混杂系统故障诊断的强跟踪滤波器方法

doi:10.3778/j.issn.1002-8331.2009.09.068

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (9): 233-236.DOI: 10.3778/j.issn.1002-8331.2009.09.068

混杂系统故障诊断的强跟踪滤波器方法

李雄杰^1,2,周东华²

1.浙江工商职业技术学院，浙江宁波 315012
2.清华大学自动化系，北京 100084

收稿日期:2008-01-28 修回日期:2008-04-09 出版日期:2009-03-21 发布日期:2009-03-21
通讯作者: 李雄杰

Fault diagnosis based on strong tracking filter for hybrid systems

LI Xiong-jie^1,2,ZHOU Dong-hua²

1.Zhejiang Business Technology Institute，Ningbo，Zhejiang 315012，China
2.Department of Automation，Tsinghua University，Beijing 100084，China

Received:2008-01-28 Revised:2008-04-09 Online:2009-03-21 Published:2009-03-21
Contact: LI Xiong-jie

摘要/Abstract

摘要： 混杂系统是近年来研究的热点，针对混杂系统故障诊断难题，在对混杂系统描述的基础上，给出了混杂系统状态估计及离散模态识别的强跟踪滤波器算法，并将该算法扩展到状态与参数的联合估计，最后利用修正的Bayes算法作出故障判决，实现了混杂系统的故障诊断。通过对两容水箱典型混杂系统故障诊断的仿真实验，验证了该方法的有效性。

关键词: 混杂系统, 强跟踪滤波器, 故障诊断, 状态估计

Abstract: Hybrid system is one of the hot research topics in recent years.Aiming at the problem of fault diagnosis，strong tracking filter algorithm for hybrid system state estimation and discrete modal identification is given，and this algorithm is spreaded to joint estimation of state and parameters.Modified Bayes algorithm is utilized to decise，and fault diagnosis of hybrid system is implemented.According to simulation experiment about fault diagnosis of two-tank，the typical hybrid system，the algorithm is proved effective.

Key words: hybrid system, strong tracking filter, fault diagnosis, state estimation

李雄杰^1,2,周东华². 混杂系统故障诊断的强跟踪滤波器方法[J]. 计算机工程与应用, 2009, 45(9): 233-236.

LI Xiong-jie^1,2,ZHOU Dong-hua². Fault diagnosis based on strong tracking filter for hybrid systems[J]. Computer Engineering and Applications, 2009, 45(9): 233-236.

[1]	张鑫，张席. 优先状态估计的双深度Q网络[J]. 计算机工程与应用, 2021, 57(8): 78-83.
[2]	林荣来，汤冰影，陈明. 适用于轴承故障诊断的数据增强算法[J]. 计算机工程与应用, 2021, 57(7): 269-278.
[3]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[4]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[5]	钱文博，熊建斌，岑健，王颀，余得正，吴润杰. 建筑电气系统故障诊断综述[J]. 计算机工程与应用, 2021, 57(16): 27-39.
[6]	徐正凤，曾维理，羊钊. 航空器轨迹预测技术研究综述[J]. 计算机工程与应用, 2021, 57(12): 65-74.
[7]	唐登平，蔡文嘉，邹立，胡翔，丁黎，王雪. 改进卷积神经网络在互感器故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(11): 239-247.
[8]	衷路生，刘东东. 多级神经网络的轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(7): 193-199.
[9]	杜小磊，陈志刚，许旭，张楠. 改进深层小波自编码器的轴承故障诊断方法[J]. 计算机工程与应用, 2020, 56(5): 263-269.
[10]	张博，贾华宇，马珺. RS-GA神经网络无人机受风情况估计[J]. 计算机工程与应用, 2020, 56(4): 209-213.
[11]	余萍，曹洁. 深度学习在故障诊断与预测中的应用[J]. 计算机工程与应用, 2020, 56(3): 1-18.
[12]	毛彪，杨松，李英顺. 改进动态因果图与模糊推理融合故障诊断方法[J]. 计算机工程与应用, 2020, 56(3): 259-265.
[13]	唐魏，郑源，潘虹，徐晶珺. 引入动态调节学习率的SAE轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(20): 264-269.
[14]	王卉，李英顺. 改进型证据更新规则的动态故障诊断算法[J]. 计算机工程与应用, 2020, 56(2): 261-265.
[15]	曹洁，赵伟吉，余萍，王进花. 改进鸟群算法优化PF的双馈发电机故障诊断[J]. 计算机工程与应用, 2020, 56(18): 229-237.

混杂系统故障诊断的强跟踪滤波器方法

Fault diagnosis based on strong tracking filter for hybrid systems

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics