基于自适应IIR滤波器模型的故障诊断与预测系统研究

作者:郭瑞;姜玉海;叶伟;逯军 刊名:仪表技术 上传者:卢富平

【摘要】针对某型装备故障诊断系统设计需要,提出了一种基于自适应无限脉冲响应滤波器(IIR)的故障预测与诊断系统。该系统以自适应IIR滤波器为故障预测模型,利用改进粒子群优化算法进行训练以加速系统收敛,并采用FPGA技术针对故障预测与诊断模型和算法提供直接的硬件支持来提高运算效率并满足系统实时性的要求。该系统可靠性高,工程实用性强,配置灵活。

全文阅读

1故障预测技术概述现有的故障预测技术可大致分为三类:第一类方法主要是基于时间预测的方法。这类方法的出发点是,虽然当前时刻这种故障特征的幅值很小,难以检测出来,但随着时间的推移,它的幅值会越来越大,因此,根据系统过去和现在的状态,采用预报技术,估计出将来时刻的状态,再进行故障检测。第二类方法主要是基于早期微小故障检测的方法。在某些系统中可能存在着一些幅值小、变化缓慢的故障(incipientfault),如果能尽早的检测出这类故障,就能预防将来大的故障的发生,这同样属于故障预测的研究领域。第三类方法是基于定性分析的方法,根据系统的定性知识,进行分析推理实现故障预测。基于时间序列预测的方法是目前研究最多的领域。当系统物理模型已知时,基于滤波器的故障预测方法能够很好地跟踪系统变化的趋势,预报的结果也较准确,还需要解决的就是模型不准时的鲁棒性问题;当模型未知时,现有的方法(例如经典时间序列分析和神经网络方法)都是通过构造一个近似模型来逼近真实系统,它们都还存在一定的缺陷,需要进一步发展。2故障预测模型2.1自适应IIR滤波器基于时间序列的预测是目前故障预测最常用的方法,60年代初,Kalman和Bucy最先提出状态空间方法,以及递推滤波算法,也即Kalman滤波器,通过对系统状态估计误差的极小化,得到递推估计的一组方程,由于它同时得到了系统的预报方程,因此在预报领域也得到大量的应用。基于Kalman滤波器的方法要求系统模型已知,当模型比较精确时,通过比较滤波器的输出与实际输出值的残差,实时调整滤波器的参数,能够较好地估计系统的状态;同时,也就能对系统的状态做短期预报。但一旦模型不准时,滤波器估计值就可能发生较大偏差。用于非线性系统的扩展Kalman滤波器(EKF)同样存在关于模型不确定时鲁棒性差的问题,而且在系统达到平稳状态时,将丧失对突变。针对Kalman滤波器的这种缺点,我们提出一种基于自适应无限脉冲响应(IIR)滤波器的故障预测模型。在时域中,采用直接形式的自适应IIR滤波器可以用如下的差分方程来表征:y(k)+Mi=1biy(k-i)=Ni=0aix(k-i)(1)式中:x(k)和y(k)分别是滤波器的输入和输出,并且M(N)是滤波器的阶数。那么,该滤波器相应的传递函数为:H(z)=BA((zz))=Ni=0aiz-i1+Mi=1biz-i(2)可以将自适应IIR滤波器的设计当作优化的问题,将均方误差(MSE)作为目标函数,即:J(w)=E[e2(k)]=E[(d(k)-y(k))2](3)式中:d(k)是待设计的滤波器的输出,e(k)是误差信号,w是式(2)中分子、分母的系数向量,表示为:w=[aTbT]T=[a0a1…aNb1…bM]T(4)那么我们的设计目标就是通过不断改变式(4)的各个系数将式(3)的值最小化,即:minwWJ(w)(5)然而在实际应用中,计算式(3)的值比较困难,因此一般是用一段时间内的目标函数平均值来代替,即:JR(w)=N1kN=1e2(k)(6)该误差函数存在局部极小值点的问题可以通过寻找全局最优的方法来解决。因此,近年来,许多学者将很多全局最优的技术应用到其中,比如模拟退火算法(SA)、遗传算法(GA)、Tabu算法等。SA由于采用了随机策略导致计算量较大;GA的编码以及算法结构比较复杂,运算速度慢等缺点使得应用比较困难,因此,本系统采用粒子群优化算法来进行优化求解。2.2粒子群优化算法粒子群优化算法是Eberhart博士与Kennedy博士发明的一种新的全局进化算法,近年来已经成为一种重要的优化工具。PSO同遗

参考文献

引证文献

问答

我要提问