一类带乘性噪声系统的故障检测与估计方法.pdfVIP

4. Much simulation of the algorithms has been done in this dissertation in use of computer simulation software MATLAB R2010b. The simulation results show the effectiveness of the proposed algorithms. Key words: multiplicative noise; normal approximation; GLR method; fault de- tection; magnitude estimation 目 录 1 绪论 1 1.1 选题的意义 1 1.2 带乘性噪声系统的特点及其应用 2 1.3 带乘性噪声系统最优估计理论的发展 4 1.4 故障检测技术的发展及研究现状 6 1.5 本文所做的主要工作 7 2 带乘性噪声系统的新息近似正态性 9 2.1 新息的偏度、峰度检验 9 2.2 新息的可近似正态特性 11 2.3 本章小结 13 3 基于滤波算法的带乘性噪声系统的故障检测与估计算法 15 3.1 带乘性噪声系统的状态滤波算法 15 3.2 执行器故障描述 16 3.3 基于滤波算法的执行器故障检测 17 3.4 基于滤波算法的执行器故障幅值估计 18 3.5 本章小结 23 4 基于平滑算法的带乘性噪声系统的故障检测与估计算法 24 4.1 带乘性噪声系统的状态平滑算法 24 4.2 基于平滑算法的故障检测 25 4.3 基于平滑算法的故障幅值估计 26 4.4 本章小结29 5 算法仿真 31 5.1 仿真实例 31 5.2 本章小结 42 6 结论 43 参考文献 44 致谢 49 个人简介 50 一类带乘性噪声系统的故障检测与估计方法 1 绪论 1.1 选题的意义 在科学技术是第一生产力的当今时代，自动控制起着越来越重要的作用。随 机系统的信号估计理论是自动控制领域的一个重要发展方向。信号估计即从有用 信号与噪声统计特性的不同出发，从受到噪声等随机干扰的信号中提取出有用信 号的过程。信号估计的方法有很多种，如Kalman滤波算法、小波分析法、神经网 络法等等。其中以Kalman滤波算法最为成熟，目前已广泛应用于航空航天控制、 [8] 制导、卫星导航、通讯、石油地震勘探 等领域。 Kalman滤波即经典线性滤波算法，是在统计估计理论基础上，按照线性最小 [1-11] 方差准则从受到干扰或者污染的信号中提取出有用信号的过程 。其中状态估计 作为卡尔曼滤波的重要组成部分被广泛应用，它是对动态行为的状态估计，可以 实现对运行状态的实时估计与预测。其数学模型如下： x (k 1) A(k 1,k )x (k ) B(k )w (k ) （1-1） z(k ) C (k )x(k ) v(k) （1-2） 其中，x (k ) 为状态向量， w(k ) 为动态噪声， 为量测向量， 为观测噪声， z (k ) v(k ) A(k 1,k ) 、B (k ) 、C(k ) 均为相应维数的已知系数阵。在上述数学模型中，随机 噪声干扰w(k ) 、 均为加性噪声，即无论状态如何变化甚至是无论信号是否存 v(k ) 在，加性噪声始终存在。因此只含有加性噪声的卡尔曼滤波有