研究生课程-容错控制.pptVIP

2.2主动容错控制④智能容错控制器的设计将模糊理论、神经网络等智能技术用于主动容错控制器设计是一个富有挑战性的课题，目前这方面的成果还有限。最近的成果主要有：利用自适应模糊神经网络系统模型研究了动态系统的故障检测与容错问题；对一类双线性系统建立T-S模糊模型，对传感器故障，通过设计模糊观测器实现故障检测与诊断，进而利用极点配置和LMI技术设计容错控制器，实现系统的主动容错控制；首先应用神经网络设计一种非线性系统的在线故障估计器，实现故障检测；再引入补偿控制器，消除故障对系统运行的影响，保证了故障系统的稳定性。利用集成神经网络技术研究了飞行控制系统传感器和执行器故障的容错控制，利用主神经网络(mainneuralnetwork，MNN)实现参数估计进行故障检测，利用分布神经网络(decentralizedneuralnetworks，DNNs)实现故障诊断与分离。通过集成设计技术提高了误报警率和故障正确诊断的性能。基于EKF的自适应神经网络主动容错控制基于扩展卡尔曼滤波算法故障在线学习策略问题的描述RBF神经网络模型扩展卡尔曼滤波算法更新模型权值基于迭代逆模算法的容错控制策略基于迭代逆模算法故障容错控制结构基于神经网络模型的逆迭代控制算法三水箱泄漏故障实验仿真研究过程建模泄漏故障描述小泄漏故障的学习性能和容错控制策略性能分析泄漏故障严重情况的容错策略未知非动态模型：采用RBF神经网络技术建立系统模型：RBF神经网络可以写成如下矩阵形式：说明：首先采用梯度下降法离线训练初始化RBF模型，然后采用以下扩展的卡尔曼滤波算法在线更新网络权值0102基于扩展卡尔曼滤波算法故障在线学习策略故障在线学习策略（扩展卡尔曼滤波算法）即：采用EKF算法在线更新网络的权值W和径向基中心vi。定义一个新的矢量：01EKF算法：02基于扩展卡尔曼滤波算法故障在线学习策略基于迭代逆模算法的容错控制策略当系统出现故障时，扩展的卡尔曼滤波算法使的模型迅速学习故障动态，同时模型出现的这种自适应动态行为也会影响逆模迭代控制算法，通过迭代求解在该故障动态下的最优的控制器输出值，实现故障容错控制。图5.3.1基于逆迭代RBF算法的故障容错控制结构示意图说明：应用这种控制策略，虽然故障容忍的幅度仍然受神经网络自学习收敛速度的影响；对于执行器故障和系统元件自身故障具有较好的容错能力。基于神经网络模型的逆迭代控制算法目标就是估计控制变量，使RBF模型输出追踪给定的目标变量。即用EKF算法估计最优控制变量，使下式最小化EKF迭代算法：基于迭代逆模算法的容错控制策略迭代逆模容错控制算法的设计程序步骤：使用EKF算法，计算最优的控制变量的估计值；在采样时刻k，测量得到过去的过程输出变量y，和过去的控制变量u，构成RBF模型的输入矢量X(k)。得到理想的控制目标yd(k+1)。并初始化相关变量；应用到模型的输入，得到模型的输出变量，并计算每一次迭代步骤的模型追踪误差；令下一次迭代为，重复步骤2）和步骤3）计算，直到神经网络的追踪误差小于预先确定的阈值或已达到最大迭代步骤。令作为控制器输出信号，加入到过程对象。基于迭代逆模算法的容错控制策略三水箱泄漏故障实验仿真研究Q32Q13az3az2az1泵2A水箱1水箱2水箱3Q1Q2泵1h1h3h2Sp泄漏故障1泄漏故障2Q202.5.1三水箱系统结构示意图输入时滞：进水Q2增加时滞为5；输入约束条件（最大流量）：Q1max=Q2max=100ml/s；输出约束条件（水箱最大容水高度）：Hmax=62cm；故障容错控制仿真研究中是模拟一个未知的多变量动态过程。即模拟实际的三水箱对象（过程模型未知），所以已知的模型参数都不能用于建模和容错控制器的设计中，只能用可测量的输出变量和控制变量进行建模和容错控制器设计的仿真研究。建立过程模型设置突发泄漏故障：表示故障条件下水箱2的输出流量；r2表示泄漏半径，这里r2=0.5。表示正常条件下水箱2的输出流量，三水箱泄漏故障实验仿真研究三水箱泄漏故障实验仿真研究图5.4.4无在线学习性能的静态RBF模型输出绝对误差曲线图5.4.4(b)h2泄漏故障条件下自适应模型的绝对误差输出曲线故障在学习性能分析图5.4.3(a)无在线学习性能的静态RBF模型对故障跟踪性能曲线图5.4.4(a)基于在线EKF算法自适应RBF模型的