[发明专利]基于仿生优化粒子滤波的非线性系统故障诊断方法和系统

说明书

本发明提供了一种基于仿生优化粒子滤波的非线性系统故障诊断方法和系统，包括：建立待诊断非线性系统的状态空间模型；针对于状态空间模型中的每一个模型，生成N个初始粒子，并初始化每个初始粒子的位置和权重；基于状态空间模型，利用麻雀算法和莱维飞行变异迭代更新N个初始粒子的位置；计算更新之后的N个初始粒子的权重并进行归一化；基于归一化之后的权重，对状态空间中的粒子进行重采样，得到状态空间模型中每一个模型对应的系统状态预测量；基于状态空间模型中每一个模型对应的系统状态预测量，对待诊断非线性系统进行故障诊断。本发明缓解了现有技术中存在的采用标准粒子滤波方法会导致粒子贫化的技术问题。

技术领域

本发明涉及故障诊断技术领域，尤其是涉及一种基于仿生优化粒子滤波的非线性系统故障诊断方法和系统。

背景技术

大型机电设备已被广泛应用于民用生活生产和军用武器装备中。这些设备由于高度集成化、复杂化、时变化和自主化的特性，使得其对于故障十分敏感。一旦发生故障，将会导致巨额的经济损失甚至大量人员伤亡。因此，复杂机电设备的故障诊断是其发展中不可或缺的一环，对于保障其安全运行具有十分重要的研究和实践意义。

为了简化复杂系统的故障诊断过程，一般通过小扰动线性化处理建立线性化系统状态模型。但复杂系统本身就具有强非线性、强耦合性和快时变性，且实际工况环境经常具有严重噪声干扰，亟需针对非线性系统的故障诊断开展研究。

故障诊断方法主要可以分为基于模型的方法和基于数据的方法，后者虽然不依赖系统模型，但在复杂设备实验成本较高导致真实数据获取困难的情况下，缺乏训练样本限制了这些方法的工程应用。如高超音速巡航导弹、高超音速飞机和航天飞机等，极高的靶弹研制成本使其不能通过多次实验获得海量数据以建立故障模型数据库，使得其更倾向于应用高精度且强鲁棒的状态估计方法进行诊断系统的设计。基于模型的方法基于精确的解析模型，通过对系统内部结构的深层分析和故障的机理性研究，具有良好的诊断效果。作为基于模型的典型代表，基于粒子滤波的故障诊断方法旨在通过精准的状态估计构造量测信号的残差项以实现系统的故障诊断。

粒子滤波算法是在蒙特卡洛近似贝叶斯滤波方法上进一步发展的，利用具有权值信息的粒子描述状态信息，用粒子均值代替积分运算，逼近系统中随机变量的概率密度函数以实现最小方差状态估计。该算法能够很好的解决非线性、非高斯系统的状态估计问题。

标准粒子滤波算法需要通过重要性分布函数来实现权值递推计算步骤，虽然最理想的选择是粒子的真实分布，但是在实际的非线性系统中往往难以实现。多数算法中通常采用先验密度作为重要性分布函数，但在易实现的同时，也因为忽略了最新的观测信息，造成了粒子权值的退化。重采样方法通过不断复制高权值粒子和舍弃低权值粒子在一定程度上缓解了退化程度，但是随着迭代的不断进行，将会导致粒子贫化。

发明内容

有鉴于此，本发明的目的在于提供一种基于仿生优化粒子滤波的非线性系统故障诊断方法和系统，以缓解现有技术中存在的采用标准粒子滤波方法会导致粒子贫化的技术问题。

第一方面，本发明实施例提供了一种基于仿生优化粒子滤波的非线性系统故障诊断方法，包括：建立待诊断非线性系统的状态空间模型；所述状态空间模型包括一个正常状态模型和n个待诊断故障状态模型，n为正整数；针对于所述状态空间模型中的每一个模型，生成N个初始粒子，并初始化每个初始粒子的位置和权重；每个初始粒子的位置对应所述状态空间模型所在的状态空间中的一种状态；N为正整数；基于所述状态空间模型，利用麻雀算法和莱维飞行变异迭代更新所述N个初始粒子的位置；计算更新之后的N个初始粒子的权重并进行归一化；基于归一化之后的权重，对所述状态空间中的粒子进行重采样，得到所述状态空间模型中每一个模型对应的系统状态预测量；基于所述状态空间模型中每一个模型对应的系统状态预测量，对所述待诊断非线性系统进行故障诊断。

进一步地，所述状态空间模型包括：