 故障检测与诊断方法，在三容水箱实验系统和四旋翼飞行器控制系统中进行了应用研究。本文具体工作和研究成果总结如下：1. 针对已知部分机理特性的系统，将机理模型与数据相结合，分别利用 BP 神经网络（适 用于多样本）和 T-S 模糊模型（适用于小样本）对机理模型中的不确定参数进行辨识，建立串 联型混合模型，并比较两种方法的建模精度。2. 考虑到基于主成分分析(PCA)/多向主成分分析(MPCA)的故障检测方法对幅值较小的故 障不甚敏感，因此提出了一种基于混合模型和 PCA 相结合的故障检测方法，对输出误差(混合 模型输出与实际输出之差)做 PCA 和 MPCA 分析。分别与基于机理模型、纯数据驱动的 PCA/MPCA 两种故障检测方法相比较，本文方法具有更好的检测快速性。3. 故障一般可分为执行器故障和传感器故障，分别对应于状态方程和输出方程；本文通过 分析系统模型的不确定性，提出了一种基于混合模型的故障诊断方法，分析模型中的不确定性 部分，并对该部分进行重构，从而达到故障诊断的目的。4. 在三容水箱系统和四旋翼飞行器控制系统上充分验证了本文所提出的混合建模和基于 混合模型的故障检测与诊断方法，应用结果证实了方法的可行性和优越性。关键词：混合建模，故障检测与诊断，主成分分析，三容水箱系统，四旋翼飞行器控制系统ABSTRACTModern control systems are increasingly complex, which are usually characterized by nonlinearity, strong coupling and uncertainty, high-dimensionality, etc. Because of the complexity and aging problems, the systems are prone to various faults or failures. How to detect faults quickly, diagnose faults accurately and recover the system efficiently are important subjects in both academic circles and engineering fields.The performance of fault detection and diagnosis highly depends on the quality of system model./traditional/ Traditional modeling methods can be roughly divided into first-principle based methods, knowledge-based methods and data-driven methods. Parameters of first-principle models usually have straightforward physical meanings. The models are easy to understand and interpret. However, it is difficult and time-consuming to d