基于强跟踪滤波器的故障诊断方法研究

摘要

在实际生产过程中,非线性故障诊断问题越来越引起人们的关注。其宗旨是提前发现设备的隐患来达到对设备事故防忠于未然的目的,以满足生产过程中的安全和质量的需求,确保人员及财产安全。由此利用卡尔曼滤波器进行非线性故障诊断的问题也越来越具有非常重要的现实意义,许多基于卡尔曼滤波器的改进方法被引入到该领域,这也日益成为自动控制界故障诊断的研究的热点。本文重点研究了基于强跟踪滤波器及其改进算法的故障诊断方法,以及基于强跟踪滤波器新息特征的故障检测方法,以便快速准确的检测出故障。
　　 由于扩展卡尔曼滤波器在故障诊断中对模型失配的鲁棒性很差,本文采用了强跟踪滤波器算法即在卡尔曼滤波器算法的基础上在线调整增益矩阵使残差序列处处正交的改进算法。首先对模型进行系统状态与参数的联合估计,再通过对人为设定的故障进行仿真。仿真结果表明强跟踪滤波器比扩展卡尔曼滤波器具有更强的跟踪性能,它对系统参数的任何一种规律的变化都具有极强的跟踪能力。
　　 针对在矩阵迭代过程中因为系统精度或者舍入误差引起的误差协方差阵不正定的现象,本文采用了将误差协方差阵进行‘UD分解的改进算法,再利用最小二乘法来求解渐消矩阵,这样在保证矩阵正定的同时也提高了滤波器的精度,摆脱了对先验知识的依赖性,提高了计算速率。通过仿真验证了该方法的比STF算法有更强的跟踪能力,跟踪速度较快,并通过修正的Bayes分类算法验证了该方法能快速的检测出故障。
　　 针对非线性多变量过程,本文采用了基于强跟踪滤波器新息特征的两种故障诊断方法:X2统计方法和多变量序贯概率比检验方法。利用强跟踪滤波器产生滤波新息,根据新息分别构造X2统计方法的统计量和多变量序贯概率比检验方法的对数概率似然比来监控过程的运行状态。在连续聚合反应CSTR模型上的仿真研究表明,多变量序贯概率比X2统计方法能够较早地检测到故障的发生,具有较好的检测性能。