[发明专利]基于IMM-KEnPF的风机桨距系统故障诊断方法有效
申请号: | 202110254185.9 | 申请日: | 2021-03-09 |
公开(公告)号: | CN112861289B | 公开(公告)日: | 2021-10-29 |
发明(设计)人: | 王进花;朱恩昌;曹洁 | 申请(专利权)人: | 兰州理工大学 |
主分类号: | G06F30/17 | 分类号: | G06F30/17;G06F30/25;G06F113/06;G06F119/02 |
代理公司: | 西安铭泽知识产权代理事务所(普通合伙) 61223 | 代理人: | 耿路 |
地址: | 730050 甘肃*** | 国省代码: | 甘肃;62 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 imm kenpf 风机 系统 故障诊断 方法 | ||
1.基于IMM-KEnPF的风机桨距系统故障诊断方法,其特征在于,包括以下步骤:
步骤1,输入交互;风机变桨距系统的多种故障模型构成故障模型集,故障模型集中的故障模型之间随机跳变切换,前一时刻的故障模型到下一时刻的故障模型之间的切换服从故障模型转移概率;基于交互式多模型IMM,利用上一时刻的各故障模型概率和故障模型转移概率计算故障模型之间的交互概率,再使用交互概率融合各粒子滤波器的上一时刻的滤波信息,得到各故障模型在上一时刻初始的估计交互值和对应的误差协方差矩阵;
步骤2,并行滤波;利用步骤1得到的各故障模型在上一时刻初始的估计交互值和对应的误差协方差矩阵,为各个粒子滤波器生成粒子集,按照集合卡尔曼滤波EnKF优化的建议分布以及变桨距系统的观测值,对粒子集中的粒子进行重要性采样,得到粒子的预测集合;在重要性采样过程中,利用库尔贝克-莱布勒散度KLD采样算法自适应调整采样粒子的数量;
得到预测集合后,根据变桨距系统的观测值计算粒子权值,对粒子残值利用残差重采样方法进行重采样,得到新的粒子集合,将新的粒子集合中粒子的粒子均值、各个粒子滤波器状态估计的误差协方差矩阵、估计残差和残差协方差矩阵作为输出;
步骤3,模型概率更新;根据步骤2输出的估计残差和残差协方差矩阵建立各故障模型滤波输出的似然函数,使用该似然函数计算各个故障模型的模型概率;
步骤4,融合估计;得到各个故障模型的模型概率后,将其与步骤2输出的粒子均值和各个粒子滤波器状态估计的误差协方差矩阵进行融合,得到融合估计结果;
步骤5,故障诊断;基于步骤3得到的各个故障模型的模型概率,利用决策函数实现变桨距系统的故障诊断;
步骤1具体包括:
由多个故障模型建立的故障模型集为M={M1,M2,…,Mr},用如式(1)所示的混杂系统状态空间模型表示:
式中:f(·)为变桨距系统的状态转移函数,h(·)为观测函数,wk-1为k-1时刻的过程噪声,vk为k时刻的观测噪声,Mk-1和Mk分别是与变桨距系统工作模式相匹配的前一时刻和当前时刻的故障模型,交互式多模型IMM中假设混杂系统的离散模式之间的切换随机跳变,为一阶马尔可夫过程,前一时刻的故障模型i到下一时刻故障模型j之间的切换服从:
P{Mk=M1|Mk-1=M1|=πij,i,j=1,2,…r (2)
式中,πij为模型转移概率;
在迭代周期开始时,利用上一时刻的各故障模型概率和故障模型转移概率计算故障模型之间的交互概率,再使用交互概率融合各粒子滤波器的上一时刻的滤波信息进行融合,实现滤波器的初始化,交互的过程如式(3)-(7)所示:
式中:i,j∈M,为k-1时刻第i个模型粒子滤波器的估计值,为k-1时刻第i个模型粒子滤波器的估计误差协方差矩阵,为k-1时刻第j个模型在迭代周期初始时的估计交互值,为与其对应的误差协方差矩阵,为k-1时刻模型i的模型概率,为k-1时刻模型i与模型j的交互概率,πij,k-1为k-1时刻模型i与模型j之间的模型转移概率矩阵;
步骤2具体包括:
子步骤1,利用步骤1的交互结果和为各个粒子滤波器生成粒子集N为粒子数;
其中,rand表示随机函数;
子步骤2,进入改进粒子滤波KEnPF的流程:
子步骤21,初始化;在k=0时刻,从先验概率分布中随机采样N个权值大小相同的粒子粒子权值权值累加和初值S=0;
子步骤22,定义背景集合;为第i个粒子随机采样n个集合点,构成背景集合
子步骤23,更新背景集合;随机采样n个初始样本集合作为上一时刻的背景集合在预测阶段,利用状态方程进行背景集合的更新得到新一时刻的背景集合如下式所示:
根据式(10)计算背景集合的均值,并用式(11)和式(12)代替方差计算:
通过下式计算卡尔曼增益:
Kk=Pk1HT(HPk1HT+Rk)-1 (13)
式中,Rk为k时刻系统的观测误差协方差矩阵;然后,用式(14)根据观测信息zk和计算所得的卡尔曼增益更新背景集合得到新的集合称作分析集合:
最后,根据下式计算分析集合的均值和方差:
子步骤24,重要性采样和权值更新;从EnKF优化的建议分布,即上述得到的各个粒子滤波器生成粒子集中采集粒子,得到粒子的预测集合:
将标准粒子滤波器中的状态转移函数作为建议分布替换,使得每个粒子的重要性采样过程,都以EnKF更新得到的分析集合作为建议分布:
对预测集合中的第i个粒子进行重要性采样然后更新粒子的权值并累加:
S=S+ωi,k (20)
子步骤25,更新自适应粒子数目;判断xi,k是否落入空子集Xk,若是则k=k+1,当i>nmin,nmin表示最小采样数,则更新KLD采样粒子数nk/d,当i<nmin,i=i+1;
子步骤26,当i<nk/d,则返回子步骤2,否则跳出子步骤2到5的循环;
子步骤27,权值归一化和重采样;使用权值累加和进行权值归一化:
得到粒子集对其进行重采样并将权值赋为1/N,得到粒子集
子步骤28,加权输出估计结果:
子步骤3,根据观测值计算残差,用残差计算粒子权值,并归一化;
式中:zk为k时刻的观测值,利用计算得到的粒子权值根据残差重采样方法进行重采样,得到新的粒子集合将粒子的均值作为输出:
子步骤4,分别计算各个粒子滤波器状态估计的误差协方差矩阵估计残差和残差协方差矩阵
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于兰州理工大学,未经兰州理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110254185.9/1.html,转载请声明来源钻瓜专利网。