[发明专利]一种基于隐马尔科夫模型的故障容错控制方法

说明书

本发明公开了一种基于隐马尔科夫模型的故障容错控制方法。利用隐马尔科夫模型极强的动态过程时间序列建模能力和时序模式分类能力进行在线故障识别，且通过Hellinger Distance(海林格距离)的引入提高可预测状态PDF(概率密度函数)间的差异度，从而提高故障识别的准确性和可靠性。本发明在具有强动态性工业过程发生故障的情况下，对于保证工业过程的正常运行具有更高的可靠性。

技术领域

本发明涉及一种工业过程控制和诊断技术领域，尤其是涉及一种基于隐马尔科夫模型的故障容错控制方法。

背景技术

随着工业系统日益复杂，在系统出现故障时，确保其安全、可靠和高性能运行变得越来越重要。故障容错控制方法允许通过辅助输入设计改善系统输出中故障可检测性和可隔离性。

近年来，模型预测控制(Model Predictive Control-MPC)以其显式地处理输入输出约束而受到工业控制领域的极大关注。MPC是基于模型的控制方法，其控制效果依赖于预测模型与实际对象是否匹配。MPC算法被证明鲁棒性能良好，在一定的模型失配程度内，可以通过反馈校正达到好的动静态效果；但是，若模型出现较大程度的失配，MPC就会出现稳态误差、大的超调甚至发散。对于过程而言，噪声等外界干扰可视为小幅度模型失配现象，仅设计点MPC控制器就可达到好的控制效果；而由于物料比变化以及部件性能非正常大幅度退化等则视为大幅度模型失配。一旦故障发生，必须调整MPC控制律来保证系统安全稳定运行，并在此基础上尽可能满足较好的动态响应、较小的稳态误差。近年来的研究表明，MPC容错控制已经成功用于很多领域，即对于不同的故障选取不同的预测模型进行容错，但他们故障识别机制还是采用传统的识别方法，然后再进行相应的MPC容错处理。传统的故障识别方法往往不考虑过程变量间动态性以及可预测状态间PDF的相似性，但是实际中过程变量往往呈现极强的动态特性，且可预测状态间的PDF比较相似，那么依赖于传统故障识别方法得到的故障识别结果准确率和可靠性不高，进而导致模型预测控制的效果不佳。

发明内容

本发明主要是解决现有技术中MPC容错控制还存在结构准确率、可靠性不高，模型预测控制效果不佳的问题，提供了一种基于隐马尔科夫模型的故障容错控制方法。本发明利用隐马尔科夫模型极强的动态过程时间序列建模能力和时序模式分类能力进行在线故障识别，且通过Hellinger Distance(海林格距离)的引入提高可预测状态PDF(概率密度函数)间的差异度，从而提高故障识别的准确性和可靠性。本发明在具有强动态性工业过程发生故障的情况下，对于保证工业过程的正常运行具有更高的可靠性。

本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于隐马尔科夫模型的故障容错控制方法，包括以下步骤：

S1.离线建模，收集训练样本集，将工业过程采集的离线数据作为隐马尔科夫模型的观测序列，训练隐马尔科夫模型；训练样本集包括所有已知的工况，如正常工况和所有已知的故障工况。

S2.在线主动容错控制，用隐马尔科夫模型对在线数据进行故障识别；

S3.针对识别出的不同工况，在引入海林格距离下进行MPC容错处理。

作为一种优选方案，所述步骤S1的具体过程包括：

S11.用一个随机非线性系统描述工业过程，随机非线性系统采用如下公式表示：