基于卡尔曼滤波器的非线性系统故障诊断

发布时间：2020-05-15 13:52

【摘要】：卡尔曼滤波是故障诊断领域一个重要研究方向,其滤波器使得估计的状态向量更加逼近真实状态,引起了世界各国的重视,同时也越来越受到学术界的关注。卡尔曼滤波有着计算量小、对存储容量有着低要求的特点,对在线实时运算、计算机实现提供了方便,有着广阔的应用前景。首先,通过近几年的故障诊断的发展,汇总了故障诊断技术的方法,并提出研究意义和现如今故障诊断的发展现状。把研究的重点放在了基于模型解析的故障诊断,对硬件冗余和解析冗余作了对比,选出了当今时代的主流冗余方法,并对其残差生成与评价和阈值选取做了详细的说明。其次,通过传统的卡尔曼滤波方法的研究,在此基础上加入近似概率分布,形成了能提高故障检测准确率的UKF算法,并对其基本原理和发展现状作了简要描述,利用仿真实例实现,从而提出了基于卡尔曼滤波的残差平滑的故障隔离技术,以及多滤波器残差故障诊断算法,实现了故障的准确定位。然后,将平方根容积法用于卡尔曼滤波算法中,SCKF对解复杂非线性系统的状态估计问题,具有精度高、稳定性优和计算复杂度低等优点。针对发生执行器故障的非线性随机动态系统,采用SCKF估计系统状态,并根据状态估计结果,利用滑动时间窗口技术设计残差信号,检测故障发生。最后,利用传统的典型飞行控制系统,并加入卡尔曼滤波算法,建立飞行控制系统的动力学模型,从而实现飞机在飞行任务时的实时检测与诊断,另外分别对高斯和非高斯噪声的影响,测试卡尔曼滤波估计性能,从而证明了论文所研究的基于卡尔曼滤波器的故障诊断的优越性。
【图文】：

图 3.13 基于 UKF 的故障诊断流程图Fig.3.13 Based UKF fault diagnosis flow chart般情况下，系统残差的生成与噪声信号生成所对应，通过所设定的阈值在M 时刻所估计的残差平均值d 。当残差均值大于所设定的阈值 ，，表

图 4.1 CKF 算法的卡尔曼增益情况Fig. 4.1 Kalman gain of CKF algorithm0.91a=1.0a=0.94a=0.8
【学位授予单位】：青岛理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN713;TP277

【参考文献】

相关期刊论文 前7条

1 程瑶;王日新;徐敏强;;基于非线性未知输入观测器的航天器故障诊断[J];深空探测学报;2015年03期

2 张秋昭;张书毕;刘志平;卞和方;;基于奇异值分解的鲁棒容积卡尔曼滤波及其在组合导航中的应用[J];控制与决策;2014年02期

3 薛树功;魏利胜;凌有铸;;基于扩展卡尔曼滤波的永磁同步电机无传感器矢量控制[J];电机与控制应用;2011年08期

4 孔英会;苑津莎;李新叶;赵振兵;;基于时序特征和参数估计的变压器故障诊断方法[J];电工技术学报;2008年12期

5 姚华;单贵平;孙健国;;基于卡尔曼滤波器及神经网络的发动机故障诊断[J];航空动力学报;2008年06期

6 樊红娟;冯久超;谢胜利;王世元;;无先导Kalman滤波器在滤波噪声污染的混沌信号时的非周期振荡现象[J];自然科学进展;2007年11期

7 靳天成,杨应成;飞机自动驾驶仪故障诊断系统[J];自动化与仪表;1998年05期

本文编号：2665137