[发明专利]一种数据驱动的非线性系统执行器故障因子的辨识方法

说明书

本发明公开一种数据驱动的非线性系统执行器故障因子的辨识方法，属于智能控制领域。数据驱动的框架下，针对具有执行器故障的非线性系统的故障失效因子辨识问题，辨识方法如下：建立非线性系统；将非线性系统动态线性化为带执行器故障失效因子的等价线性数据模型；设计更新算法估计线性数据模型中的伪偏导数；设计状态观测器对系统状态进行估计；设计故障因子的在线估计算法实现故障因子的估计。本发明公开的数据驱动的非线性系统执行器故障因子的辨识方法可以对非线性系统中的执行器故障失效因子进行在线估计，使用了数据驱动的方法，能够不依赖具体模型信息，在具有良好的适应性的前提下，满足了对执行器故障进行估计的要求。

技术领域

本发明属于智能控制技术领域，更具体地，涉及一种针对带有执行器故障的非线性系统的数据驱动执行器故障因子的在线辨识方法。

背景技术

随着现代经济的迅速发展，现代工业系统的规模和复杂程度都在不断提高，这类系统一旦发生故障，就可能造成巨大的经济损失。故障辨识方法可以对系统中的故障因子进行估计，进而减少故障对控制的影响。

对于执行器故障因子辨识方法的研究，需要考虑以下两方面的问题：1、目前的控制系统越来越多样化、越来越复杂，执行器故障因子辨识方法能够有效适用于各种系统；2、能够保证适应性的同时达到对系统中的故障因子进行估计的目的。

故障辨识方法是20世纪60年代发展起来的一门新学科，对工业系统的有效运行提供了保障。故障辨识方法通过监测生产过程的运行状态、对故障发生的位置及程度进行判断，实现对故障大小的有效估计。故障辨识的任务是选取方便有效的方法发现过程中的异常事件，而且还能识别和诊断出生产过程异常事件的根源，进而指导操作员正确处理过程异常。现有的故障辨识方法分为三类：基于数学模型的方法、基于人工智能的方法和基于数据驱动的方法。基于数学模型的方法首先要建立过程的数学模型，再进行系统辨识其参数。参数估计法、状态估计法、分析冗余法等是基于分析的方法，需要获取精确地数学模型，存在“未建模动态”的问题。基于人工智能的方法包括专家系统、神经网络等，适合不能获取详细数学模型的系统，但需要大量的生产经验和工艺知识，通用性较差。

为了克服故障辨识方法基于数学模型方法的“未建模动态”问题和基于人工智能方法的通用性较差的问题，有必要设计一种既不依赖系统模型，也不需要大量的生产经验和工艺知识的基于数据驱动的故障辨识方法，达到对系统中的执行器故障因子进行估计的目的。

发明内容

本发明公开的一种数据驱动的非线性系统执行器故障因子的辨识方法要解决的问题是，设计的辨识方法要在保证对系统中的执行器故障因子进行估计的同时，还要具有良好的通用性。

本发明的目的通过以下技术方案实现：

本发明公开的一种数据驱动的非线性系统执行器故障因子的辨识方法，主要针对带有动态执行器故障的非线性系统的执行器故障因子在线估计问题，在数据驱动的框架下，设计的故障失效因子的在线估计算法能够不依赖具体模型信息，具有较好的适用性，同时还达到了对执行器故障因子进行辨识的要求。

本发明公开的一种数据驱动的非线性系统执行器故障因子的辨识方法，所述方法包括以下步骤：

步骤1、建立非线性系统：

考虑一个离散时间非线性系统，如下所示：

y(k+1)＝f(y(k),…,y(k-n_y),u(k),…,u(k-n_u))；

其中，y(k)表示第k时刻，系统的输出；u(k)表示第k时刻，系统的控制输入；n_y和n_u是两个未知的正整数，代表系统的阶数；f(·)表示未知的非线性函数；