法律状态公告日
法律状态信息
法律状态
2017-05-03
授权
授权
2015-07-15
实质审查的生效 IPC(主分类):G05B19/418 申请日:20141229
实质审查的生效
2015-06-17
公开
公开
技术领域
本发明涉及一种在传感器网络环境下基于格林空间理论的分布式故障估计方法,属于控制方法技术领域。
背景技术
故障估计是控制系统中一种重要的研究问题,在轨道交通车辆、风力发电系统以及轨道健康状态识别等领域的故障检测任务中获得广泛应用。
目前现有的故障估计方法不能处理在传感器网络环境下各传感器节点之间的耦合,进而影响传感器网络系统的整体故障估计性能。
发明内容
本发明要解决的技术问题如何处理在传感器网络环境下各传感器节点之间的耦合,进而保证传感器网络系统的整体故障估计性能。
为了解决上述技术问题,本发明的技术方案是提供一种在传感器网络环境下基于格林空间理论的故障估计方法,其特征在于:该方法由以下6个步骤组成:
步骤1:建立具有执行器和传感器故障的时变系统的动态模型;
建立具有执行器和传感器故障的时变系统的动态模型,其状态空间形式为:
x(k+1)=A(k)x(k)+Bd(k)d(k)+Bf(k)f(k),x(0)=x0 (1)
yi(k)=Ci(k)x(k)+Di,f(k)f(k)+vi(k),i=1,2,...,M (2)
式(1)和式(2)中,x(k)为k时刻状态向量;d(k)为k时刻外部扰动;f(k)为k时刻要估计的误差;yi(k)为k时刻传感器节点i从系统中接收到的测量输出;vi(k)为k时刻传感器节点i的测量噪声;A(k)、Bd(k)、Bf(k)、Ci(k)、Di,f(k)是已知的具有适当维数的时变矩阵;M表示传感器节点个数;x0为未知的初始值;
M个传感器的位置用有向图G=(v,ε,A)描述,其中,v={1,2,...,M}为节点集合;
步骤2:对各个传感器与其相邻的测量输出进行综合;
根据式(2),综合与第i个传感器相邻节点信息后的测量输出公式:
>
式(3)中矩阵给出如下:
>
>
>
>
其中jl∈Mi,l=1,2,...,mi;
步骤3:对具有执行器和传感器故障的时变系统的动态模型进行分布式故障估计;
分布式故障估计器公式:
>
式(4)中
步骤4:利用格林空间的线性估计理论,分别获得节点i上的故障估计器的存在性判别条件;
节点i上故障估计器存在性的判别条件:
Γi(k)>0且Ψi(k)<0 (5)
式(5)中,>
>
Pi(k)为节点i上的状态估计误差最小方差,γ>0为给定参数,I为单位矩阵,矩阵
步骤5:若步骤4中的存在性条件(5)成立,运用格林空间中的更新分析与投影定理,分别获得节点i上的估计器参数矩阵Ei(k)和Ki(k);
由公式:
>
获得误差方差矩阵Pi(k),通过公式:
>
>
计算估计器参数矩阵Ei(k)和Ki(k);
步骤6:将步骤5获得的估计器参数矩阵Ei(k)和Ki(k)代入步骤3中的分布式故障估计公式,实现在传感器网络环境下对具有执行器和传感器故障的时变系统的分布式故障估计。
优选地,所述步骤4中,格林空间的线性估计理论为:
Γi(k)>0和Ψi(k)<0同时成立当且仅当
>
>
>
式中
本发明提供的分布式故障估计方法考虑了传感器网络环境下各传感器节点之间的耦合对故障估计性能的影响,利用格林空间的线性估计理论给出了分布式故障估计器存在的充要条件,与现有的具有单一传感器的时变系统的故障估计方法相比,本发明的分布式故障估计方法可以有效处理传感器网络环境下各传感器节点之间的耦合问题,得到了基于递推方程解的分布式故障估计方法,达到保守性小、估计精度高的目的,且具有易于求解与实现的优点。
附图说明
图1为在传感器网络环境下基于格林空间理论的故障估计方法流程图;
图2是实际故障轨迹f(k)及其在传感器节点1上的估计轨迹r1(k)对比图;
图3是实际故障轨迹f(k)及其在传感器节点2上的估计轨迹r2(k)对比图;
图4是实际故障轨迹f(k)及其在传感器节点3上的估计轨迹r3(k)对比图;
图5是实际故障轨迹f(k)及其在传感器节点4上的估计轨迹r4(k)对比图。
具体实施方式
为使本发明更明显易懂,兹以一优选实施例,并配合附图作详细说明如下。
图1为本发明提供的在传感器网络环境下基于格林空间理论的故障估计方法流程图,该方法的具体步骤为:
步骤1:建立具有执行器和传感器故障的时变系统的动态模型;
建立具有执行器和传感器故障的时变系统的动态模型,其状态空间形式为:
x(k+1)=A(k)x(k)+Bd(k)d(k)+Bf(k)f(k),x(0)=x0 (1)
yi(k)=Ci(k)x(k)+Di,f(k)f(k)+vi(k),i=1,2,...,M (2)
式(1)和式(2)中,x(k)为k时刻状态向量;d(k)为k时刻外部扰动;f(k)为k时刻要估计的误差;yi(k)为k时刻传感器节点i从系统中接收到的测量输出;vi(k)为k时刻传感器节点i的测量噪声;A(k)、Bd(k)、Bf(k)、Ci(k)、Di,f(k)是已知的具有适当维数的时变矩阵;M表示传感器节点个数;x0为未知的初始值。
M个传感器的位置用有向图G=(v,ε,A)描述,其中,v={1,2,...,M}为节点集合;
步骤2:对各个传感器与其相邻的测量输出进行综合;
根据式(2),综合与第i个传感器相邻节点信息后的测量输出公式:
>
式(3)中矩阵给出如下:
>
>
>
>
其中jl∈Mi,l=1,2,...,mi。
步骤3:对具有执行器和传感器故障的时变系统的动态模型进行分布式故障估计;
分布式故障估计器公式:
>
式(4)中,
步骤4:利用格林空间的线性估计理论,分别获得节点i上的故障估计器的存在性判别条件;
所述的格林空间的线性估计理论为:
Γi(k)>0和Ψi(k)<0同时成立当且仅当
>
>
>
其中
节点i上故障估计器存在性的判别条件:
Γi(k)>0且Ψi(k)<0 (5)
上式中,>
>
Pi(k)为节点i上的状态估计误差最小方差,γ>0是给定参数,I为单位矩阵,矩阵由公式>给出。
步骤5:若步骤4中的存在性条件(5)成立,运用格林空间中的更新分析与投影定理,分别获得节点i上的估计器参数矩阵Ei(k)和Ki(k);
由公式:
>
获得误差方差矩阵Pi(k),通过公式:
>
>
计算估计器参数矩阵Ei(k)和Ki(k)。
步骤6:将步骤5获得的估计器参数矩阵Ei(k)和Ki(k)代入步骤3中的分布式故障估计公式,实现在传感器网络环境下对具有执行器和传感器故障的时变系统的分布式故障估计。
下面采用本发明所述方法进行仿真验证:
系统参数:
>
>
C1(k)=[-0.5 0.5 0.5sin(k)],D1,f(k)=2.5
C2(k)=[-0.4 0.3 0.7sin(k)],D2,f(k)=3.5
C3(k)=[-0.6 0.4 0.6sin(k)],D3,f(k)=3.5
C4(k)=[-0.3 0.6 0.7sin(k)],D4,f(k)=3
传感器网络拓扑的邻接矩阵为
>
此外,x0=[2 -1 1]T,∏0=I,γ=0.3403。
分布式故障估计器参数矩阵求解:
公式(8)和公式(9)进行求解。
状态估计器效果:
图2是实际故障轨迹f(k)及其在传感器节点1上的估计轨迹r1(k),图2中虚线为实际故障轨迹f(k),实线为故障估计轨迹r1(k);图3是实际故障轨迹f(k)及其在传感器节点2上的估计轨迹r2(k),图3中虚线为实际故障轨迹f(k),实线为故障估计轨迹r2(k);图4是实际故障轨迹f(k)及其在传感器节点3上的估计轨迹r3(k),图4中虚线为实际故障轨迹f(k),实线为故障估计轨迹r3(k);图5是实际故障轨迹f(k)及其在传感器节点4上的估计轨迹r4(k),图5中虚线为实际故障轨迹f(k),实线为故障估计轨迹r4(k)。由图2至图5可见,针对传感器网络环境下具有执行器和传感器故障的时变系统,所发明的分布式故障估计器设计方法可有效地估计出执行器和传感器中的故障。
机译: 家庭网络环境下使用传感器确定电气设备之间相关性的方法
机译: 网络环境下基于网络的身份识别数据保护方法及系统
机译: 网络环境下基于网络的身份识别数据保护方法及系统