基于区间T-S模糊模型的自适应故障检测算法研究

作者:刘小雍;熊中刚;阎昌国;罗光毅;陈孝玉; 刊名:新疆大学学报(自然科学版) 上传者:郭军

【摘要】针对传统的故障检测方法通常事先人为设定一个健康状况下的确定阈值来实现故障检测,往往不具有故障的自适应检测能力,本文提出了基于区间T-S模糊模型的自适应故障检测方法,即系统在运行过程中的不同时刻,系统无故障状态对应的阈值是不一样的.该方法首先将故障检测的问题转化为基于逼近误差的l1范数最小化的区间模型优化问题,应用线性规划对由T-S模型构成的区间[fL(t),fU(t)]参数进行求解.所建立的区间模糊模型将用于判断故障是否发生.最后,通过Tennessee Eastman (TE)过程论证了提出方法对故障检测的自适应能力和实时性.

全文阅读

0引言为了确保设备的安全和有效运行,对复杂工业过程系统进行实时的故障检测尤为重要[1,2].当前复杂系统呈现出的特征表现为子系统间的耦合性较大、非线性较强、集成化程度较高等,同时包含了外界不同突变、缓变的不确定性因素,使得整个系统中的某个环节可能在微小故障作用下的传播,引起整个系统的崩溃或失效,导致重大人员伤亡、巨大的经济损失.因此,复杂工业过程的安全无故障运行是实现系统安全、稳定的重要前提.其中状态监控技术被较早研究用于工业过程,能及时检测过程是否发生故障并及时报警,具有重要的理论意义和工程应用价值.通常情况下,复杂工业过程的故障检测采用数据驱动的方法较多[3],包括监督与无监督学习方法.无监督学习方法包括主元分析[4]、独立主元分析[5],首先建立系统无故障模型,判断系统实际输出与正常运行模型之间的偏差是否超出事先设定的一个阈值[6],从而监测系统是否偏离正常运行状态.在监督学习过程中,典型的学习方法有支持向量机(SVM)[7]和神经网络[8],它们通过获取包含健康和故障条件下的历史数据,建立一个二值分类器,进而执行故障的检测.1-SVM[9,10]作为SVM的一种变体,在特征空间中采用非线性距离测量标准,在故障检测中也得到了很好的应用.作为另一种与数据驱动的故障检测方法相对应的就是模型驱动方法[11],它需要准确的过程建模,在复杂工业系统中很难实现.在基于数据的故障检测过程中,主要方法仍然是基于经验或人为确定一个阈值,不利于故障的实时检测.尤为重要的是缺乏检测故障过程中的自适应能力.本文通过将逼近误差的l1范数最小化机理与线性规划相结合,提出了基于区间模糊模型的自适应故障检测方法,用建立的区间[fL(t),fU(t)]作为自适应判断故障是否发生的条件.1基于l1范数最小化的区间T-S模糊模型建模基于区间T-S模糊模型的故障检测,是一种基于数据的建模方法.假设通过传感器或其它数据获取设备,获取被研究对象的数据{(z1,y1),(z2,y2),,(zN,yN)}.(1)其中N表示对应数据集的大小,ziRn,可表示为zi=(zi1,zi2,zin)T.提出方法的故障检测流程图如图1所示,假设无故障数据y(t)应满足区间[fL(t),fU(t)],对应的条件y(t)-fL(t)>0和y(t)-fU(t)<0可作为求解fL(t)和fU(t)的约束,显然满足该条件的模型有无穷多个,从中获取最优的模型,将引入无故障数据与实际模型之间的偏差达最小作为目标优化,最后应用线性规划求解.由于提出的方法是基于T-S模糊模型,下面将对其做简要介绍.[(),()]LU()Lft()Uft()Lft()Uft图1提出方法的流程图1.1T-S模糊模型的非线性描述在获取到一组数据的情况下,一种基于数据的非机理模型,T-S模糊模型,通常被用于建模复杂非线性系统f(x)以及算法优化[12].具有多输入单输出的T-S模糊模型可以通过如下形式的结构来描述[13],Rj:ifzp1isAj1andzp2isAj2and...andzpnisAjnthenyj=fj(x)=pj0+pj1zp1+pjMzpn=PTjx,(2)其中,Pj=(pj0,pj1,pjM)T表示后件参数,M为规则数,n表示输入变量的特征维数或属性,z=(1,zp1,,zpn)TRn+1是系统的输入变量,又称为前件变量,yjR是输出变量或后件变量;Rj表示第j条规则.对任意的测试输入x,可得T-S模糊模型的最终输出为,f(x)=Mi=1i(x)PTjx=(1(x)M(x))????PT1...PTM????x=T(

参考文献

引证文献

问答

我要提问