[发明专利]一种基于模型和数据驱动融合的不完备系统故障诊断方法

说明书

技术领域

本发明涉及一种基于粒子滤波与支持向量数据描述融合的不完备系统故障诊断方法，属于故障诊断技术领域。。

背景技术

模型不完备条件下的故障诊断问题是一个具有挑战性的难点问题。已有的故障诊断方法大多数要求建立完备的故障模型。然而，由于以下几方面的原因，系统模型通常是不完备的：（1）人们没有掌握复杂系统的全部规律，导致部分动态未备建模；（2）由于系统复杂度非常高，为了简化计算，通常忽略了一些高阶动态；（3）由于系统及其环境的动态变化，导致不可能对系统完备建模。

粒子滤波是监视动态系统的蒙特卡罗(Monte Carlo，即随机选择)方法，通过带权样本(即粒子)集非参数化地近似概率分布．粒子滤波是一种基于模型的方法，要求事先知道系统的故障模型.粒子滤波器提供了一种计算上可行的方法，来估计混合系统的状态．除了计算上的优势外，在单个粒子滤波器中可以同时表示离散和连续状态，而且不受高斯假设的约束可以表示任意分布。然而，常规粒子滤波器方法同样要求系统被完备建模。

从贝叶斯滤波角度，混合系统故障诊断问题可以简要描述如下。多模型混合系统定义为，

其中，表示时刻的离散系统模式，为离散系统模式的有限集合。，表示系统在时刻的多变量连续状态，表示时刻的系统测量，表示时刻系统输入。过程噪声和测量噪声为相互独立的白噪声序列。状态方程(1)刻画了系统连续状态转移概率，测量模型(2)刻画了似然概率，表示状态随时间演化的离散一阶马尔可夫链，转移概率为，

(3)

记，。从贝叶斯滤波角度，故障诊断的核心步骤是估计后验分布的边缘分布，后验分布的递推估计可通过如下贝叶斯滤波器获得,

(4)

其中，为标准化因子。对于非线性、非高斯系统而言，(4)中的积分没有闭合形式的解。为计算(4)，粒子滤波器通过个完全实例化的粒子集合及重要性权值来近似后验概率分布，即

(5)

其中，表示Dirac delta函数。由于不能从真实后验分布提取样本，采用从建议分布（或称重要性分布）提取样本，重要性权值用于处理建议分布和真实分布之间的差异。若建议分布采用移分布，即

(6)

已被证明，常规的粒子粒子滤波器在以下假设条件时可以收敛于真实状态，其中：

条件1：建议分布的支撑集涵盖了真实分布的支撑集；

条件2：的每个状态都被采样；

条件3：不同模式之间具有明显的差别。

其中，“条件1”要求系统被完备建模。然而，在许多实际应用中，由于系统本身的复杂性、环境的不确定性及有时为简化计算而忽略的高阶项，系统模型往往难以完备。

在现有技术中，段琢华等人提出了一种不完备多模型混合系统故障诊断的粒子滤波方法（参见，段琢华，蔡自兴，于金霞；《不完备多模型混合系统故障诊断的粒子滤波算法》，自动化学报，2008年第5期581-587页）。该方法提取了两个基于粒子集合的统计量：粒子集的规格化子W以及最大后验概率估计状态的信度B。在此基础上设计了检测未知故障模式的阈值逻辑，即当W几乎为0且B较小时离散状态为未知故障模式。其具体步骤如下：步骤1.初始化：1.1 设置粒子数,阈值和,已知模式集合，先验分布,以及转移概率。1.2 从先验分布采样离散状态。1.3 从先验分布采样连续状态。对于每一时间步,地推地进行预测、更新、估计以及重采样过程(步骤2～步骤8)；步骤2. 状态预测(重要性采样)：2.1 根据离散状态转移概率抽取离散样本，；2.2根据样本的离散状态确定连续状态转移概率，并抽取样本，；步骤3.权重更新：3.1 根据测量模型计算非规格化权重；3.2 计算非规格化因子；3.3 计算边缘分布；步骤4. 状态估计；步骤5. 权重规格化 ；步骤6. 计算统计量；步骤7. 未知故障检测：如果且，则 ；8. 重采样。该技术的主要缺点在于：该技术只能发现未知故障，不能对未知故障进行建模。

发明内容

本发明的目的在于提出一种融合基于模型和数据驱动的方法用于不完备建模系统故障诊断，基于模型的方法采用粒子滤波器，数据驱动的方法采用支持向量数据描述；系统的模型空间分为三部分：已知故障模型空间、学习获得的故障模型空间、未知故障空间；粒子滤波器方法用于已知模型空间故障诊断；支持向量数据描述方法用于学习获得的故障模型空间故障诊断以及在发现未知的故障时对其进行建模；为了实现上述目的，本发明的技术方案如下。